Video Experimental Relacionado
Updated: Feb 19, 2026
Reefshape: A System for the Efficient Collection and Automated Processing of Time-Series Underwater Photogrammetry Data for Benthic Habitat Monitoring
Published on: June 13, 2025
Coral-CRCA: Un algoritmo de automatización de cartas de referencia de color para la visualización y evaluación de la
Mahmoud Elmezain1, Atif Sultan1, Mobeen Ur Rehman2
1Khalifa University Center for Autonomous Robotic Systems (KUCARS), Khalifa University, Abu Dhabi, United Arab Emirates.
Este estudio presenta un sistema automatizado de IA para la evaluación del blanqueamiento de corales utilizando imágenes submarinas y cartas de colores. El algoritmo Coral-CRCA cuantifica con precisión los niveles de blanqueamiento, lo que ayuda a monitorear los ecosistemas marinos.
Área de la Ciencia:
- Biología Marina
- Monitoreo de Ecosistemas
- Inteligencia Artificial
Sus antecedentes:
- Los arrecifes de coral son ecosistemas marinos vitales amenazados por el aumento de las temperaturas y la contaminación, lo que provoca un blanqueamiento generalizado.
- Los métodos de monitoreo actuales requieren mucha mano de obra y luchan con la calidad de las imágenes submarinas.
- Los enfoques de IA existentes carecen de localización detallada y automatización completa.
Objetivo del estudio:
- Desarrollar un algoritmo totalmente automatizado para la evaluación del blanqueamiento de corales utilizando imágenes submarinas y cartas de referencia de color.
- Mejorar la precisión y eficiencia del monitoreo de la salud de los arrecifes de coral.
- Abordar las limitaciones de la anotación manual y el ruido de imagen en los métodos actuales.
Principales métodos:
- Se propuso la Automatización de Cartas de Referencia de Color de Coral (Coral-CRCA), un algoritmo de múltiples etapas.
- Se implementó la eliminación de ruido de imágenes para distorsiones submarinas.
- Se automatizó la segmentación de corales, el análisis de cartas y la evaluación del blanqueamiento a nivel de píxel utilizando la similitud de color.
Principales resultados:
- Se logró un error absoluto medio del 19,17% en la estimación del porcentaje de blanqueamiento.
- Se alcanzó una precisión de clasificación binaria del 96,12% (blanqueado/sano).
- Se demostró un rendimiento a nivel de experto en 3400 imágenes recolectadas en campo del Golfo Arábigo/Pérsico.
Conclusiones:
- El algoritmo Coral-CRCA automatiza con éxito la evaluación del blanqueamiento de corales, igualando el rendimiento de los expertos.
- Este enfoque impulsado por la IA mejora la robustez y la precisión del monitoreo de los arrecifes de coral degradados.
- El sistema desarrollado ofrece una solución escalable para evaluar la salud de los corales a nivel mundial.
