Los investigadores Joshua Cortez y JC Nacpil, miembros de la Climate Change AI (CCAI) publicaron un tutorial del uso de aprendizaje profundo (deep learning), un tipo de inteligencia artificial, en la detección y clasificación de los estanques usados en la acuicultura basados en su intensidad de producción.
El tutorial te permitirá aprender sobre la relevancia de los estanques acuícolas en la adaptación climática; mapear y clasificar los estanques acuícolas basado en su intensidad de producción; y usar PyTorch Lightning para entrenar e implementar un modelo de segmentación semántica.
Asimismo, la guía esta orientada a científicos de datos, investigadores y desarrolladores de todos los niveles dentro de la visión por computadora, la observación de la Tierra y las industrias geoespaciales relacionadas.
Importancia del mapeo de los estanques
Los investigadores destacan que el mapeo de estanques usados en la acuicultura es esencial para mejorar el monitoreo ambiental, los esfuerzos de conservación y adaptación climática.
Asimismo, monitorear los cambios en la intensidad de producción de los sistemas acuícolas pueden brindar señales de cómo las áreas son impactadas por la industria acuícola.
De esta forma, el tutorial puede beneficiar a “quienes trabajan en acuicultura, conservación, adaptación al clima y planificación del uso de la tierra pueden beneficiarse al aprender más sobre el impacto climático de los estanques de acuicultura y cómo podemos mapearlos y clasificarlos de manera confiable utilizando imágenes satelitales”.
Programa Climate Smart Shrimp
Los autores del tutorial trabajaron con Conservation International (CI) para apoyar su programa Climate Smart Shrimp (CSS), que tiene como objetivo que los estanques acuícolas sean diseñados inteligentemente para restaurar eficazmente los manglares y mitigar los riesgos ambientales.
En el tutorial los investigadores comparten algunos de los métodos que desarrollaron para rápidamente estanques de acuicultura extensiva e intensiva mediante el aprendizaje profundo. “Esta capacidad de identificar rápidamente estas áreas viables fue clave para ayudar a CI en sus esfuerzos de priorización de sitios para CSS y acelerar sus esfuerzos para implementar la acuicultura verde-gris en sitios piloto”, destacaron.
Requisitos básicos
El tutorial esta diseñado para un amplio sector de involucrados pueda emplearlo debido a que se presentan los conceptos básicos; sin embargo, los autores destacan que deben tener un conocimiento básico de Sistemas de Información Geográficos (SIG) y aprendizaje automático en procesamiento de imágenes satelitales, conceptos de visión por computadora y PyTorch o marcos de aprendizaje automático equivalentes.
Los investigadores emplearon las bases de acceso libre de imágenes de Planetscope proveídos por la Norway’s International Climate and Forest Initiative (NICFI) y la base de datos de “Aquaculture Classification” para Filipinas e Indonesia desarrollado por Thinking Machines Data Science.
Segmentación semántica para clasificar los estanques de acuicultura
La segmentación semántica es el proceso de clasificar cada pixel en una imagen, para el estudio los autores emplearon 3 clases relevantes: estanques intensivos, estanques extensivos y antecedentes (si no es un estanque intensivo ni extensivo).
Los investigadores emplearon la siguiente clasificación:
- Los estanques extensivos se caracterizan por depender de la productividad natural del cuerpo de agua y, por lo tanto, están menos densamente poblados y a menudo no tienen maquinaria presente.
- Los estanques intensivos se caracterizan por tener mayores rendimientos por unidad de área debido a inversiones de capital en tecnología como aireadores.
Metodología
Los investigadores detallan paso a paso la metodología empleada, y recomiendan dividir el código en fragmentos pequeños. utilizar celdas de texto y evitar el código duplicado mediante la modularización.
Asimismo, advierten que debido a la utilización de un modelo de segmentación semántica, el modelo no distingue entre estanques adyacentes de la misma clase, especialmente si los límites entre estanques son relativamente delgados.
Conclusión
“Demostramos cómo podemos utilizar el aprendizaje profundo con PyTorch y Lightning para detectar y clasificar estanques de acuicultura en imágenes de satélite. Esperamos que los métodos descritos aquí le sean útiles, especialmente para los esfuerzos de conservación y monitoreo ambiental”, concluyeron.
Los investigadores destacan varias oportunidades de trabajo en el futuro para aprovechar el modelo y mejorar las contribuciones:
- El modelo U-Net solo está diseñado para la segmentación semántica, que no delimita explícitamente estanques individuales.
- Se puede aplicar un enfoque similar para producir clasificaciones de acuicultura en otros países del sudeste asiático, y del mundo, donde la deforestación de manglares debido a la acuicultura sigue siendo un problema.
- Los investigadores pueden explorar series temporales de imágenes de satélite para controlar el número de estanques intensivos a lo largo del tiempo.
Referencia (acceso abierto)
Cortez J. and JC Nacpil. 2023. Aquaculture Mapping: Detecting and Classifying Aquaculture Ponds using Deep Learning. CCAI Community Authors.
