← Volver al índice | Arquitectura IA | Gobernanza Datasets

Deep Research — Bancos de Datos de Animales Marinos para el IEO¶

Tipo: Documentación de Investigación — Deep Research
Audiencia: Equipo de desarrollo, científicos de datos, investigadores
Fecha: 20 de marzo de 2026
Objetivo: Identificar bancos de datos concretos de animales marinos utilizables para pruebas, generación de datos sintéticos y scraping
Relacionado con: Gobernanza Datasets | Análisis LLM Departamental | Arquitectura IA

1. Contexto y Motivación¶

El IEO (Centro Oceanográfico de Málaga, IEO-CSIC) trabaja con tres departamentos principales —Pesquerías, Acuicultura y Medio Marino— cada uno con necesidades de datos muy específicas:

Departamento	Datos Principales	Tipos de Animales
Pesquerías	Otolitos, biometrías, capturas, evaluación de stocks	Peces óseos (merluza, sardina, anchoa, atún)
Acuicultura	Cultivos, crecimiento, reproducción	Dorada, lubina, rodaballo, moluscos bivalvos
Medio Marino	Biodiversidad, inventarios, distribuciones	Cetáceos, tortugas, aves marinas, invertebrados bentónicos

Para desarrollar y probar la plataforma de IA necesitamos: 1. Datos reales de referencia para validar modelos 2. Datos sintéticos realistas para pruebas de carga y desarrollo 3. Imágenes de especies marinas para entrenar/validar visión por computador

2. Bancos de Datos del IEO (Propios)¶

2.1 Catálogo de Datos del IEO¶

Aspecto	Detalle
URL	https://datos.ieo.es
Contenido	641 datasets de biota, 38 datasets de mamíferos marinos
Formato	Metadatos ISO 19115, datos en diversos formatos
Licencia	Datos públicos del CSIC
Relevancia	🔴 Directa — datos propios del cliente

2.2 Colecciones Históricas del IEO Málaga¶

Colección Líquido (desde 1907): especímenes en alcohol/formol
Colección Seca (desde 1913): otolitos, escamas, conchas
Volumen: +3.400 especímenes catalogados
Digitalización: en curso (proyecto TAXON)

2.3 Campañas Oceanográficas¶

El IEO realiza ~30 campañas anuales con ~200 científicos. Campañas relevantes para nuestro ámbito:

Campaña	Área	Tipo de Datos
ECOMED	Mediterráneo	Arrastre demersal, biometrías de peces
MEDITS	Mediterráneo	Evaluación de stocks demersales
PELACUS	Atlántico Norte	Acústica y huevos de pelágicos (sardina, anchoa)
ARSA	Golfo de Cádiz	Arrastre demersal de profundidad
MEDIAS	Mediterráneo	Acústica para pelágicos pequeños

3. Bancos de Datos Internacionales — Taxonomía y Especies¶

3.1 WoRMS — World Register of Marine Species¶

Aspecto	Detalle
URL	https://www.marinespecies.org
Contenido	Registro taxonómico autoritativo de todas las especies marinas conocidas
Volumen	+240.000 nombres válidos de especies
API REST	✅ Pública — `https://www.marinespecies.org/rest/`
Licencia	CC-BY
Uso para IEO	Taxonomía de referencia, validación de nombres, AphiaIDs

# Ejemplo: buscar especie por nombre
GET https://www.marinespecies.org/rest/AphiaRecordsByName/Merluccius+merluccius

[!TIP] WoRMS proporciona AphiaIDs que actúan como identificador universal entre todas las demás bases de datos marinas. Es el nexo de unión de todo el ecosistema.

3.2 FishBase¶

Aspecto	Detalle
URL	https://www.fishbase.se
Contenido	Información biológica de todos los peces óseos y cartilaginosos conocidos
Volumen	+35.000 especies, +60.000 nombres comunes, +70.000 imágenes
API	✅ `https://fishbase.ropensci.org` (REST) + paquete R `rfishbase`
Licencia	CC-BY-NC
Datos clave	Morfología, hábitat, dieta, reproducción, tallas, distribución

3.3 SeaLifeBase¶

Aspecto	Detalle
URL	https://www.sealifebase.se
Contenido	Complemento de FishBase para invertebrados y otros organismos marinos no-pez
Volumen	~200.000 registros de especies
API	✅ `https://fishbase.ropensci.org/sealifebase` + paquete R `rfishbase`
Licencia	CC-BY-NC
Uso para IEO	Crustáceos, moluscos, equinodermos del departamento de Medio Marino

4. Bancos de Datos de Ocurrencias y Distribución¶

4.1 OBIS — Ocean Biogeographic Information System¶

Aspecto	Detalle
URL	https://obis.org
Contenido	Registros georeferenciados de especies marinas
Volumen	+100 millones de registros, miles de datasets
API REST	✅ Pública — `https://api.obis.org/v3/`
Licencia	CC-BY (mayoritariamente)
Filtros	Taxón, geometría WKT, fecha, profundidad

# Ejemplo: ocurrencias de Merluccius merluccius en el Mediterráneo
GET https://api.obis.org/v3/occurrence?scientificname=Merluccius+merluccius&geometry=POLYGON((-6+35,37+35,37+45,-6+45,-6+35))

4.2 GBIF — Global Biodiversity Information Facility¶

Aspecto	Detalle
URL	https://www.gbif.org
Contenido	Registros de biodiversidad (terrestre + marina)
Volumen	+2.400 millones de registros totales
API REST	✅ Pública — `https://api.gbif.org/v1/`
Descarga masiva	✅ API asíncrona de descargas (requiere cuenta gratuita)
Python	`pygbif`
Filtro España	`country=ES` + `taxonKey` para grupos marinos

[!IMPORTANT] El IEO-CSIC contribuye datasets a GBIF. Algunos datos del propio IEO pueden descargarse desde aquí.

4.3 iNaturalist¶

Aspecto	Detalle
URL	https://www.inaturalist.org
Contenido	Observaciones ciudadanas con foto, geolocalización e identificación
Volumen	+200 millones de observaciones (incluye marinas)
API REST	✅ Pública — `https://api.inaturalist.org/v1/`
Python	`pyinaturalist`
Filtro marino	Por `taxon_id` de grupos marinos + `place_id` costero
Uso para IEO	Imágenes geolocalizadas de especies + identificación comunitaria

5. Bancos de Datos Especializados — Pesquerías y Otolitos¶

5.1 ICES SmartDots — Lectura de Edad por Otolitos¶

Aspecto	Detalle
URL	https://smartdots.ices.dk
Contenido	Imágenes de otolitos con anotaciones de edad por expertos
Formato	Imágenes + JSON via Web API
API	✅ Web API REST (requiere token de autenticación ICES)
Licencia	CC-BY 4.0
Relevancia	🔴 Crítica — directamente mencionado en la documentación del proyecto

[!IMPORTANT] El modelo U-Net-Otolitos del proyecto está entrenado con datos de ICES SmartDots + IEO. Este es el banco de datos más relevante para el departamento de Pesquerías.

5.2 AFORO — Base de Datos de Forma de Otolitos¶

Aspecto	Detalle
URL	https://aforo.cmima.csic.es
Contenido	Imágenes de alta resolución de otolitos sagitales + análisis de forma
Volumen	9.822 imágenes, 2.980 especies, 289 familias
Cobertura	Mediterráneo, Canarias, Antártida, Namibia
Operador	ICM-CSIC (mismo CSIC que el IEO)
Licencia	Acceso abierto
Relevancia	🔴 Crítica — otolitos del Mediterráneo, mismo organismo (CSIC)

5.3 ICES Data Portal — Datos de Pesquerías¶

Aspecto	Detalle
URL	https://data.ices.dk
Contenido	Evaluaciones de stocks, capturas, esfuerzo pesquero, datos ambientales
Volumen	+300 millones de mediciones
API	✅ Web services para datos de stock assessment
Licencia	ICES Data Policy (generalmente abierta)
Datos clave	Capturas por especie/zona/año, tallas, madurez, peso

6. Bancos de Datos Ambientales y Oceanográficos¶

6.1 Copernicus Marine Service (CMEMS)¶

Aspecto	Detalle
URL	https://marine.copernicus.eu
Contenido	Datos físicos y biogeoquímicos del océano
Variables	Temperatura, salinidad, corrientes, clorofila-a, fitoplancton
API Python	✅ `copernicusmarine` (Copernicus Marine Toolbox)
Licencia	Gratuita con registro
Mediterráneo	Productos específicos: `MEDSEA_*`

6.2 EMODnet — European Marine Observation and Data Network¶

Aspecto	Detalle
URL	https://emodnet.ec.europa.eu
Portales	Biology, Chemistry, Bathymetry, Geology, Physics, Human Activities
API	✅ OGC WFS/WCS + ERDDAP
R/Python	`emodnet.wfs` (R), OGC clients (Python)
Licencia	Abierta (datos europeos armonizados)
Uso para IEO	Distribución de especies, datos medioambientales de contexto

7. Datasets de Imágenes para IA/Computer Vision¶

7.1 Datasets de Imágenes de Peces¶

Dataset	Especies	Imágenes	Fuente	Uso
FathomNet	233 clases	80.000+ imgs, 106K localizaciones	MBARI/Deep-sea	Detección submarina
FishNet	Multi-especie	Gran escala	CVPR benchmark	Reconocimiento + rasgos funcionales
Mediterranean Fish Dataset	20 spp. mediterráneas	18.400+ peces, 1.600+ imágenes	Frontiers in Marine Science	🔴 Ideal para IEO
Croatian Fish Dataset	12 spp. Adriático	794 imágenes	FGVC research	Clasificación fina
SEAMAPD21	Peces de arrecife	Gran escala	NOAA	Object detection
Deep Vision Fish	Pelágicos comerciales	Cámaras de arrastre	IMR Norway	Clasificación automática
Fish Species (Kaggle)	13 especies	8.242 imágenes anotadas	Kaggle	Entrenamiento/benchmark
Marine Animals (Kaggle)	5 categorías	1.241 entrenamiento	Kaggle	Clasificación básica

[!TIP] El Mediterranean Fish Dataset (20 especies, +18.400 especímenes) es el más alineado con el IEO Málaga por cobertura geográfica y taxonomía.

7.2 Datasets Especializados¶

Dataset	Contenido	Uso para IEO
ICES SmartDots	Imágenes de otolitos anotados con edad	Entrenamiento U-Net-Otolitos
AFORO	9.822 imágenes de otolitos (forma)	Validación de identificación por otolito
Deep-sea JODD	8.151 imágenes, 19 categorías organismos	Detección deep-sea
iNaturalist (marino)	Millones de fotos con ID comunitaria	Data augmentation + validación

8. Estrategia de Datos Sintéticos¶

8.1 Herramientas de Generación de Datos Tabulares¶

Herramienta	Tipo	Uso para IEO	Python
SDV (Synthetic Data Vault)	Copulas gaussianas + GANs	Generar biometrías sintéticas que mantengan correlaciones reales	`pip install sdv`
CTGAN	GAN condicional tabular	Datos de capturas con distribuciones realistas	`pip install ctgan`
Faker	Generador de datos falsos	Metadatos: nombres de campaña, códigos IEO, investigadores	`pip install faker`
ydata-synthetic	GANs + TimeGAN	Series temporales de capturas/biometrías	`pip install ydata-synthetic`
synthcity	Multi-método (privacidad)	Datos anonimizados para compartir	`pip install synthcity`

8.2 Esquema de Datos Sintéticos para el IEO¶

# Ejemplo: generación de muestras biológicas sintéticas con SDV
from sdv.single_table import GaussianCopulaSynthesizer
from sdv.metadata import SingleTableMetadata

# Esquema de una muestra biológica del IEO
schema = {
    "codigo_interno": "IEOMA-{DEPARTAMENTO}-{SECUENCIA:04d}",
    "especie": "Merluccius merluccius",       # de WoRMS/FishBase
    "nombre_comun": "Merluza europea",
    "longitud_total_cm": 35.2,                 # distribución normal
    "peso_g": 420.0,                           # correlacionado con longitud
    "sexo": "H",                               # M/H/I
    "madurez": "III",                          # escala I-VI
    "edad_anios": 3,                           # lectura de otolito
    "zona_captura": "GSA06",                   # áreas FAO/GFCM
    "profundidad_m": 120,
    "fecha_captura": "2025-11-15",
    "campana": "ECOMED-2025",
    "latitud": 36.7213,
    "longitud": -4.4214,
    "temperatura_superficie_c": 18.5,          # de Copernicus CMEMS
}

8.3 Augmentation de Imágenes¶

Técnica	Herramienta	Uso
Rotación, flip, crop	`albumentations`	Aumentar dataset de fotos de especímenes
Color jitter, contraste	`torchvision.transforms`	Simular condiciones de iluminación
Style transfer	Modelos generativos	Simular diferentes fondos/escenas
Synthetic otolith generation	U-Net + GANs	Generar otolitos sintéticos para entrenamiento
Background randomization	`Segment Anything`	Separar espécimen de fondo y recomponer

9. Plan de Scraping y Automatización¶

9.1 APIs Directas (Sin Scraping)¶

Fuente	Método	Datos Obtenidos	Coste
WoRMS REST	`GET /AphiaRecords*`	Taxonomía completa	Gratis
FishBase API	`rfishbase` / REST	Biología de 35K+ peces	Gratis
OBIS API	`GET /occurrence`	Ocurrencias georeferenciadas	Gratis
GBIF API	`POST /occurrence/download`	Descarga masiva de ocurrencias	Gratis (cuenta)
iNaturalist API	`GET /observations`	Fotos + identificaciones	Gratis (rate-limited)
ICES SmartDots	Web API REST	Imágenes de otolitos + edad	Gratis (token)
Copernicus	Python toolbox	Datos oceanográficos	Gratis (cuenta)
EMODnet	OGC WFS/WCS	Biología marina europea	Gratis

9.2 Scripts de Scraping Recomendados¶

Para fuentes sin API formal:

Fuente	Método	Herramienta
AFORO (otolitos CSIC)	Web scraping de imágenes	`Selenium` + `BeautifulSoup`
Catálogo IEO	Descarga de metadatos CSW	`OWSLib` (Python)
Publicaciones IEO digitalizadas	Extracción de tablas de PDFs	`tabula-py` + `pdfplumber`

10. Mapa de Alineación con Departamentos del IEO¶

flowchart TB
    subgraph PESQ ["Pesquerías"]
        P1["ICES SmartDots"]
        P2["AFORO Otolitos"]
        P3["ICES Data Portal"]
        P4["FishBase"]
    end

    subgraph ACUI ["Acuicultura"]
        A1["FishBase"]
        A2["SeaLifeBase"]
        A3["GBIF"]
    end

    subgraph MMAR ["Medio Marino"]
        M1["OBIS"]
        M2["EMODnet Biology"]
        M3["iNaturalist"]
        M4["WoRMS"]
        M5["Copernicus CMEMS"]
    end

    subgraph TRANS ["Transversales"]
        T1["WoRMS - taxonomía"]
        T2["GBIF - ocurrencias"]
        T3["Mediterranean Fish Dataset"]
        T4["FathomNet - deep learning"]
    end

    P1 --> T1
    P4 --> T1
    M1 --> T1
    A2 --> T1

    style PESQ fill:#e74c3c,color:#fff
    style ACUI fill:#2ecc71,color:#fff
    style MMAR fill:#3498db,color:#fff
    style TRANS fill:#f39c12,color:#fff

11. Resumen Ejecutivo — Top 10 Bancos de Datos Prioritarios¶

#	Base de Datos	Prioridad	Tipo de Datos	API	Departamento
1	ICES SmartDots	🔴 Crítica	Otolitos + edad	✅ REST	Pesquerías
2	AFORO	🔴 Crítica	Otolitos (forma)	⚠️ Web	Pesquerías
3	WoRMS	🔴 Crítica	Taxonomía	✅ REST	Todos
4	FishBase	🟠 Alta	Biología de peces	✅ REST	Pesquerías, Acuicultura
5	OBIS	🟠 Alta	Ocurrencias marinas	✅ REST	Medio Marino
6	Mediterranean Fish Dataset	🟠 Alta	Imágenes de peces	⬇️ Descarga	IA / Computer Vision
7	GBIF	🟡 Media	Biodiversidad global	✅ REST	Todos
8	EMODnet Biology	🟡 Media	Distribución europea	✅ OGC	Medio Marino
9	Copernicus CMEMS	🟡 Media	Oceanografía física	✅ Python	Contexto ambiental
10	iNaturalist	🟢 Complementaria	Fotos ciudadanas	✅ REST	Validación IA

12. Predicción de Espacio en Disco¶

12.1 Estimación por Fuente de Datos¶

#	Base de Datos	Tipo	Alcance Descarga	Tamaño Estimado	Notas
1	WoRMS	Tabular (CSV/JSON)	Dump completo (~240K especies)	~500 MB	Taxonomía + clasificaciones + sinónimos
2	FishBase	Tabular + imágenes	Base de datos completa	~3 GB	~35K especies, 70K+ fotos (thumbnails)
3	SeaLifeBase	Tabular	~200K registros	~800 MB	Invertebrados, complementa FishBase
4	OBIS	Tabular (TSV/Parquet)	Export completo (168M registros)	~50 GB	GeoParquet via AWS S3. Filtrado España: ~2-5 GB
5	GBIF	Tabular (CSV)	España marino (~30M ocurrencias)	~8-12 GB	ZIP comprimido ~3-4 GB, descomprimido ~12 GB
6	iNaturalist	Tabular + imágenes	Marino España (~500K obs.)	~15-25 GB	Fotos a resolución media (~50 KB/foto)
7	ICES SmartDots	Imágenes de otolitos	Colección por eventos (~10K imgs)	~8-15 GB	Imágenes alta resolución (~1-2 MB/otolito)
8	AFORO	Imágenes de otolitos	9.822 imágenes	~12-20 GB	Alta resolución + datos de forma
9	ICES Data Portal	Tabular (CSV)	Stocks pesqueros + series	~2-5 GB	Capturas, evaluaciones, series temporales
10	Copernicus CMEMS	NetCDF/zarr	Mediterráneo (biogeoquímica)	~50-200 GB	Según variables y rango temporal seleccionado
11	EMODnet Biology	Tabular + vectorial	Europa marina	~3-8 GB	Distribución de especies europeas

12.2 Datasets de Imágenes para IA¶

Dataset	Imágenes	Resolución Típica	Tamaño Estimado	Notas
FathomNet	448.273	Variable (submarina)	~80-120 GB	Descarga programática, no bulk
Mediterranean Fish Dataset	1.600+ (18.400 peces)	1920×1080	~3-5 GB	🔴 Prioritario para IEO
FishNet (completo)	94.532	Variable	~20-30 GB	Multi-especie global
Fish Species (Kaggle)	8.242	~640×480	~500 MB	Benchmark rápido
Croatian Fish Dataset	794	Alta resolución	~200 MB	FGVC Adriático
SEAMAPD21	Gran escala	Variable	~15-25 GB	Peces de arrecife
Deep Vision Fish	Variable	Cámara de arrastre	~5-10 GB	Pelágicos comerciales

12.3 Datos Sintéticos Generados¶

Componente	Volumen Estimado	Tamaño Estimado	Notas
Biometrías sintéticas (SDV)	1M registros	~500 MB	CSV/Parquet con correlaciones reales
Metadatos sintéticos (Faker)	100K muestras	~50 MB	Códigos IEO, campañas, fechas
Imágenes aumentadas	50K imágenes	~10-15 GB	Augmentation de datasets reales
Embeddings precalculados	~500K vectores 768d	~3 GB	ChromaDB/pgvector

12.4 Resumen por Perfil de Uso¶

pie title Distribución de Espacio en Disco - Perfil Recomendado
    "Imágenes IA" : 45
    "Datos Oceanográficos" : 25
    "Ocurrencias" : 15
    "Taxonomía" : 5
    "Datos Sintéticos" : 7
    "Embeddings" : 3

Perfil	Descripción	Espacio Total	Qué Incluye
🟢 Mínimo Viable	Solo lo esencial para desarrollo y pruebas	~25-35 GB	WoRMS + FishBase + Med Fish Dataset + SmartDots (subset) + datos sintéticos
🟠 Recomendado	Desarrollo completo + validación IA	~120-180 GB	Mínimo + OBIS (filtrado) + GBIF España + AFORO + iNaturalist (subset) + FathomNet (subset) + embeddings
🔴 Completo (Research)	Corpus investigación íntegro	~500-850 GB	Todo lo anterior + OBIS completo + Copernicus CMEMS + EMODnet + FathomNet completo + FishNet

12.5 Desglose del Perfil Recomendado (~150 GB)¶

Categoría	Fuentes	Tamaño	% Total
Imágenes para IA	Med Fish + SmartDots + AFORO + iNaturalist subset + FathomNet subset	~65 GB	43%
Datos oceanográficos	Copernicus CMEMS (Mediterráneo, variables clave)	~35 GB	23%
Ocurrencias/distribución	OBIS (España) + GBIF (España marino) + EMODnet	~22 GB	15%
Taxonomía/biología	WoRMS + FishBase + SeaLifeBase	~4,5 GB	3%
Datos pesqueros	ICES Data Portal (stocks + series)	~4 GB	3%
Datos sintéticos	SDV + Faker + augmentation	~16 GB	11%
Embeddings/índices	ChromaDB + pgvector	~3 GB	2%

12.6 Requisitos de Infraestructura¶

Aspecto	Mínimo Viable	Recomendado	Completo
Disco SSD	50 GB (con margen)	250 GB	1 TB
RAM para procesamiento	8 GB	16 GB	32 GB
VRAM (modelos IA)	8 GB	16 GB	24 GB
Ancho de banda descarga	~5 GB/h	~5 GB/h	~5 GB/h
Tiempo estimado descarga	~6 horas	~30 horas	~170 horas

[!WARNING] Los tiempos de descarga son estimaciones conservadoras. Algunas APIs (iNaturalist, SmartDots) tienen rate limiting que puede multiplicar el tiempo por 5-10x. Se recomienda ejecutar descargas en paralelo por fuente y usar caché local.

[!TIP] Estrategia recomendada: Empezar por el perfil Mínimo Viable (~25 GB) para tener datos funcionales en pocas horas, e ir ampliando progresivamente según las necesidades de cada departamento.

13. Próximos Pasos Recomendados¶

Inmediato: Crear scripts de descarga para WoRMS + FishBase (taxonomía base)
Corto plazo: Solicitar acceso a ICES SmartDots API (token) y descargar imágenes de otolitos
Corto plazo: Descargar Mediterranean Fish Dataset para pruebas de computer vision
Medio plazo: Implementar pipeline SDV para generación de biometrías sintéticas
Medio plazo: Configurar ingesta OBIS + GBIF filtrado por Mediterráneo/Atlántico español
Largo plazo: Construir dataset multimodal IEO (imágenes + metadatos + embeddings)

Documentos Relacionados¶

Nivel	Documento	Descripción
Investigación	Gobernanza Datasets	Políticas de datos y licencias
Arquitectura	Arquitectura IA	Pipeline de IA, modelos, embeddings
Arquitectura	MLOps Workflows	Registro de modelos, datasets de entrenamiento
Especificación	API	Esquema de muestras biológicas