Descripción
La protección y restauración de hábitats vulnerables como los arrecifes de coral de aguas frías o bosques de gorgonias son cruciales desde una perspectiva medioambiental, pero también por la sostenibilidad de algunas especies de interés comercial pesquero dependen de ellas. De hecho, muchas áreas protegidas son consideradas Hábitats Esenciales de Peces (Essential Fish Habitats –EFH-, en inglés), fundamentales como áreas de reclutamiento o desove. Las medidas de gestión de estas áreas y de las Áreas Marinas Protegidas pueden ayudar a mantener pesquerías productivas y el buen estado de salud ambiental del océano. Hoy en día, el análisis visual por un experto bentólogo es el único método empleado para identificar imágenes y esto lo convierte en el cuello de botella en estos estudios. Tanto que hoy en día se está recopilando una cantidad ingente de imágenes con estos vehículos que no puede ser transformada en información útil para la gestión y toma de decisiones.
En este sentido, el proyecto DEEP-RAMP obtendrá información a través de sensores ópticos (cámaras) integrados en vehículos submarinos de control remoto y testeará e implementará algoritmos para la identificación automática, mejorando las tareas de identificación de especies estructurantes para inventario y cartografía de hábitats bentónicos vulnerables de fondos rocosos profundos de áreas Red Natura 2000 marinas. Las especies objetivo se encontrarán dentro de organismos sésiles (corales, gorgonias, esponjas de profundidad), equinodermos o similares. Asimismo, se desarrollarán algoritmos de deep learning para clasificación automática de especies en imágenes submarinas.
Se difundirán los resultados obtenidos sobre el desarrollo de la metodología, resultados e implicación del proyecto y la optimización de la gestión sobre las áreas protegidas.
General:
La propuesta Deep-RAMP – Deep-learning para mejorar la gestión de la Red de Áreas Marinas Protegidas de la Demarcación Noratlántica pretende cubrir las necesidades de automatización en la identificación e inventario de las especies estructurantes de los hábitats bentónicos vulnerables de la Red Natura 2000 Marina, y permitirá el seguimiento de los efectos que las medidas de gestión de estas zonas puedan provocar sobre los hábitats bentónicos de especial vulnerabilidad.
Específicos:
1. Avanzar en el desarrollo tecnológico que posibilite la monitorización de fondos mediante técnicas de análisis de imagen basado en algoritmos de inteligencia artificial.
2. Automatización en la identificación e inventario de las especies estructurantes de los hábitats bentónicos vulnerables de la Red Natura 2000.
3. Mejorar el seguimiento de zonas RN2000 marina, automatizando el análisis de información para evaluar los efectos que las medidas de gestión de estas zonas puedan provocar sobre los hábitats bentónicos de especial vulnerabilidad.
A0 Tareas de coordinación y seguimiento del proyecto
A1. Selección de especies objetivo
A2. Recopilación de datos de todas las zonas
2.1. Recopilación de imágenes e información – El Cachucho
2.2. Recopilación de imágenes e información – Avilés
A3. Test de algoritmos
A4. Entrenamiento de la red neuronal o algoritmo Deep-learning
4.1. Colección de capturas de las especies objetivo
4.2. Entrenamiento de la red neuronal
A5. Implementación de Sistema personalizado para RN2000 Marina
A6. Validación de resultados
A7. Actividades de divulgación
7.1. Difusión en prensa y jornada de divulgación de resultados
7.2. Publicaciones científicas en congresos especializados
7.3. Divulgación científica hacia la sociedad y público en general
Durante el desarrollo del proyecto se ha obtenido una serie de algoritmos que permiten el análisis automático de imágenes de fondos profundos en zonas Red Natura 2000. Estas herramientas, basadas en algoritmos de inteligencia artificial o aprendizaje profundo, consiguen marcar de forma automática y en tiempo muy reducido especies estructurantes, especies a proteger mediante figuras dentro del marco de Red Natura.
El proyecto supone un primer paso la implementación de redes y algoritmos testados en campañas oceanográficas, lo cual puede optimizar esfuerzos, permitiendo la identificación y clasificación de especies bentónicas de interés y que puedan usarse como bioindicadoras, contribuyendo al estudio de los sistemas bentónicos que componen la RED NATURA 2000, aspecto clave para gestionar las Áreas Marinas Protegidas.
Para la ejecución del proyecto se seleccionaron especies estructurantes de hábitats vulnerables sobre la zona del Sistema de Cañones Submarinos de Avilés, considerando aquellas especies que, por su tamaño o características morfológicas, permiten su identificación, basándose exclusivamente en imágenes:
En la zona de arrecife de coral de aguas frías del Sistema de Cañones Submarinos de Avilés se han seleccionado las siguientes especies estructurantes:
Asimismo, se recopiló información de campañas oceanográficas previas y se seleccionaron fotografías e frames de vídeo para la aplicación y validación de los algoritmos de análisis de imagen desarrollados. Los datos utilizados proceden de campañas oceanográficas llevadas a cabo en el marco del proyecto LIFE-IP-INTEMARES “Gestión integrada, innovadora y participativa de la Red Natura 2000 en el medio marino español”. Del mismo modo, todas las imágenes empleadas han sido adquiridas mediante la operación del vehículo submarino remolcado operado de forma remota (ROTV Politolana), empleando la cámara de video y diferentes cámaras fotográficas embarcadas. Los datos auxiliares, como el posicionamiento preciso de las imágenes, se han obtenido de la misma manera, con el sistema del ROTV, y el sistema de posicionamiento acústico para vehículos submarinos que llevan los buques.
De este modo, durante el desarrollo del proyecto, se entrenó y testeo a los algoritmos o redes neuronales seleccionadas para el reconocimiento automático. Para ello, se utilizaron las imágenes etiquetadas por parte de un experto de forma manual y la determinación de los pesos que actuaran en las diferentes capas de detección. En la validación de resultados de la zona de circalitoral rocoso, se tuvo en cuenta la precisión del modelo (clasificación correcta a nivel de especie entre todos los objetos de la red), el recall (nivel de detección de ejemplares dentro de una especie) y el F1- score (indicador que reúne en un solo número ambos parámetros de calidad). Estas métricas fueron validadas frente a uno de los transectos de mayor abundancia en especies (transecto IA418_TF_23), el cual consta de 188 imágenes. El umbral óptimo se fijó en 0,75 para las métricas, obteniéndose para las especies de los géneros Phakellias, Dendrophyllias y Artemsinas una media de F1-score de 0,75, un recall medio de 0,72 y una precisión de 0,78.
En la zona de arrecifes de aguas frías, se tuvo en cuenta el valor de precisión del modelo, valorando si el píxel había sido etiquetado correctamente, previo barrido de la imagen completa, comparándolo con el etiquetado realizado por el experto. Las métricas fueron validadas frente un set de 11 imágenes de alta resolución, previamente etiquetadas por un experto, así como frente a una serie de frames extraídos de un vídeo-transecto. Se obtuvo una precisión para el set de las imágenes de 89,4% y de 88,9% para el vídeo.
El proyecto incluyó actividades de difusión, con presencia en congresos internacionales y revistas científicas para dar a conocer los avances realizados.
DEEP-RAMP – Deep-learning para mejorar la gestión de la Red de Áreas Marinas Protegidas de la Demarcación Noratlántica.
volver al buscador