El monitoreo y gestión de granjas marinas es importante en la industria de la acuicultura y la conservación de ecosistemas costeros. Las imágenes satelitales permiten una observación continua y detallada de estas áreas, lo cual es crucial para optimizar la producción y minimizar el impacto ambiental. En este campo, el uso de redes neuronales convolucionales (CNNs) permite identificar automáticamente las granjas marinas a partir de imágenes satelitales de media resolución óptica, ideales para captar zonas amplias con suficiente detalle.
Imágenes ópticas de media resolución
Las imágenes satelitales de media resolución, como las de Sentinel-2, con 10 metros por píxel, son una herramienta idónea para identificar estructuras en áreas marítimas. Gracias a su cobertura multiespectral, las imágenes de Sentinel-2 capturan tanto el espectro visible como bandas infrarrojas, lo cual permite diferenciar elementos en el agua según sus características de reflectancia. Este tipo de imágenes facilita la detección de jaulas, redes y otras estructuras de las granjas marinas, destacándolas del fondo marino y otros elementos naturales. Al cubrir amplias áreas geográficas, las imágenes de Sentinel-2 proporcionan una visión clara y actualizada de las zonas de interés, lo cual facilita el monitoreo del desarrollo y la expansión de las granjas.
Segmentación automática mediante CNNs
Para automatizar la detección de granjas marinas, SEDA incorpora modelos de segmentación basados en redes neuronales convolucionales. Las CNNs tienen la capacidad de analizar grandes volúmenes de datos satelitales, aprendiendo patrones visuales complejos, como la forma, color y textura de las granjas. Esto permite identificar zonas específicas de acuicultura y diferenciarlas de elementos naturales o artificiales del entorno, tales como embarcaciones, algas o formaciones de agua calma que puedan causar confusión.
Las CNNs utilizadas en SEDA han sido entrenadas con un conjunto de datos robusto que incluye diversas configuraciones de granjas marinas, bajo diferentes condiciones ambientales y estaciones del año, lo cual aumenta su precisión en la detección.
Resultados y visualización en SEDA
Una vez que el modelo ha procesado las imágenes, los resultados son visualizados en el Sistema de Información Geográfica (GIS) de SEDA, donde las áreas detectadas como granjas marinas se destacan mediante polígonos de segmentación . Esta visualización permite a los operadores revisar las detecciones, ajustar capas informativas y realizar comparativas con imágenes de fechas anteriores para analizar la expansión o cambios en las granjas.
Los resultados se pueden exportar en diversos formatos, incluyendo presentaciones en PowerPoint con capturas y datos relevantes de las granjas, superponibles en formato KML para visualización en plataformas geoespaciales, y archivos shapefile y geoJSON para su integración en otros sistemas. Además, se ofrecen informes estandarizados para el entorno OTAN, incluyendo los formatos ISRSPOTREP y RECCEXREP, que permiten la interoperabilidad con sistemas de defensa y seguridad.
Aplicaciones
Esta capacidad para detectar y monitorear granjas marinas tiene aplicaciones significativas en la regulación y manejo de la acuicultura. Las agencias ambientales pueden emplear esta tecnología para controlar el impacto de las granjas en el entorno costero, mientras que las empresas acuícolas pueden optimizar la expansión de sus instalaciones y realizar un seguimiento del estado de las jaulas y redes en tiempo real o casi real.
En el ámbito de la gestión y conservación de los recursos marinos, la detección automática de granjas marinas permite evaluar la sostenibilidad y la viabilidad de nuevas instalaciones, así como planificar estrategias de mitigación ambiental.
ES 
EN