Arraina oinarrizko elikagaia da gizateriarentzat, eta ondorioz arrantzak ekonomian berebiziko garrantzia dauka. Europa mailan 50.000 ontzi baino gehiago dira arrantzan dihardutenak, eta horrek hainbat erronka planteatzen ditu gehiegizko arrantzaren eta itsasoko baliabideen kudeaketaren inguruan. Testuinguru horretan, ahalegin handiak egiten ari dira arrantza hori jasangarria izan dadin itsasoa eta bere ekosistemak osasuntsu mantentzeko.

Itsas baliabideen ustiaketa egokia egiteko, gehiegizko eta legez kanpoko arrantza ekidin nahi dira, eta baita babestuta dauden espezieena ere. Bestalde, itsasontziek arraina bilatzen dihardutenean erabiltzen duten erregai kantitatea jaistea ere desiragarria litzateke, bai galera ekonomiko gutxiago edukitzeko, bai eta berotegi-efektuko gasen isuria jaisteko ere.

Gauzak horrela, “adimen artifiziala” kontzeptua hain modan dagoen garai hauetan, nola lagun dezake adimen artifizialak arrantzaren jasangarritasuna hobetzen?

Helburu horiek lortzeko ikasketa automatiko eta adimen artifiziala erabiltzen duten hainbat aplikazio ari dira garatzen. Adibidez, espezie jakin bat harrapatu nahi duen ontzi batek espezie hori probabilitate handi xamar batekin zer zonatan egongo den aurreikusteko gai izango liratekeen ereduak sortzeko metodologiak garatzen ari dira. Horrelako sistemek arrantzaleei bilaketan denbora asko aurreztea ahalbidetuko liekete, eta are garrantzitsuagoak izango lirateke egungo aldaketa klimatikoko testuinguruan, arrainen habitat edo bizilekuak nola aldatzen diren ikasteko.

Ikasketa-eredu horiek garatzeko espezie jakin bateko aleak non ikusi edo harrapatu diren bildu behar da. Eremu horietako ingurumen-baldintzak deskribatzen dituzten datuak lortzen dira gero; uraren tenperaturari buruzkoak, oxigenoari buruzkoak… Zertarako? Sistemak espezie horren bizilekua nolakoa den “ikas” dezan. Datu nahikoa izanik modelo bat sortu ahalko litzateke, itsasoan neurtzen diren aldagaien arabera espezie horretako arrainak egoteko probabilitatea aurreikusiko lukeena.

Metodo horiek, arrantzarako gomendio izateaz gain, babestutako espezieen presentzia aurreikusteko erabil daitezke, aurretik non ikusi diren jakiteko eta toki horietako ingurumen-baldintzak ikasten dituen modelo bat eraikitzeko. Oso lagungarriak izango lirateke itsasontziek babestutako espezie horiek ekiditeko.

Ikasketa automatikoko metodoez gain, beste hainbat teknologia erabiltzen dira arrantzan. Horien adibide dira itsasontzietan instalatutako kameretako irudien gainean aplikatzen diren ikusmen automatikoko metodoak, arrantzatzen diren espezieak eta beraien tamainak automatikoki sailkatzeko. Baita urpeko mikrofono edo hidrofonoek antzemandako datuak tratatzeko erabiltzen diren akustikan oinarritutako metodoak ere, espezie desberdinek egiten dituzten soinuak prozesatuz, espezieak identifikatzeko erabil daitezkeenak, era ez-inbaditzailean.

Ikusi den moduan, adimen artifizialeko hainbat aplikazio ari dira garatzen arrantzaren jasangarritasunera bideratuak, eta teknologiaren aurrerapenarekin are gehiago garatzea espero dugu, arrantzaleei eta orokorrean itsasoari laguntzeko baliagarriak izango direnak. •