DOI:

https://doi.org/10.14483/23448350.22614

Published:

08/30/2024

Issue:

Vol. 50 No. 2 (2024): May-August 2024

Section:

Research Articles

Aplicación de métodos de aprendizaje profundo para la imputación de niveles de concentración de clorofila-a en la Costa Pacífica colombiana

Applying Deep Learning Methods for the Imputation of Chlorophyll-a Concentration Levels in the Colombian Pacific Coast

Authors

Keywords:

Chlorophyll-a, aprendizaje profundo, cobertura nubosa, MODIS, predicción de valores perdidos, sector pesquero, series temporales (es).

Keywords:

chlorophyll-a, cloud cover, deep learning, fishing sector, missing value prediction, MODIS, time series (en).

Abstract (es)

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.

Abstract (en)

The fishing sector in Colombia, which contributes 0.3% of the Gross Domestic Product (GDP) and generates USD 45.1 million in exports (equivalent to 3.3% of the agricultural GDP), faces significant challenges due to the lack of precision in measuring chlorophyll-a, a crucial indicator of marine ecosystem health. The use of satellite images, particularly those obtained by the MODIS sensor, is essential for obtaining accurate data. However, the high cloud cover, which is common in Colombian geography, affects the quality and availability of these images for much of the year, creating gaps in critical data for assessing the state of marine ecosystems. This work proposes a deep learning algorithm based on time series for predicting missing chlorophyll-a values. The presented methodology overcomes the limitations imposed by cloud cover, achieving an R2 accuracy above 0.8 in one of the models. In this specific context, the implementation and evaluation of various deep learning models have proven to be effective alternatives in providing a more accurate and continuous assessment of fishing areas. This offers valuable information to improve the management and sustainability of the fishing sector in Colombia by adding a temporal component to the prediction of chlorophyll-a values, using data from up to three months prior to the target feature.

References

Abbas, M. M., Melesse, A. M., Scinto, L. J., Rehage, J. S. (2019). Satellite estimation of chlorophyll-a using moderate resolution imaging spectroradiometer (MODIS) sensor in shallow coastal water bodies: Validation and improvement. Water, 11(8), 1621. https://doi.org/10.3390/W11081621

Barazzetti, L., Scaioni, M., Gianinetto, M. (2014). Automatic co-registration of satellite time series via least squares adjustment. European Journal of Remote Sensing, 47(1), 55-74. https://doi.org/10.5721/EuJRS20144705

Baudena, A., Ser-Giacomi, E., D’Onofrio, D., Capet, X., Cotté, C., Cherel, Y., D’Ovidio, F. (2021). Finescale structures as spots of increased fish concentration in the open ocean. Scientific Reports, 11(1), 1-13. https://doi.org/10.1038/s41598-021-94368-1

Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5-32. https://doi.org/10.1023/A:1010933404324/METRICS

Chen, S., Deng, L., Zhao, J. (2024). Enhanced reconstruction of satellite-derived monthly chlorophyll a concentration with fourier transform convolutional-LSTM. IEEE Transactions on Geoscience and Remote Sensing, 62, 1-14. https://doi.org/10.1109/TGRS.2024.3394399

Cho, H., Park, H. (2019). Merged-LSTM and multistep prediction of daily chlorophyll-a concentration for algal bloom forecast. IOP Conference Series: Earth and Environmental Science, 351(1), 012020. https://doi.org/10.1088/1755-1315/351/1/012020

Chuvieco Salinero, E. (2002). Teledection ambiental: la observación de la tierra desde el espacio. Ariel.

Dash, A., Jetley, S., Rege, A., Chopra, S., Sawant, R. (2022). Drought prediction and water quality estimation using satellite images and machine learning [Artículo de conferencia]. 7th International Conference on Communication and Electronics Systems, ICCES 2022, India. https://doi.org/10.1109/ICCES54183.2022.9835727

Du, Z., Wu, S., Kwan, M. P., Zhang, C., Zhang, F., Liu, R. (2018). A spatiotemporal regression-kriging model for spacetime interpolation: A case study of chlorophyll-a prediction in the coastal areas of Zhejiang, China. International Journal of Geographical Information Science, 32(10), 1927-1947. https://doi.org/10.1080/13658816.2018.1471607

Essien, P., Figueiredo, C. A. O. B., Takahashi, H., Klutse, N. A. B., Wrasse, C. M., Afonso, J. M. de S., Quispe, D. P., Lomotey, S. O., Ayorinde, T. T., Sobral, J. H. A., Eghan, M. J., Sackey, S. S., Barros, D., Bilibio, A. V., Nkrumah, F., Quagraine, K. A. (2022). Intertropical convergence zone as the possible source mechanism for southward propagating medium-scale traveling ionospheric disturbances over South American low-latitude and equatorial region. Atmosphere, 13(11), e1836. https://doi.org/10.3390/ATMOS13111836

Eze, E., Kirby, S., Attridge, J., Ajmal, T. (2021). Time series chlorophyll-a concentration data analysis: A novel forecasting model for aquaculture industry. Engineering Proceedings, 5(1), e27. https://doi.org/10.3390/ENGPROC2021005027

Hänninen, J., Mäkinen, K., Nordhausen, K., Laaksonlaita, J., Loisa, O., Virta, J. (2022). The “Seili-index” for the prediction of chlorophyll-α levels in the Archipelago Sea of the northern Baltic Sea, southwest Finland. Environmental Modeling & Assessment, 27, 571-584. https://doi.org/10.1007/s10666-022-09822-9

Hu, H., Fu, X., Li, H., Wang, F., Duan, W., Zhang, L., Liu, M. (2023). Prediction of lake chlorophyll concentration using the BP neural network and Sentinel-2 images based on time features. Water Science and Technology, 87(3), 539-554. https://doi.org/10.2166/WST.2023.019

Li, X., Sha, J., Wang, Z. L. (2018). Application of feature selection and regression models for chlorophyll-a prediction in a shallow lake. Environmental Science and Pollution Research, 25(20), 19488-19498. https://doi.org/10.1007/S11356-018-2147-3/METRICS

Luis-xmart/framework (s.f.). https://gitfront.io/r/Luis-xmart/3nDgRRysh6j3/framework-chl-temp/

Ma, L., Liu, Y., Zhang, X., Ye, Y., Yin, G., Johnson, B. A. (2019). Deep learning in remote sensing applications: A meta-analysis and review. ISPRS Journal of Photogrammetry and Remote Sensing, 152, 166-177. https://doi.org/10.1016/J.ISPRSJPRS.2019.04.015

Nascimento Silva, H. A., Rosato, A., Altilio, R., Panella, M. (2018). Water quality prediction based on wavelet neural networks and remote sensing [Artículo de conferencia]. International Joint Conference on Neural Networks, Rio de Janeiro, Brasil. https://doi.org/10.1109/IJCNN.2018.8489662

Papenfus, M., Schaeffer, B., Pollard, A. I., Loftin, K. (2020). Exploring the potential value of satellite remote sensing to monitor chlorophyll-a for US lakes and reservoirs. Environmental Monitoring and Assessment, 192(12), 1-22. https://doi.org/10.1007/S10661-020-08631-5

Park, Y., Cho, K. H., Park, J., Cha, S. M., Kim, J. H. (2015). Development of early-warning protocol for predicting chlorophyll-a concentration using machine learning models in freshwater and estuarine reservoirs, Korea. Science of the Total Environment, 502, 31-41. https://doi.org/10.1016/J.SCITOTENV.2014.09.005

Poddar, S., Chacko, N., Swain, D. (2019). Estimation of chlorophyll-a in northern coastal bay of Bengal using Landsat-8 OLI and Sentinel-2 MSI sensors. Frontiers in Marine Science, 6, e00598. https://doi.org/10.3389/FMARS.2019.00598

Salomonson, V. V., Barnes, W., Masuoka, E. J. (2006). Introduction to MODIS and an overview of associated activities. Earth Science Satellite Remote Sensing: Science and Instruments, 1, 12-32. https://doi.org/10.1007/978-3-540-37293-6_2

Shin, Y., Kim, T., Hong, S., Lee, S., Lee, E., Hong, S. W., Lee, C. S., Kim, T. Y., Park, M. S., Park, J., Heo, T. Y. (2020). Prediction of chlorophyll-a concentrations in the Nakdong River using machine learning methods. Water, 12(6), 1822. https://doi.org/10.3390/W12061822

Silveira Kupssinskü, L., Thomassim Guimarães, T., Menezes de Souza, E., C. Zanotta, D., Roberto Veronez, M., Gonzaga, L., Mauad, F. F. (2020). A method for chlorophyll-a and suspended solids prediction through remote sensing and machine learning. Sensors, 20(7), e2125. https://doi.org/10.3390/s20072125

Stramska, M., Jakacki, J. (2024). Variability of chlorophyll a concentration in surface waters of the open Baltic Sea. Oceanologia, 66(2), 365-380. https://doi.org/10.1016/J.OCEANO.2024.02.003

Wang, G., Hao, J., Ma, J., Jiang, H. (2011). A comparative assessment of ensemble learning for credit scoring. Expert Systems with Applications, 38(1), 223-230. https://doi.org/10.1016/J.ESWA.2010.06.048

Wang, H., Yan, X., Chen, H., Chen, C., Guo, M. (2015). Chlorophyll-a predicting model based on dynamic neural network. Applied Artificial Intelligence, 29(10), 962-978. https://doi.org/10.1080/08839514.2015.1097142

Wilson, A. M., Jetz, W. (2016). Remotely sensed high-resolution global cloud dynamics for predicting ecosystem and biodiversity distributions. PLOS Biology, 14(3), e1002415. https://doi.org/10.1371/JOURNAL.PBIO.1002415

Yajima, H., Derot, J. (2018). Application of the Random Forest model for chlorophyll-a forecasts in fresh and brackish water bodies in Japan, using multivariate long-term databases. Journal of Hydroinformatics, 20(1), 191-205. https://doi.org/10.2166/HYDRO.2017.010

Yu, X., Shen, J., Zheng, G., Du, J. (2022). Chlorophyll-a in Chesapeake Bay based on VIIRS satellite data: Spatiotemporal variability and prediction with machine learning. Ocean Modelling, 180, e102119. https://doi.org/10.1016/j.ocemod.2022.102119

How to Cite

APA

Martínez-Vargas, L.-M., Muñoz-Ordóñez, J.-F., and Solano-Correa, Y.-T. (2024). Aplicación de métodos de aprendizaje profundo para la imputación de niveles de concentración de clorofila-a en la Costa Pacífica colombiana. Revista Científica, 50(2), 85–99. https://doi.org/10.14483/23448350.22614

ACM

[1]
Martínez-Vargas, L.-M. et al. 2024. Aplicación de métodos de aprendizaje profundo para la imputación de niveles de concentración de clorofila-a en la Costa Pacífica colombiana. Revista Científica. 50, 2 (Aug. 2024), 85–99. DOI:https://doi.org/10.14483/23448350.22614.

ACS

(1)
Martínez-Vargas, L.-M.; Muñoz-Ordóñez, J.-F.; Solano-Correa, Y.-T. Aplicación de métodos de aprendizaje profundo para la imputación de niveles de concentración de clorofila-a en la Costa Pacífica colombiana. Rev. Cient. 2024, 50, 85-99.

ABNT

MARTÍNEZ-VARGAS, Luis-Miguel; MUÑOZ-ORDÓÑEZ, Julián-Fernando; SOLANO-CORREA, Yady-Tatiana. Aplicación de métodos de aprendizaje profundo para la imputación de niveles de concentración de clorofila-a en la Costa Pacífica colombiana. Revista Científica, [S. l.], v. 50, n. 2, p. 85–99, 2024. DOI: 10.14483/23448350.22614. Disponível em: https://revistas.udistrital.edu.co/index.php/revcie/article/view/22614. Acesso em: 10 dec. 2024.

Chicago

Martínez-Vargas, Luis-Miguel, Julián-Fernando Muñoz-Ordóñez, and Yady-Tatiana Solano-Correa. 2024. “Aplicación de métodos de aprendizaje profundo para la imputación de niveles de concentración de clorofila-a en la Costa Pacífica colombiana”. Revista Científica 50 (2):85-99. https://doi.org/10.14483/23448350.22614.

Harvard

Martínez-Vargas, L.-M., Muñoz-Ordóñez, J.-F. and Solano-Correa, Y.-T. (2024) “Aplicación de métodos de aprendizaje profundo para la imputación de niveles de concentración de clorofila-a en la Costa Pacífica colombiana”, Revista Científica, 50(2), pp. 85–99. doi: 10.14483/23448350.22614.

IEEE

[1]
L.-M. Martínez-Vargas, J.-F. Muñoz-Ordóñez, and Y.-T. Solano-Correa, “Aplicación de métodos de aprendizaje profundo para la imputación de niveles de concentración de clorofila-a en la Costa Pacífica colombiana”, Rev. Cient., vol. 50, no. 2, pp. 85–99, Aug. 2024.

MLA

Martínez-Vargas, Luis-Miguel, et al. “Aplicación de métodos de aprendizaje profundo para la imputación de niveles de concentración de clorofila-a en la Costa Pacífica colombiana”. Revista Científica, vol. 50, no. 2, Aug. 2024, pp. 85-99, doi:10.14483/23448350.22614.

Turabian

Martínez-Vargas, Luis-Miguel, Julián-Fernando Muñoz-Ordóñez, and Yady-Tatiana Solano-Correa. “Aplicación de métodos de aprendizaje profundo para la imputación de niveles de concentración de clorofila-a en la Costa Pacífica colombiana”. Revista Científica 50, no. 2 (August 30, 2024): 85–99. Accessed December 10, 2024. https://revistas.udistrital.edu.co/index.php/revcie/article/view/22614.

Vancouver

1.
Martínez-Vargas L-M, Muñoz-Ordóñez J-F, Solano-Correa Y-T. Aplicación de métodos de aprendizaje profundo para la imputación de niveles de concentración de clorofila-a en la Costa Pacífica colombiana. Rev. Cient. [Internet]. 2024 Aug. 30 [cited 2024 Dec. 10];50(2):85-99. Available from: https://revistas.udistrital.edu.co/index.php/revcie/article/view/22614

Download Citation

Visitas

45

Dimensions


PlumX


Downloads

Download data is not yet available.

Publication Facts

Metric
This article
Other articles
Peer reviewers 
2
2.4

Reviewer profiles  N/A

Author statements

Author statements
This article
Other articles
Data availability 
N/A
16%
External funding 
No
32%
Competing interests 
No
11%
Metric
This journal
Other journals
Articles accepted 
36%
33%
Days to publication 
4
145

Indexed in

Editor & editorial board
profiles
Loading...