Mapeo de alta resolución asistido por aprendizaje profundo de densidades de Dendrophyllia cornigera (Lamarck, 1816) y Phakellia ventilabrum (Linnaeus, 1767) en el Sistema de Cañones de Avilés y Capbreton, Golfo de Vizcaya
En España, el hábitat 1170 Arrecifes está ampliamente distribuido, desde la línea de costa hasta los fondos profundos. Entre su variedad de tipologías, este trabajo se ha centrado en los afloramientos rocosos de la plataforma circalitoral del mar Cantábrico, donde una de las principales comunidades...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2024 |
| País: | España |
| Institución: | Universidad de La Laguna (ULL) |
| Repositorio: | RIULL. Repositorio Institucional de la Universidad de La Laguna |
| OAI Identifier: | oai:riull.ull.es:915/36834 |
| Acceso en línea: | http://riull.ull.es/xmlui/handle/915/36834 |
| Access Level: | acceso abierto |
| Palabra clave: | Inteligencia artificial, Ecosistema marino vulnerable, Flujo de trabajo continuo, Modelo de detección de objetos, Red Natura 2000 Artificial intelligence, Vulnerable marine ecosystem, Pipeline, Object detection model, Natura 2000 Network |
| Sumario: | En España, el hábitat 1170 Arrecifes está ampliamente distribuido, desde la línea de costa hasta los fondos profundos. Entre su variedad de tipologías, este trabajo se ha centrado en los afloramientos rocosos de la plataforma circalitoral del mar Cantábrico, donde una de las principales comunidades está estructurada por el coral amarillo Dendrophyllia cornigera y la esponja de copa Phakellia ventilabrum . El objetivo principal de este estudio es establecer un flujo de trabajo continuo basado en modelos de aprendizaje profundo para extraer datos de densidad de especies a partir de imágenes en bruto obtenidas por un ROV. Para lograrlo, se evaluaron y compararon diferentes modelos de detección de objetos, como YOLOv7, YOLOv8 y Faster R-CNN, en plataforma continental aledaña a dos Sistemas de Cañones Submarinos (SCS). Los modelos fueron entrenados y validados en imágenes del SCS de Avilés. Posteriormente, se validaron los modelos previamente entrenados en imágenes del SCS de Capbreton, con el objetivo de determinar si los modelos eran capaces de detectar las especies en un ambiente diferente al que fueron entrenados. Los resultados destacan que YOLOv8 sobresalió en precisión, recuperación y F1, obteniendo una precisión del 92.4% en el SCS Avilés. En el SCS Capbreton, el modelo también supo generalizar de manera efectiva ambas especies. Con el modelo YOLOv8 previamente entrenado, se generaron 27.668 anotaciones automáticas. Las anotaciones permitieron calcular una densidad media de 1,07 y 3,82 individuos/m² de P. ventilabrum y D. cornigera, respectivamente , en las dos zonas de estudio con un área barrida de 5647,48 m². Estos resultados resaltan el potencial del aprendizaje profundo para mejorar la eficiencia y precisión en el seguimiento de ecosistemas marinos vulnerables, permitiendo tomar decisiones informadas que puedan tener un impacto positivo en la conservación del medio marino. |
|---|