Un modelo de ejemplo para aplicar selección de variables y técnicas de aprendizaje automático para estimar y gestionar poblaciones de cangrejos de río

Por qué contar cangrejos de río ahora requiere herramientas inteligentes

Mientras crece el apetito mundial por los productos del mar, los gestores afrontan la presión de mantener las poblaciones silvestres sanas a la vez que garantizan el suministro de alimentos. Los cangrejos de río son un manjar nutritivo y bajo en grasa que puede criarse con necesidades hídricas relativamente modestas, pero las enfermedades, la sobrepesca y la contaminación han hecho más difícil predecir sus poblaciones. Este estudio muestra cómo técnicas de datos modernas, tomadas de la inteligencia artificial, pueden transformar mediciones corporales sencillas de los cangrejos en pistas potentes sobre su crecimiento, rendimiento de carne y tamaño poblacional, ayudando a que las pesquerías sean rentables y sostenibles.

Los cangrejos de río como fuente alimentaria futura

Los cangrejos de río son ricos en proteínas y minerales esenciales, y al mismo tiempo bajos en grasas y calorías, lo que los convierte en una opción atractiva donde la proteína animal de alta calidad es escasa o cara. También toleran una amplia gama de condiciones ambientales y pueden cultivarse en estanques, embalses o incluso campos de arroz con insumos relativamente bajos. Al mismo tiempo, el cambio climático global y el crecimiento de la población humana se espera que aumenten de forma pronunciada la demanda alimentaria en las próximas décadas. Dado que las poblaciones de cangrejos de río ya han mostrado altibajos por epidemias, pesca intensiva y contaminación del agua, existe una necesidad urgente de mejores herramientas para vigilar su estado y planificar las capturas sin agotar este recurso valioso.

Convertir mediciones de campo en datos útiles

Los investigadores se centraron en una gran población de cangrejos de río en el embalse Atikhisar de Turquía, donde recogieron mediciones detalladas de 6.470 cangrejos de río de pinza estrecha. Para cada ejemplar registraron 20 características, incluidas la longitud total, anchos y longitudes de partes clave del cuerpo, y los pesos de la cabeza, el abdomen y las pinzas, así como la carne comestible en su interior. Estas mediciones se tomaron con calibradores y balanzas precisas, y luego se limpiaron usando un método simple de promediado para rellenar los valores faltantes. El equipo también aplicó fórmulas clásicas longitud‑peso usadas en pesquerías para ver cómo la longitud total se relaciona con el peso total y verificar cómo crecen los animales con el tiempo.

Encontrar las características corporales más reveladoras

No todas las mediciones aportan información útil, y características adicionales débiles o poco relacionadas pueden ralentizar o confundir los modelos informáticos. Para separar la señal del ruido, los autores usaron una herramienta estadística que puntúa en qué medida cada característica varía con el peso total. Conserv­aron solo aquellas mediciones que mostraron al menos una relación moderada, como la longitud total, la longitud y el ancho de la cabeza, la longitud y el ancho del abdomen, y los distintos pesos de partes y de carne. Este paso redujo de forma notable el número de entradas que los modelos tenían que considerar, al tiempo que preservó casi toda la información necesaria para describir cuán pesado es probable que sea un cangrejo de río.

Dejar que los algoritmos aprendan de la captura

Con las características más importantes en mano, el equipo entrenó varios métodos de predicción comunes que entran dentro del paraguas del aprendizaje automático. Usando el 70% de los datos para enseñar a los modelos y el 30% para evaluarlos, compararon qué tan bien podía cada enfoque estimar el peso total de un cangrejo a partir de sus mediciones corporales. En hembras, machos y la población combinada, tres métodos—regresión lineal múltiple, bosque aleatorio y, especialmente, el gradient boosting—produjeron de forma consistente predicciones muy precisas, con errores pequeños en comparación con la variación natural en los datos. Otro método ampliamente usado, la regresión por máquinas de vectores de soporte, quedó rezagado porque le costó captar las relaciones sutiles y curvadas entre tamaño y peso en estos animales.

Qué significa esto para las pesquerías futuras

Para el público no especializado, el mensaje principal es que mediciones sencillas del cuerpo de los cangrejos de río, cuando se combinan con herramientas de aprendizaje automático bien seleccionadas, pueden ofrecer una visión rápida y fiable de cuánto carne aprovechable contiene una población. El estudio encontró que los cangrejos del embalse muestran una forma de crecimiento en la que el peso aumenta algo más rápido que la longitud, y que los modelos de gradient boosting, alimentados con características cuidadosamente seleccionadas, pueden predecir este patrón con precisión casi perfecta. En la práctica, esto significa que los gestores podrían estimar el tamaño del stock y diseñar normas de captura sin tener que pesar a cada individuo, ahorrando tiempo y costes y reduciendo el riesgo de sobrepesca. A medida que métodos similares se apliquen a otras especies, modelos basados en datos como estos podrían convertirse en una piedra angular de la acuicultura sostenible y la gestión de poblaciones silvestres.

Cita: Gültepe, Y., Gültepe, N. A sample model for applying feature selection and machine learning techniques to estimate and manage crayfish populations. Sci Rep 16, 14540 (2026). https://doi.org/10.1038/s41598-026-45535-9

Palabras clave: pesquerías sostenibles, acuicultura de cangrejos de río, aprendizaje automático, evaluación de stock, selección de características