INTELIGENCIA ARTIFICIAL PARA EL MONITOREO AMBIENTAL: IDENTIFICACIÓN Y CONTEO AUTOMATIZADOS DE LA MACROFAUNA BENTÓNICA UTILIZANDO REDES NEURONALES CONVOLUCIONALES
DOI:
https://doi.org/10.56238/revgeov17n6-099Palabras clave:
Bioindicadores Ambientales, Redes Neuronales Convolucionales (CNNs), Toma de Decisiones, Cambio ClimáticoResumen
La macrofauna bentónica; incluyendo moluscos, crustáceos y poliquetos; desempeña un papel crucial en la regulación de los ciclos biogeoquímicos, la estabilización de los sedimentos y el mantenimiento de la resiliencia de los ecosistemas acuáticos. Debido a su alta sensibilidad a las perturbaciones ambientales, estos organismos se utilizan ampliamente como bioindicadores en el monitoreo ecológico y las evaluaciones de impacto. Sin embargo, su identificación y recuento tradicionales dependen de procedimientos manuales e intensivos en mano de obra que requieren conocimientos taxonómicos y son susceptibles a la subjetividad y al error humano. Para superar estas limitaciones, este estudio presenta un sistema robusto y totalmente automatizado basado en Redes Neuronales Convolucionales (CNNs) para la detección y cuantificación de la macrofauna bentónica a partir de imágenes de microscopía digital. El flujo de trabajo propuesto abarca la adquisición estandarizada de imágenes, la anotación taxonómica, el preprocesamiento avanzado, el aumento de datos y el entrenamiento supervisado de modelos de aprendizaje profundo implementado en Python. La evaluación del sistema reveló un F1-score medio de 0,93, un mAP50 de 0,939 y tiempos de inferencia inferiores a 10 milisegundos por imagen, manteniendo valores estables de precisión, recall y mAP de validación durante todo el entrenamiento. Además, las métricas de precisión y recall se mantuvieron consistentemente altas en diversos taxones, y la precisión media (mAP50 y mAP50–95) mejoró de manera constante durante el entrenamiento. Estos resultados confirman la alta capacidad de generalización y la eficiencia computacional del sistema, permitiendo la generación de datos ecológicos rápidos, fiables y reproducibles. Más allá del rendimiento técnico, la solución apoya evaluaciones escalables de la biodiversidad, la toma de decisiones ambientales estratégicas y la optimización de los esfuerzos de conservación, especialmente frente al cambio climático. Esta integración de la inteligencia artificial con la ecología bentónica representa un avance significativo en el monitoreo ambiental digital, ofreciendo una alternativa económica, eficiente en tiempo y científicamente rigurosa a los métodos analíticos convencionales.
Descargas
Referencias
Avelino, D.F.G., Silva, A.M.C., Avelino, P.G., Sá, M.M.S., Soares, A.X., 2023. Macroinvertebrados bentônicos como bioindicadores da qualidade ambiental dos recifes de arenito da praia de Porto de Galinhas (Pernambuco). Revista Brasileira de Meio Ambiente 11(1), 182–201.
Barbier, E.B., Hacker, S.D., Kennedy, C., Koch, E.W., Stier, A.C., Silliman, B.R., 2011. The value of estuarine and coastal ecosystem services. Ecological Monographs 81(2), 169–193. https://doi.org/10.1890/10-1510.1.
Borja, A., Dauer, D.M., Grémare, A., Elliott, M., 2010. The importance of setting targets and reference conditions in assessing marine ecosystem quality. Ecological Indicators 10(1), 1–9. https://doi.org/10.1016/j.ecolind.2009.07.008.
Bradshaw, C., Iburg, S., Morys, C., Sköld, M., Pusceddu, A., Ennas, C., Jonsson, P., Nascimento, F.J.A., 2024. Effects of bottom trawling and environmental factors on benthic bacteria, meiofauna and macrofauna communities and benthic ecosystem processes. Science of the Total Environment 921, 171076.
Duarte, C.M., Hendriks, I.E., Moore, T.S., Olsen, Y.S., Steckbauer, A., Ramajo, L., Carstensen, J., Trotter, J.A., McCulloch, M., 2013. Impact of ocean acidification on the structure and function of benthic ecosystems. Biogeosciences 10, 2761–2774. https://doi.org/10.5194/bg-10-2761-2013.
Ferreira, B., Carvalho, R., Silva, E., 2022. Deep learning for coral reef classification: A survey. Ecological Informatics 70, 101703.
Ghimire, D., Lee, J., 2021. Deep learning-based aquatic organism classification: A review. Aquaculture Reports 19, 100568. https://doi.org/10.1016/j.aqrep.2021.100568.
Hale, R., Bigham, K.T., Rowden, A.A., Halliday, J., Nodder, S.D., Orpin, A.R., Frontin-Rollet, G., Maier, K.L., Mountjoy, J.J., Pinkerton, M.H., 2024. Bioturbation and faunal-mediated ecosystem functioning in a deep-sea benthic community recovering from a severe seabed disturbance. Deep-Sea Research Part I 204, 104235.
Han, C., Xu, Z., Liu, X., 2021. Characteristics of macrofaunal assemblages and their relationships with environmental factors in a semi-enclosed bay. Marine Pollution Bulletin 167, 112348. https://doi.org/10.1016/j.marpolbul.2021.112348.
Howard, J., Sutton-Grier, A., Herr, D., Kleypas, J., McLeod, E., Pidgeon, E., Simpson, S., 2017. Coastal blue carbon: methods for assessing carbon stocks and emissions factors in mangroves, tidal salt marshes, and seagrass meadows. Conservation International, Arlington, VA.
Intergovernmental Panel on Climate Change (IPCC), 2023. Climate Change 2023: Synthesis Report. Contribution of Working Groups I, II and III to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. Geneva. Available at: https://www.ipcc.ch/report/sixth-assessment-report-synthesis-report.
Krizhevsky, A., Sutskever, I., Hinton, G.E., 2012. ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems 25, 1097–1105.
Kuhlmann, M.L., 2022. Revisão dos índices da comunidade de macroinvertebrados bentônicos aplicados aos rios e reservatórios do estado de São Paulo. CETESB, São Paulo.
LeCun, Y., Bengio, Y., Hinton, G., 2015. Deep learning. Nature 521(7553), 436–444.
Li, P., Liu, J., Bai, J., Tong, Y., Meng, Y., Diao, X., Pan, K., Zhu, X., Lin, G., 2022. Community structure of benthic macrofauna and the ecological quality of mangrove wetlands in Hainan, China. Frontiers in Marine Science 9, 861718. https://doi.org/10.3389/fmars.2022.861718.
McLeod, E., Chmura, G.L., Bouillon, S., Salm, R., Björk, M., Duarte, C.M., Lovelock, C.E., Schlesinger, W.H., Silliman, B.R., 2011. A blueprint for blue carbon: toward an improved understanding of the role of vegetated coastal habitats in sequestering CO₂. Frontiers in Ecology and the Environment 9(10), 552–560. https://doi.org/10.1890/110004.
Mizuno, K., Terayama, K., Ishida, S., Godbold, J.A., Solan, M., 2024. Combining three-dimensional acoustic coring and a convolutional neural network to quantify species contributions to benthic ecosystems. Royal Society Open Science 11, 240042.
Moura, R.B., Dalto, A.G., Salloranzo, I.A., Moreira, D.L., Lavrado, H.P., 2023. Community structure of the benthic macrofauna along the continental slope of Santos Basin and São Paulo Plateau, SW Atlantic. Ocean and Coastal Research 71, e23032.
Neves, R.A.F., Valentin, J.L., 2011. Revisão bibliográfica sobre macrofauna bentônica de fundos não-consolidados em áreas costeiras prioritárias para conservação no Brasil. Arquivos de Ciências do Mar 44(3), 59–80. https://doi.org/10.32360/acmar.v44i3.153.
Pardo, J.C.F., Poste, A.E., Frigstad, H., Quintana, C.O., Trannum, H.C., 2023. The interplay between terrestrial organic matter and benthic macrofauna: framework, synthesis, and perspectives. Ecosphere 14, e4508. https://doi.org/10.1002/ecs2.4508.
Sousa, L.K.S., Cutrim, M.V.J., Nogueira Júnior, M., Oliveira, V.M., 2023. Does dredging activity exert an influence on benthic macrofauna in tropical estuaries? Case study on the northern coast of Brazil. Iheringia, Série Zoologia 113, e2023009.
Sun, X., Dong, J., Hu, C., Zhang, Y., Chen, Y., Zhang, X., 2021. Use of macrofaunal assemblage indices and biological trait analysis to assess the ecological impacts of coastal bivalve aquaculture. Ecological Indicators 127, 107713. https://doi.org/10.1016/j.ecolind.2021.107713.
United Nations Environment Programme (UNEP), 2021. Making Peace with Nature: A Scientific Blueprint to Tackle the Climate, Biodiversity and Pollution Emergencies. Nairobi. Available at: https://www.unep.org/resources/making-peace-nature.
Villon, S., Mouillot, D., Chaumont, M., Claverie, T., Villéger, S., 2018. Automatic underwater fish species classification with limited data using few-shot learning. Ecological Informatics 48, 26–34. https://doi.org/10.1016/j.ecoinf.2018.07.006.
Xu, M., Wang, J., Li, F., Chen, X., 2020. Automatic underwater image classification using deep convolutional neural networks. Pattern Recognition Letters 130, 259–265. https://doi.org/10.1016/j.patrec.2019.12.003.
Zhang, S., Qiao, H., Li, H., 2019. Plankton image classification using deep convolutional neural networks. Neurocomputing 335, 215–223.
Zhu, Z., Wood, C.M., Zhang, Y., Ma, Z., Wu, J., Wang, C., Jiang, Z., Yu, H., 2021. Deep learning for ecological monitoring in marine environments: A review. Ecological Informatics 61, 101240. https://doi.org/10.1016/j.ecoinf.2021.101240.
