Desarrollan un simulador digital que optimiza la alimentación y el crecimiento de la trucha arcoíris

Para solucionar este desafío y maximizar la rentabilidad sin recurrir a costosos experimentos prolongados con peces vivos, un equipo de científicos japoneses ha desarrollado una innovadora herramienta digital. Se trata de un simulador acuícola individualizado que predice con precisión la trayectoria de crecimiento y evalúa la eficiencia alimentaria de la trucha arcoíris (Oncorhynchus mykiss).

Este avance estratégico fue publicado en la prestigiosa revista Scientific Reports. El estudio ha sido liderado por un equipo multidisciplinario de la Hokkaido University, integrado por la Faculty of Fisheries Sciences, la Graduate School of Fisheries Sciences y el Field Science Center for Northern Biosphere (Nanae Fresh-Water Station).

Puntos clave del estudio

• Predicción precisa: El nuevo modelo simula con éxito las trayectorias de crecimiento de truchas individuales a corto plazo.
  
  

  Te podría interesar

  La visión artificial ya permite saber cuándo el pez está comiendo y cuándo el pienso empieza a perderse  

• Gemelo digital de alimentación: Integra el modelo de comportamiento Boids con ecuaciones de Presupuesto Energético Dinámico (DEB).
• Sensibilidad al alimento: Las pruebas demuestran que la eficiencia y la tasa de conversión del alimento cambian marcadamente según la etapa de crecimiento del pez.
• Áreas de mejora identificadas: A largo plazo, el simulador tiende a sobreestimar el crecimiento al no incluir variables críticas como el efecto de la densidad de cultivo y los niveles de oxígeno disuelto.

¿Cómo funciona el simulador de acuicultura inteligente?

El sistema desarrollado divide el proceso en dos componentes principales interconectados que operan de manera cíclica día a día:

El modelo de comportamiento de los peces

Para recrear con precisión cómo nadan e interactúan las truchas, los investigadores adaptaron el clásico modelo Boids a las dinámicas de un tanque acuícola. El movimiento individual de cada pez se rige por siete reglas de fuerza fundamentales:

• Separación: Evitar colisiones con los compañeros más cercanos.
• Cohesión: Mantener la cercanía con el grupo o cardumen.
• Alineación: Nadar en la misma dirección que el promedio de la escuela de peces.
  
  
• Evasión de límites: Esquivar de forma segura las paredes del tanque.
• Inercia: Mantener la tendencia del nado propio.
• Movimiento aleatorio: Variaciones espontáneas y naturales en la trayectoria.
• Aproximación al alimento: Modificar la velocidad y dirección cuando se distribuyen los pellets en el agua.

Mecánica de alimentación: Un pez activa su «modo de alimentación» cuando hay comida disponible y su estómago no ha alcanzado el límite máximo diario (fijado en el 4% de su masa corporal). En ese instante, su velocidad máxima se multiplica para competir por el alimento. Cuando el modelo virtual del pez entra en contacto con un pellet, el sistema lo registra como una ingesta efectiva.

El modelo de crecimiento energético

Toda la información sobre el alimento capturado individualmente se transfiere al modelo de crecimiento. Este bloque emplea las ecuaciones del Presupuesto Energético Dinámico (DEB), un marco matemático que simula procesos fisiológicos esenciales como el metabolismo, la asimilación y la excreción.

Al resolver estas ecuaciones, el simulador calcula con precisión matemática el incremento diario exacto en la masa corporal y la longitud de horquilla de cada trucha.

Validación experimental: del ordenador al tanque real

Para comprobar la fidelidad del simulador, los investigadores llevaron a cabo un experimento de crianza real durante 203 días en la estación biológica de la universidad. El estudio inició con el monitoreo de 331 truchas jóvenes en un tanque circular de 500 litros, bajo una temperatura controlada de 10°C. A los ejemplares se les suministró alimento en exceso y se registró minuciosamente su consumo diario real.

Resultados de crecimiento y discrepancias detectadas

Los datos arrojados por este «gemelo digital» mostraron una excelente coincidencia con el experimento en vivo durante las etapas tempranas de cultivo. Por ejemplo, en los primeros 79 días, la Tasa de Conversión Alimenticia (FCR) real fue de 1.19, mientras que el software calculó un FCR casi idéntico de 1.18.

Sin embargo, a partir del día 80, los resultados virtuales comenzaron a distanciarse de la realidad: 

¿A qué se deben las diferencias a largo plazo?

Los científicos identificaron tres factores clave que explican esta divergencia y que trazan la hoja de ruta para optimizar el software en el futuro:

• Omisión del efecto densidad: A lo largo del experimento, la densidad de biomasa en el tanque se elevó del 0.19% al 3.5%. En condiciones reales, una mayor densidad ralentiza el crecimiento debido al deterioro sutil del entorno físico, un factor que el sistema no contempló.
• Dinámica del oxígeno disuelto: El modelo actual considera la temperatura pero ignora los niveles de oxígeno disuelto (DO), una variable crítica que restringe el apetito y el metabolismo de los salmónidos en fases avanzadas.
• Monopolización irreal del alimento: En el programa, los peces más grandes nadan más rápido. Esto provocó que, en el entorno virtual, los ejemplares dominantes acapararan los pellets de forma excesiva, generando una variabilidad de tamaño interno mucho mayor de la que se observó en el tanque real.

Aplicaciones prácticas para la gestión acuícola inteligente

A pesar de requerir ajustes métricos para perfeccionar sus predicciones a largo plazo, este estudio demuestra el enorme potencial de los modelos basados en el comportamiento individual. De hecho, su mayor virtud radica en la capacidad inédita de proyectar la trayectoria de crecimiento de cada pez de forma independiente.

En la administración comercial de granjas, esta tecnología ofrece ventajas estratégicas clave:

• Optimización del lote: Identificar en tiempo real la dispersión de tamaños permite retirar ejemplares inusualmente grandes o pequeños. Esto evita que se perjudique la uniformidad de la biomasa, un factor crítico que afecta directamente el precio de mercado y dificulta el procesamiento industrial.
• Cosecha y alimentación eficiente: La simulación ayuda a determinar el momento exacto y más rentable para la cosecha. Asimismo, permite diseñar estrategias de alimentación dinámicas y personalizadas según la fase biológica del lote, logrando un recorte sustancial en los costos de producción.
  
  

Conclusiones e impacto industrial

El desarrollo de este simulador por parte de la Universidad de Hokkaido sienta una base metodológica robusta para la transformación tecnológica de la producción de salmónidos en tierra. Al permitir la experimentación virtual con diferentes dosis y frecuencias de alimentación sin arriesgar biomasa viva, la herramienta emerge como un activo estratégico para la planificación comercial y la reducción de la huella ecológica en la actividad piscícola.

La futura integración en el modelo de variables críticas —como los niveles de oxígeno disuelto, la velocidad de disolución del pienso y modelos probabilísticos de captura del pellet— refinará el sistema hasta convertirlo en un software predictivo de alta precisión para la toma de decisiones en tiempo real, capaz de extenderse a otras especies de alto valor comercial.

Financiamiento del estudio: Esta investigación fue financiada parcialmente mediante fondos públicos a través de los programas JSPS Program for Forming Japan's Peak Research Universities, J-PEAKS (Grant Number: JPJS00420230001) y el JST Adaptable and Seamless Technology Transfer Program through Target-Driven R&D (Grant Number: JPMJTM20AC).

Referencia (acceso abierto)
Takahashi, Y., Yoshida, T., Yamazaki, Y., Takahashi, E., Yamaha, E., & Komeyama, K. (2026). An aquaculture simulator for rainbow trout (Oncorhynchus mykiss) based on a fish schooling behavioral model and a dynamic energy budget. Scientific Reports, 16(1), 7706. https://doi.org/10.1038/s41598-026-39028-y

Fuente: AQUAHOY