La acuicultura marina ha experimentado un crecimiento explosivo en China, y en otros lugares del mundo, durante las últimas décadas, convirtiéndose en un pilar económico crucial. Sin embargo, esta expansión rápida e incontrolada ha generado graves problemas ambientales, como la contaminación del agua, la pérdida de biodiversidad y la obstrucción de las vías marítimas.
Para garantizar la sostenibilidad de esta industria y proteger nuestros ecosistemas costeros, es imperativo implementar un sistema de monitoreo efectivo y preciso de las áreas de cultivo marino. Un monitoreo preciso de estas áreas es crucial para garantizar su sostenibilidad y proteger los recursos marinos.
Los investigadores del South China Sea Institute of Planning and Environment Research, el Key Laboratory of Marine Environmental Survey Technology and Application, el Technology Innovation Center for South China Sea Remote Sensing, Surveying and Mapping Collaborative Application y la Henan University of Urban Construction evaluaron la capacidad de dos modelos YOLO conocidos, YOLOv5 y YOLOv7, para detectar áreas de acuicultura en alta mar basándose en diferentes imágenes de teledetección óptica de alta resolución.
La Revolución de la Detección Remota
Tradicionalmente, el monitoreo de la acuicultura marina se basaba en la interpretación visual de imágenes satelitales, un proceso laborioso y dependiente de la experiencia humana. Sin embargo, el enorme volumen de datos generados anualmente ha superado la capacidad de análisis manual. Aquí es donde la inteligencia artificial entra en juego.
Técnicas de aprendizaje automático como las máquinas de soporte vectorial, los árboles de decisión y los bosques aleatorios se han aplicado con cierto éxito, pero requieren un profundo conocimiento del dominio para definir las características relevantes de las imágenes.
La Solución: Inteligencia Artificial al Rescate
El aprendizaje profundo ha revolucionado el campo de la visión por computadora, ofreciendo una alternativa prometedora al aprendizaje automático tradicional. Al eliminar la necesidad de definir manualmente características, los modelos de aprendizaje profundo pueden extraer automáticamente información relevante de las imágenes.
Modelos como DeepLab-v3+, U-Net y redes neuronales convolucionales han demostrado su eficacia en la detección de áreas de acuicultura marina. Incluso se han desarrollado modelos especializados como LFCSDN, que han alcanzado resultados sobresalientes.
Sin embargo, una tecnología que ha mostrado particular promesa es el algoritmo YOLO (You Only Look Once). Originalmente diseñado para detección de objetos en imágenes generales, YOLO ha sido adaptado con éxito para identificar diversos objetos marinos, como barcos.
Este estudio se centra en la aplicación de los modelos YOLOv5 y YOLOv7, reconocidos por su rapidez y precisión, para identificar áreas de acuicultura offshore utilizando imágenes satelitales de alta resolución.
YOLOv5 vs. YOLOv7: Un Desempeño Excepcional
Los resultados obtenidos fueron sorprendentes. YOLOv5 superó a YOLOv7 en todos los indicadores de rendimiento, incluyendo precisión, exhaustividad, media de precisión media (mAP) y puntuación F1. Esto sugiere que YOLOv5 podría ser la opción preferida para aplicaciones de monitoreo de acuicultura offshore basadas en imágenes satelitales.
El Factor Resolución: Una Doble Cuchilla
Uno de los aspectos más innovadores de este estudio fue la exploración del uso de métodos de super-resolución (SR) para mejorar la resolución espacial de las imágenes satelitales y evaluar si esto influía en la precisión de los modelos YOLO. Se utilizó el método Real-ESRGAN para aumentar la claridad y resolución de las imágenes antes de aplicar los modelos de detección.
Sorprendentemente, los resultados indicaron que, a pesar de mejorar la claridad de las imágenes, los métodos de SR tuvieron un efecto negativo en el rendimiento de los modelos YOLO para la detección de áreas de acuicultura marina. Este hallazgo sugiere que la mejora de la resolución de las imágenes no siempre resulta en un mejor desempeño de los modelos de aprendizaje profundo, al menos en el contexto de la detección de objetos en entornos marinos.
Conclusiones e Implicaciones
El estudio demuestra el potencial de los modelos YOLO para revolucionar el monitoreo de la acuicultura offshore. YOLOv5, en particular, se destaca como una herramienta precisa y eficiente para identificar estas áreas en imágenes satelitales. Sin embargo, es esencial tener en cuenta los efectos no deseados de las técnicas de superresolución en el rendimiento de los modelos.
Este trabajo representa un paso significativo hacia una gestión más sostenible de la acuicultura marina. Al proporcionar una metodología confiable para monitorear estas áreas, se pueden desarrollar estrategias efectivas para mitigar los impactos ambientales y garantizar la salud de los ecosistemas costeros.
El estudio ha sido financiado por el Director’s Foundation of South China Sea Bureau of Ministry of Natural Resources; el Marine Economy Special Project of the Guangdong Province. El APC fue financiado por el Science and Technology Project of Guangdong Forestry Administration (2024): Monitoring and Ecological Value Assessment of Coastal Wetland Resources in the Guangdong Province.
Referencia (acceso abierto)
Dong, D., Shi, Q., Hao, P., Huang, H., Yang, J., Guo, B., & Gao, Q. (2024). Intelligent Detection of Marine Offshore Aquaculture with High-Resolution Optical Remote Sensing Images. Journal of Marine Science and Engineering, 12(6), 1012. https://doi.org/10.3390/jmse12061012
