#4E91C6
Referencia
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
Ficha elaborada por
Entidades participantes
Inteligencia artificial para cartografiar praderas de posidonia a gran escala
2025
Objetivos
El estudio analiza si un modelo de inteligencia artificial basado en redes neuronales puede identificar y cartografiar praderas de Posidonia oceanica a partir de imágenes de satélite. El objetivo principal es disponer de una herramienta más escalable, rápida y robusta que los métodos tradicionales de seguimiento, que a menudo son costosos, lentos y difíciles de aplicar de forma continuada en grandes extensiones marinas.
El artículo pone el énfasis en la necesidad de mejorar el seguimiento de los hábitats marinos, especialmente porque las praderas marinas desempeñan un papel clave en la biodiversidad costera, la protección frente a la erosión, la calidad del agua y el almacenamiento de carbono, pero están sometidas a presiones como la degradación del hábitat y el cambio climático.
Métodos básicos
Área de estudio: Islas Baleares.
El estudio combina imágenes de satélite PlanetScope, datos batimétricos y cartografía de hábitats bentónicos validada sobre el terreno. Se utilizaron 60 imágenes de satélite de la costa balear, obtenidas entre 2020 y 2023, principalmente entre junio y septiembre, coincidiendo con el periodo de máxima biomasa de fanerógamas marinas y algas.
Los datos de hábitat proceden del Gobierno de las Islas Baleares y recogen aproximadamente 20 años de trabajo cartográfico, con información obtenida mediante sonar de barrido lateral, fotointerpretación de imágenes aéreas y observaciones in situ. Las 28 clases originales de hábitat se agruparon en cuatro grandes categorías ecológicas: Posidonia oceanica, otras plantas verdes, algas pardas y rocas, y fondos arenosos.
Con estos datos se entrenó CAMELE (Consensus for Automated Marine Ecosystem Labelling and Evaluation), un marco de trabajo basado en aprendizaje profundo mediante redes neuronales convolucionales. Los autores probaron 40 modelos diferentes y seleccionaron una estrategia de consenso entre varios modelos para mejorar la fiabilidad de las predicciones. Para evaluar la capacidad de generalización, primero entrenaron el modelo únicamente con datos de Mallorca y posteriormente lo probaron en otras islas con condiciones ambientales y comunidades bentónicas diferentes.
Resultados principales
- El modelo CAMELE mostró una buena capacidad para cartografiar hábitats bentónicos y, especialmente, para identificar praderas de Posidonia oceanica. Aunque el modelo se entrenó en Mallorca, la escasa disminución del rendimiento en zonas fuera de esta isla demuestra su capacidad de generalización en condiciones reales.
- En el caso de Posidonia oceanica, el rendimiento fue especialmente destacable: el modelo alcanzó una precisión media del 77,30 % en el conjunto de prueba, frente al 91,97 % en el conjunto de entrenamiento. Esto indica que, incluso en islas con diferencias ambientales respecto a Mallorca, el sistema mantiene una capacidad notable para detectar el hábitat más relevante para el seguimiento.
- El modelo también proporcionó estimaciones útiles de la superficie ocupada por los hábitats. En el caso de Posidonia oceanica, el error relativo disminuyó claramente cuando las praderas eran más extensas: para superficies reales de entre 1 y 5 km², el error relativo medio fue del 30 %, mientras que para superficies superiores a 20 km² se redujo hasta el 7 %. Esto refuerza la utilidad del modelo para análisis a escala territorial o regional, donde el contexto espacial es más amplio.
- Cuando el modelo final se entrenó con todos los datos disponibles, el rendimiento mejoró de forma muy significativa. Alcanzó una precisión mediana del 95,22 % en el conjunto completo de datos y todas las imágenes superaron el 90 %.
- El estudio también identifica limitaciones importantes para la gestión. La cartografía basada en imágenes de satélite puede verse afectada por la presencia de nubes, interferencias atmosféricas y limitaciones en la resolución espacial y espectral. Además, el trabajo solo diferencia cuatro grandes grupos de hábitats y su aplicación fuera de las Islas Baleares todavía debe validarse en regiones con condiciones ecológicas diferentes. Los autores también indican que la detección es fiable hasta unos 20 m de profundidad, pero el rendimiento disminuye a mayores profundidades.
Conclusiones
El estudio muestra que la combinación de imágenes de satélite y aprendizaje profundo puede convertirse en una herramienta operativa para el seguimiento de las praderas de Posidonia oceanica. Su principal aportación es demostrar que es posible generar mapas de distribución de hábitats marinos de forma escalable, reproducible y con costes potencialmente inferiores a los de los métodos tradicionales de trabajo de campo.
Para la gestión ambiental, este tipo de herramienta puede ayudar a identificar áreas prioritarias para la protección y la restauración, detectar puntos críticos de pérdida o fragmentación del hábitat y comparar zonas sometidas a distintos niveles de presión humana. También puede facilitar la elaboración de series temporales anuales para evaluar cambios en la extensión de las praderas y orientar mejor las actuaciones de conservación.
En el contexto catalán, el estudio resulta especialmente útil como referencia metodológica para mejorar el seguimiento de las praderas marinas mediterráneas, aunque su aplicación directa requeriría datos locales y una validación específica. El mensaje principal es que la inteligencia artificial y la observación de la Tierra pueden proporcionar información espacialmente explícita y útil para tomar decisiones más rápidas y fundamentadas en la conservación de los hábitats costeros.