Aplicación de métodos de aprendizaje profundo para la imputación de niveles de concentración de clorofila-a en la Costa Pacífica colombiana

Abstract

El sector pesquero en Colombia, que aporta el 0.3 % del Producto Interno Bruto (PIB) y genera exportaciones por USD 45.1 millones (equivalente al 3.3 % del PIB agropecuario), enfrenta desafíos significativos debido a la falta de precisión en la medición de la clorofila-a, un indicador crucial de la salud de los ecosistemas marinos. El uso de imágenes satelitales, particularmente aquellas obtenidas por el sensor MODIS, es esencial para obtener datos precisos. Sin embargo, la alta cobertura nubosa, común en la geografía colombiana, afecta la calidad y la disponibilidad de estas imágenes durante gran parte del año, creando lagunas en los datos críticos para la evaluación del estado de los ecosistemas marinos. Este trabajo propone un algoritmo de aprendizaje profundo basado en series temporales para la predicción de valores perdidos de clorofila-a. La metodología presentada supera las limitaciones impuestas por la cobertura nubosa, alcanzando una precisión R2 superior a 0.8 en uno de los modelos. En este contexto específico, la implementación y la evaluación de diversos modelos de aprendizaje profundo han demostrado ser alternativas efectivas para proporcionar una evaluación más precisa y continua de las áreas pesqueras. Esto ofrece información valiosa para mejorar la gestión y sostenibilidad del sector pesquero en Colombia al añadir un componente temporal a la predicción de valores de clorofila-a. Esto, mediante datos de hasta tres meses previos a la característica objetivo.

The fishing sector in Colombia, which contributes 0.3% of the Gross Domestic Product (GDP) and generates USD 45.1 million in exports (equivalent to 3.3% of the agricultural GDP), faces significant challenges due to the lack of precision in measuring chlorophyll-a, a crucial indicator of marine ecosystem health. The use of satellite images, particularly those obtained by the MODIS sensor, is essential for obtaining accurate data. However, the high cloud cover, which is common in Colombian geography, affects the quality and availability of these images for much of the year, creating gaps in critical data for assessing the state of marine ecosystems. This work proposes a deep learning algorithm based on time series for predicting missing chlorophyll-a values. The presented methodology overcomes the limitations imposed by cloud cover, achieving an R2 accuracy above 0.8 in one of the models. In this specific context, the implementation and evaluation of various deep learning models have proven to be effective alternatives in providing a more accurate and continuous assessment of fishing areas. This offers valuable information to improve the management and sustainability of the fishing sector in Colombia by adding a temporal component to the prediction of chlorophyll-a values, using data from up to three months prior to the target feature

O setor pesqueiro na Colômbia, que contribui com 0,3% do Produto Interno Bruto (PIB) e gera exportações de USD 45,1 milhões (equivalente a 3,3% do PIB agropecuário), enfrenta desafios significativos devido à falta de precisão na medição da clorofila-a, um indicador crucial da saúde dos ecossistemas marinhos. O uso de imagens de satélite, particularmente aquelas obtidas pelo sensor MODIS, é essencial para a obtenção de dados precisos. No entanto, a alta cobertura de nuvens, comum na geografia colombiana, afeta a qualidade e a disponibilidade dessas imagens durante grande parte do ano, criando lacunas nos dados críticos para a avaliação do estado dos ecossistemas marinhos. Este trabalho propõe um algoritmo de aprendizado profundo baseado em séries temporais para a predição de valores ausentes de clorofila-a. A metodologia apresentada supera as limitações impostas pela cobertura de nuvens, atingindo uma precisão R² superior a 0,8 em um dos modelos. Nesse contexto específico, a implementação e a avaliação de diversos modelos de aprendizado profundo demonstraram ser alternativas eficazes para proporcionar uma avaliação mais precisa e contínua das áreas de pesca. Isso oferece informações valiosas para melhorar a gestão e a sustentabilidade do setor pesqueiro na Colômbia, ao adicionar um componente temporal à predição dos valores de clorofila-a, utilizando dados de até três meses anteriores à característica-alvo