#4E91C6
Referència
Giménez-Romero, À., Ferchichi, D., Moreno-Spiegelberg, P., Sintes, T., & Matías, M. A. (2025). A generalizable deep learning framework for large-scale mapping of seagrass habitats. Ecological Indicators, 180, 114349. https://doi.org/10.1016/j.ecolind.2025.114349
Fitxa elaborada per
Entitats participants
Intel·ligència artificial per cartografiar praderies de posidònia a gran escala
2025
Objectiu
L’estudi analitza si un model d’intel·ligència artificial basat en xarxes neuronals pot identificar i cartografiar praderies de Posidonia oceanica a partir d’imatges de satèl·lit. L’objectiu principal és disposar d’una eina més escalable, ràpida i robusta que els mètodes tradicionals de seguiment, que sovint són costosos, lents i difícils d’aplicar de manera continuada en grans extensions marines.
L’article posa l’èmfasi en la necessitat de millorar el seguiment dels hàbitats marins, especialment perquè les praderies marines tenen un paper clau en la biodiversitat costanera, la protecció davant l’erosió, la qualitat de l’aigua i l’emmagatzematge de carboni, però estan sotmeses a pressions com la degradació de l’hàbitat i el canvi climàtic.
Mètodes bàsics
Àrea d’estudi: Illes Balears
L’estudi combina imatges de satèl·lit PlanetScope, dades batimètriques i cartografia d’hàbitats bentònics validada sobre el terreny. Es van utilitzar 60 imatges de satèl·lit de la costa balear, obtingudes entre 2020 i 2023, principalment entre juny i setembre, coincidint amb el període de màxima biomassa de fanerògames marines i algues.
Les dades d’hàbitat provenen del Govern de les Illes Balears i recullen aproximadament 20 anys de treball cartogràfic, amb informació obtinguda mitjançant sonar d’escombratge lateral, fotointerpretació d’imatges aèries i observacions in situ. Les 28 classes originals d’hàbitat es van agrupar en quatre grans categories ecològiques: Posidonia oceanica, altres plantes verdes, algues brunes i roques, i fons sorrencs.
Amb aquestes dades es va entrenar CAMELE (Consensus for Automated Marine Ecosystem Labelling and Evaluation), un marc de treball basat en aprenentatge profund via xarxes neuronals convulucionals. Els autors van provar 40 models diferents i van seleccionar una estratègia de consens entre diversos models per millorar la fiabilitat de les prediccions. Per avaluar la capacitat de generalització, primer van entrenar el model només amb dades de Mallorca i després el van provar en altres illes amb condicions ambientals i comunitats bentòniques diferents.
Resultats principals
- El model CAMELE va mostrar una bona capacitat per cartografiar hàbitats bentònics i, especialment, per identificar praderies de Posidonia oceanica. Tot i que el model es va entrenar a Mallorca, la poca disminució del rendiment en zones fora d’aquesta illa continua demostrant la capacitat de generalització en condicions reals.
- Per a Posidonia oceanica, el rendiment va ser especialment destacable: el model va assolir una precisió mitjana del 77,30% en el conjunt de prova, davant del 91,97% en el conjunt d’entrenament. Això indica que, fins i tot en illes amb diferències ambientals respecte a Mallorca, el sistema manté una capacitat notable per detectar l’hàbitat més rellevant per al seguiment.
- El model també va proporcionar estimacions útils de la superfície ocupada pels hàbitats. En el cas de Posidonia oceanica, l’error relatiu va disminuir clarament quan les praderies eren més extenses: per a àrees reals d’entre 1 i 5 km², l’error relatiu mitjà va ser del 30%, mentre que per a àrees de més de 20 km² es va reduir fins al 7%. Això reforça la utilitat del model per a anàlisis a escala territorial o regional, on el context espacial és més ampli.
- Quan el model final es va entrenar amb totes les dades disponibles, el rendiment va millorar de manera molt clara. Va assolir una precisió mediana del 95,22% en el conjunt complet de dades i totes les imatges van superar el 90%.
- L’estudi també identifica limitacions importants per a la gestió. La cartografia basada en satèl·lit pot veure’s afectada per núvols, interferències atmosfèriques i limitacions de resolució espacial i espectral. A més, el treball només diferencia quatre grans grups d’hàbitats i la seva aplicació fora de les Illes Balears encara s’ha de validar en regions amb condicions ecològiques diferents. Els autors també indiquen que la detecció és fiable fins a uns 20 m de profunditat, però el rendiment disminueix a profunditats superiors.
Conclusions
L’estudi mostra que la combinació d’imatges de satèl·lit i aprenentatge profund pot convertir-se en una eina operativa per al seguiment de les praderies de Posidonia oceanica. La seva principal aportació és demostrar que és possible generar mapes de distribució d’hàbitats marins de manera escalable, reproduïble i amb costos potencialment inferiors als dels mètodes de camp tradicionals.
Per a la gestió ambiental, aquest tipus d’eina pot ajudar a identificar àrees prioritàries de protecció i restauració, detectar punts crítics de pèrdua o fragmentació d’hàbitat i comparar zones sotmeses a diferents nivells de pressió humana. També pot facilitar la construcció de sèries temporals anuals per avaluar canvis en l’extensió de les praderies i orientar millor les actuacions de conservació.
En el context català, l’estudi és especialment útil com a referència metodològica per millorar el seguiment de les praderies marines mediterrànies, però la seva aplicació directa requeriria dades locals i validació específica. El missatge principal és que la intel·ligència artificial i l’observació de la Terra poden aportar informació espacialment explícita i útil per prendre decisions més ràpides i fonamentades en la conservació dels hàbitats costaners.