Um modelo de exemplo para aplicar seleção de características e técnicas de aprendizado de máquina para estimar e gerenciar populações de lagostins

Por que contar lagostins agora exige ferramentas inteligentes

À medida que o apetite mundial por frutos do mar cresce, os gestores enfrentam a pressão de manter os estoques selvagens saudáveis ao mesmo tempo em que abastecem a mesa. Lagostins são uma iguaria nutritiva e com baixo teor de gordura que pode ser criada com necessidades de água relativamente modestas, mas doenças, pesca excessiva e poluição tornaram suas populações mais difíceis de prever. Este estudo mostra como técnicas modernas de dados, emprestadas da inteligência artificial, podem transformar medidas corporais simples de lagostins em pistas poderosas sobre seu crescimento, rendimento de carne e tamanho populacional — ajudando a pesca a se manter lucrativa e sustentável.

Lagostins como fonte alimentar do futuro

Lagostins são ricos em proteínas e minerais essenciais e têm baixo teor de gordura e calorias, o que os torna uma opção atraente onde proteína animal de alta qualidade é escassa ou cara. Eles também toleram uma gama de condições ambientais e podem ser cultivados em lagoas, reservatórios ou mesmo campos de arroz com insumos relativamente baixos. Ao mesmo tempo, as mudanças climáticas globais e o aumento da população humana devem elevar fortemente a demanda por alimentos nas próximas décadas. Como os estoques de lagostins já têm mostrado altos e baixos devido a epidemias, pesca intensa e poluição da água, há uma necessidade urgente de melhores ferramentas para acompanhar seu estado e planejar as capturas sem esgotar esse recurso valioso.

Transformando medições de campo em dados úteis

Os pesquisadores focaram em uma grande população de lagostins no Reservatório Atikhisar, na Turquia, onde coletaram medidas detalhadas de 6.470 lagostins de garras estreitas. Para cada animal registraram 20 características, incluindo comprimento total, larguras e comprimentos de partes corporais chave e os pesos da cabeça, abdome e garras, bem como a carne comestível interna. Essas medições foram feitas com paquímetros e balanças precisos, e depois limpas usando um método simples de média para preencher eventuais valores ausentes. A equipe também aplicou fórmulas clássicas comprimento‑peso usadas em pesca para ver como o comprimento total se relaciona com o peso total e para verificar como os animais crescem ao longo do tempo.

Encontrando as características corporais mais informativas

Nem toda medição acrescenta informação útil, e características extras, fracamente relacionadas, podem retardar ou confundir modelos computacionais. Para separar sinal de ruído, os autores usaram uma ferramenta estatística que pontua o quanto cada característica se move em conjunto com o peso total. Mantiveram apenas aquelas medidas que mostraram ao menos uma ligação moderada, como comprimento total, comprimento e largura da cabeça, comprimento e largura do abdome e os vários pesos de partes e de carne. Essa etapa reduziu drasticamente o número de entradas que os modelos precisavam considerar, ao mesmo tempo em que preservou quase toda a informação necessária para descrever o quão pesado um lagostim provavelmente é.

Deixando os algoritmos aprenderem com a captura

Com as características mais importantes em mãos, a equipe treinou vários métodos de predição comuns que se enquadram sob o guarda‑chuva do aprendizado de máquina. Usando 70% dos dados para ensinar os modelos e 30% para testá‑los, compararam quão bem cada abordagem podia estimar o peso total de um lagostim a partir de suas medidas corporais. Entre fêmeas, machos e a população combinada, três métodos — regressão linear múltipla, random forest e, especialmente, gradient boosting — produziram consistentemente previsões muito precisas, com erros pequenos em comparação à variação natural dos dados. Outro método amplamente usado, a regressão por vetores de suporte, ficou atrás porque teve dificuldade em capturar as relações sutis e curvadas entre tamanho e peso nesses animais.

O que isso significa para as pescarias do futuro

Para não‑especialistas, a mensagem principal é que medições simples do corpo de lagostins, quando emparelhadas com ferramentas de aprendizado de máquina bem escolhidas, podem fornecer um retrato rápido e confiável de quanto de carne aproveitável uma população contém. O estudo constatou que os lagostins no reservatório mostram um padrão de crescimento em que o peso aumenta um pouco mais rápido que o comprimento, e que modelos de gradient boosting, alimentados com características cuidadosamente selecionadas, podem prever esse padrão com precisão quase perfeita. Na prática, isso significa que gestores poderiam estimar o tamanho do estoque e definir regras de captura sem precisar pesar cada indivíduo, economizando tempo e custo e reduzindo o risco de sobrepesca. À medida que métodos semelhantes são aplicados a outras espécies, modelos orientados por dados como estes podem se tornar uma pedra angular da aquicultura sustentável e do manejo de estoques selvagens.

Citação: 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

Palavras-chave: pesca sustentável, aquicultura de lagostins, aprendizado de máquina, avaliação de estoques, seleção de características