Saltar al contenido

Aprendizaje automático: ¿cómo puede salvar los bosques de manglares?

22 de abril de 2023

Los bosques de manglares son un componente esencial de las zonas costeras en áreas tropicales y subtropicales, proporcionando una amplia gama de bienes y servicios ecosistémicos que juegan un papel vital en la ecología.

También están amenazados, desapareciendo y degradados en todo el mundo. Una forma de estimular la conservación eficaz de los manglares y alentar las políticas para su protección es evaluar cuidadosamente los hábitats de los manglares y cómo cambian, e identificar las áreas fragmentadas.

Pero obtener este tipo de información no siempre es una tarea fácil. En este ensayo, exploraré cómo el aprendizaje profundo, un subconjunto del aprendizaje automático que emplea redes neuronales artificiales con múltiples capas para modelar patrones complejos en los datos1, puede ayudarnos a salvar los bosques de manglares al mejorar su mapeo y monitoreo.

Mapeo de ecosistemas de manglares con aprendizaje profundo

(Foto: BAGUS SARAGIH/AFP vía Getty Images)


Dado que los bosques de manglares están ubicados en zonas de mareas y áreas pantanosas, son difícilmente accesibles23. Por lo tanto, las técnicas de teledetección que utilizan imágenes satelitales para capturar información sobre la superficie de la tierra se utilizan a menudo para mapear estos frágiles ecosistemas, según Phys.org.

Sin embargo, los diferentes tipos de imágenes satelitales tienen diferentes resoluciones espaciales, bandas espectrales y frecuencias temporales, lo que puede afectar la precisión y confiabilidad de la clasificación del uso de la tierra/cobertura terrestre.

Además, las diferentes técnicas de clasificación tienen diferentes fortalezas y limitaciones al tratar con paisajes complejos y heterogéneos como los manglares.

El aprendizaje profundo puede ofrecer una solución a estos desafíos mediante el uso de la clasificación orientada a objetos de imágenes Sentinel fusionadas.

Las imágenes Sentinel son datos de teledetección multiespectral disponibles gratuitamente que tienen una alta resolución espacial (10 m) y frecuencia temporal (5 días).

Fusionar estas imágenes significa combinarlas con otro tipo de imágenes, como imágenes pancromáticas o de radar, para mejorar su calidad y contenido de información.

La clasificación orientada a objetos significa agrupar píxeles en objetos significativos en función de sus características espectrales, espaciales y contextuales, en lugar de clasificar cada píxel individualmente.

Un estudio reciente de la Dra. Neda Bihamta Toosi, posdoctorado en la Universidad Tecnológica de Isfahan en Irán, en la revista Nature Conservation2, comparó el rendimiento de diferentes combinaciones de imágenes satelitales y técnicas de clasificación para mapear ecosistemas de manglares en la costa norte de la isla Qeshm, Irán.

Descubrieron que la clasificación orientada a objetos de las imágenes fusionadas de Sentinel puede mejorar significativamente la precisión de la clasificación del uso de la tierra/cobertura terrestre de los manglares en comparación con la clasificación basada en píxeles o el uso de imágenes de Sentinel solas.

También encontraron que entre los diferentes algoritmos de aprendizaje automático, como la clasificación de máxima verosimilitud, la máquina de vectores de soporte, el bosque aleatorio y el árbol de decisiones, el bosque aleatorio era el mejor para clasificar los ecosistemas de manglares.

Lea también: La degradación de la pérdida de manglares se puede atribuir a factores socioeconómicos y biofísicos

Monitoreo de ecosistemas de manglares con aprendizaje profundo

Mapear los ecosistemas de manglares no es suficiente para asegurar su conservación. También es importante monitorear su condición y cómo cambian con el tiempo debido a factores naturales o inducidos por el hombre.

Esto puede ayudar a identificar áreas degradadas o fragmentadas y evaluar la efectividad de las acciones de gestión y restauración, según Newswise.

El aprendizaje profundo también puede ayudar con esta tarea mediante el uso de métricas de paisaje basadas en modelos y técnicas de análisis de componentes principales.

Las métricas del paisaje son medidas cuantitativas que describen la estructura espacial y la composición de un paisaje.

Un análisis de componentes principales es una técnica estadística que reduce la dimensionalidad de un conjunto de datos al extraer las características más importantes que explican su varianza.

Bihamta Toosi utilizó estas técnicas para evaluar la perturbación espacial de los ecosistemas de manglares en la isla de Qeshm en función de los mapas de uso de la tierra/cobertura terrestre derivados de la clasificación orientada a objetos de imágenes fusionadas de Sentinel.

Calcularon varias métricas de paisaje para cada clase de cobertura terrestre, como la densidad del parche, la densidad del borde, el tamaño medio del parche, el índice de forma, el índice de agregación y el índice de fragmentación.

Luego aplicaron el análisis de componentes principales para reducir estas métricas en dos componentes que explicaron el 95 % de la varianza en el conjunto de datos.

Usaron estos componentes para generar mapas de perturbación que mostraban el grado de perturbación de cada píxel en el área de estudio.

Los resultados mostraron que la mayoría de los bosques de manglares en la isla de Qeshm estaban moderadamente perturbados (40 %), seguidos de poca perturbación (30 %), alta perturbación (20 %) y muy alta perturbación (10 %).

Los mapas de perturbación también revelaron los patrones espaciales de perturbación en toda la isla, mostrando que la parte oriental estaba más perturbada que la parte occidental debido a actividades humanas como la urbanización, la agricultura, la acuicultura y el turismo.

Artículo relacionado: Los investigadores encuentran que las especies de manglares en las islas Ryuku en Japón están aisladas, lo que implica la conservación

© 2023 NatureWorldNews.com Todos los derechos reservados. No reproducir sin permiso.

Recomendado:  la neurodiversidad emerge como una habilidad en el trabajo de la inteligencia artificial | Conocimiento del centro de datos