Aprendizaje profundo aplicado a la conservación de la Gran Barrera de Coral

  • Inteligencia Artificial

Oceano

Una importante compañía tecnológica ha desarrollado un modelo de aprendizaje profundo para analizar y etiquetar las fotografías de la Gran Barrera de Coral de Australia. El objetivo es ayudar a la organización Citizens of the Great Barrier Reef a acelerar el trabajo de mapeado y monitorización de esta reserva natural para mejorar su conservación.

Uno lo los espacios naturales más importantes y sensibles de los océanos es la Gran Barrera de Coral que se encuentra frente a las costas australianas, y su monitorización es vital para comprender los efectos del cambio climático en la vida marina. La conservación de este lugar se ha convertido en una preocupación a escala global y han surgido varias iniciativas en este sentido. Entre ellas la organización Citizens of the Great Barrier Reef, que recopila imágenes subacuáticas capturadas por buceadores y trata de clasificarlas y etiquetarlas para mejorar la monitorización de los diferentes arrecifes que componen la Gran Barrera.

Tras un año de trabajo esta organización ha recopilado alrededor de 13.000 imágenes de 240 arrecifes, convirtiéndose en uno de los mayores proyectos de investigación científica basada en la contribución ciudadana de todo el mundo. Inicialmente, sus miembros han dedicado 1.516 horas a analizar todas estas imágenes, ocupando una media de 7 minutos de tiempo por cada una. Este proceso resulta muy lento si se realiza de forma manual y está sujeto a la interpretación y el error humano, ya que muchas de las personas que participan en el proyecto no son científicos expertos en la materia.

Para ayudar a este proyecto, la compañía Dell Technologies ha desarrollado un modelo de aprendizaje profundo capaz de clasificar los bordes de los arrecifes empleando la segmentación semántica. Gracias a ello han logrado analizar cada imagen en una media de 10 segundos, un trabajo que después es verificado por un científico ciudadano para determinar su precisión. En su anuncio, Danny Elmarji, vicepresidente de preventa de Dell Technologies Asia-Pacífico y Japón, explica que “Dell Technologies está trabajando a través de la asociación hombre-máquina para tomar lo que era cerca de 144 categorías diferentes de organismos de arrecifes y dividirlos en subcategorías”.

Fruto de ello han logrado establecer una lista inicial de tan solo 13 categorías, que después han refinado hasta quedarse con 5 principales, facilitando la identificación de las imágenes que verdaderamente corresponden a un arrecife. Los creadores de este modelo explican que a medida que continúen trabajando con esta tecnología mejorarán su capacitación y aumentarán la precisión del modelo mediante nuevas arquitecturas de modelo y conjuntos de datos.

Han determinado que actualmente la precisión es de un 67%, una cifra que consideran un excelente punto de partida para un modelo de análisis de algo tan complejo como la naturaleza, y esperan terminar completamente su implementación en noviembre de este mismo año. Este es un gran ejemplo de cómo se puede aplicar la tecnología para apoyar las iniciativas de conservación del medio natural, que en este caso complementará otros trabajos que están realizando diferentes instituciones como el Instituto Australiano de Ciencias Marinas, en colaboración con entidades privadas.