Desde la antigüedad, conocer la profundidad de las aguas costeras ha sido clave para una navegación segura y exitosa y para explotar los recursos del mar. Hoy en día, la batimetría (la medición de la profundidad del mar) es aún más importante y desempeña un papel esencial en nuestra comprensión de los entornos marinos y el desarrollo de grandes estructuras marinas.
Con el desarrollo de las ecosondas a bordo de barcos a principios del siglo XX, los estudios batimétricos experimentaron enormes avances tanto en precisión como en conveniencia. Sin embargo, incluso con las ecosondas modernas, todavía quedan muchas dificultades por superar al realizar levantamientos batimétricos. Estos incluyen costos elevados, clima impredecible, alto tráfico de barcos y posibles problemas geográficos o diplomáticos, por nombrar algunos.
Para abordar estos problemas, científicos de todo el mundo han estado desarrollando técnicas de batimetría derivada de satélites (BDS), que estiman la profundidad del agua a partir de imágenes satelitales multiespectrales. En ocasiones, estos métodos pueden producir resultados precisos, especialmente para profundidades de hasta 20 metros.
Desafortunadamente, la mayoría de los modelos SDB se desarrollaron utilizando datos de regiones costeras con aguas claras y una distribución uniforme de los sedimentos del fondo marino. Dado que la luz se refleja de manera diferente dependiendo de la turbidez del agua y la composición del fondo marino, desarrollar modelos SBD con un rendimiento constante en diferentes ambientes costeros ha resultado ser un desafío.
En este contexto, un equipo de investigación de Corea ha estado desarrollando un nuevo modelo SDB que aprovecha el aprendizaje automático para arrojar luz sobre los diversos factores que pueden comprometer la precisión, allanando así el camino hacia posibles soluciones. Su último estudio, en el que participó el Dr. Tae-ho Kim de Underwater Survey Technology 21 (UST21), se publica en el Journal of Applied Remote Sensing. .
Uno de los principales objetivos de este estudio fue analizar cómo el modelo entrenado en diferentes regiones costeras se vería afectado por las características únicas de cada región. Para ello, seleccionaron tres zonas alrededor de la península de Corea:Samcheok, caracterizada por sus aguas cristalinas; Cheonsuman, conocida por sus aguas turbias; y Hallim, donde el fondo marino contiene varios tipos de sedimentos.
El equipo obtuvo datos satelitales multiespectrales de estas regiones de las misiones Sentinel-2A/B, proporcionados abiertamente por la Agencia Espacial Europea, y seleccionó múltiples imágenes de estas áreas en diferentes momentos con cielos despejados. Para entrenar el modelo SDB con estos datos, también adquirieron cartas náuticas derivadas de ecosonda de la Agencia Hidrográfica y Oceanográfica de Corea (KHOA); Estos gráficos se utilizaron como datos reales.
El modelo SDB en sí se basó en un marco teórico bien establecido que vincula cómo la luz proveniente del sol es reflejada por la atmósfera, el mar y el fondo marino antes de llegar a un satélite. En cuanto a la parte del modelo de aprendizaje automático, el equipo empleó un algoritmo de bosque aleatorio debido a su capacidad para ajustarse a múltiples variables y parámetros mientras maneja grandes cantidades de datos.
Tras entrenar y probar instancias específicas de la región del modelo SDB, los investigadores descubrieron que la precisión era generalmente aceptable para Samcheok, con un error cuadrático medio de aproximadamente 2,6 metros. Por el contrario, la precisión fue notablemente menor tanto para Cheonsuman como para Hallim, y las predicciones de profundidad basadas en satélites se desviaron significativamente de las mediciones de KHOA.
Para comprender mejor estas discrepancias, los investigadores primero intentaron corregir las predicciones incluyendo un índice de turbidez en los cálculos. Esto mejoró los resultados principalmente para Cheonsuman. Luego, para investigar más a fondo las fuentes del error, el equipo adquirió imágenes satelitales de alta resolución de la misión WorldView-3, así como fotografías del sitio. Los análisis revelaron que las características de reflectancia de los sedimentos del fondo marino tuvieron un gran impacto en las estimaciones de profundidad, y el basalto de color oscuro condujo a una sobreestimación constante.
"Si incorporamos datos espaciales adicionales del fondo marino al conjunto de datos de entrenamiento en el futuro, anticipamos mejoras en el rendimiento del modelo", dijo el Dr. Kim. "Está previsto que el proyecto de I+D proporcione un mapa de distribución de sedimentos, creado a partir de imágenes hiperespectrales en el aire".
Finalmente, los investigadores probaron la capacidad de generalización de su enfoque aplicando modelos SDB específicos de la región en otras áreas costeras con características similares.
"A diferencia de estudios anteriores que presentaban resultados de modelos SDB solo para aguas con alta transparencia, desarrollamos modelos SDB individuales que se pueden aplicar a aguas con diversas características y sugerimos métodos para obtener mejores resultados", afirmó el Dr. Kim.
Con un poco de suerte, estos esfuerzos conducirán a mejoras en la tecnología SDB y allanarán el camino para un mapeo de profundidad costero más conveniente.
Satisfecho con los resultados, el Dr. Kim concluye:"En última instancia, los resultados de SDB se aplicarán como datos de monitoreo de profundidad para facilitar el paso seguro de los barcos en áreas costeras, así como datos de entrada para modelos numéricos oceánicos, contribuyendo a varios campos científicos". P>
Más información: Jae-yeop Kwon et al, Estimación de batimetría poco profunda utilizando datos del satélite Sentinel-2 y aprendizaje automático de bosques aleatorios:un estudio de caso para los mares costeros de Cheonsuman, Hallim y Samcheok, Journal of Applied Remote Sensing (2024). DOI:10.1117/1.JRS.18.014522
Proporcionado por SPIE
