Modelado de la concentración de sedimentos en suspensión en la costa de Irlanda mediante aprendizaje automático

Área de la Ciencia:

• Ciencias Ambientales; Detección Remota; Geμορφología Costera

Sus antecedentes:

• El monitoreo de la concentración de sedimentos en suspensión (SSC) en entornos costeros dinámicos es crucial pero desafiante debido a las limitaciones de los métodos tradicionales.
• La detección remota ofrece una solución potencial para la estimación de la SSC, pero requiere calibración y puede ser específica del sitio.
• Los métodos existentes para medir la SSC son costosos, logísticamente complejos y espacialmente restringidos.

Objetivo del estudio:

• Desarrollar y validar un marco de aprendizaje automático a escala nacional para estimar la SSC utilizando imágenes de satélite.
• Evaluar el rendimiento e interpretabilidad de diferentes modelos de aprendizaje automático para la predicción de la SSC.
• Demostrar la aplicación del marco desarrollado para el análisis espacio-temporal de la SSC en un área de estudio de caso.

Principales métodos:

• Se utilizaron imágenes de satélite Landsat-8 y Sentinel-2 para la estimación de la SSC a escala nacional.
• Los modelos se calibraron utilizando 147 muestras in situ de SSC.
• Se empleó el algoritmo de aprendizaje automático XGBoost y las explicaciones aditivas SHapley para la interpretabilidad del modelo.

Principales resultados:

• El modelo XGBoost logró el mejor rendimiento con R² = 0.72 y RMSE = 17 mg/L.
• Las bandas visibles e infrarrojas, junto con las características geográficas, se identificaron como predictores clave para la estimación de la SSC.
• Un análisis espacio-temporal de 10 años en el puerto de Wexford reveló patrones estacionales y correlaciones entre eventos de alta SSC y factores meteorológicos (lluvia, viento).

Conclusiones:

• La integración de la detección remota y el aprendizaje automático proporciona un enfoque escalable, interpretable y rentable para monitorear la SSC costera.
• El marco desarrollado estima con precisión la SSC y captura su relación con la tipología costera y los factores meteorológicos.
• Este enfoque mejora nuestra capacidad para comprender los procesos costeros, la calidad del agua y la salud del ecosistema a través de un monitoreo mejorado de la SSC.