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.

Keywords

• Chlorophyll-a
• aprendizaje profundo
• cobertura nubosa
• MODIS
• predicción de valores perdidos
• sector pesquero