/ Medio marino
PosidoniaML2
Cartografía del fondo sin datos de partida
Cartografiar el fondo pide batimetría y muestras de campo. Las costas que más urge cartografiar no tienen ni una cosa ni la otra.
- 01Encuentra la única imagen aprovechable del periodo, entre decenas de escenas descartadas por nubes, rizado y reflejos.
- 02Segmenta el fondo en objetos: millones de píxeles pasan a decenas de miles de unidades clasificables.
- 03Clasifica con un groundtruth levantado por criterio experto sobre la propia imagen, y publica el resultado como capa consultable.
/ Ficha técnica
- Ámbito
- Medio marino · costas sin batimetría ni muestreo de campo
- Cliente
- Gobiernos y agencias ambientales de pequeños estados insulares, programas de conservación costera
- Entrada
- Área de interés y ventana temporal. Ni batimetría ni groundtruth de campo
- Salida
- Cartografía vectorial por tipo de fondo, superficie por clase y capas KML publicadas en visor
01
Definición
¿Qué es PosidoniaML2?
PosidoniaML2 es la metodología de MV Dataworks para cartografiar la vegetación sumergida y los tipos de fondo en costas donde no hay batimetría ni muestras tomadas in situ. En lugar de clasificar píxel a píxel, segmenta la imagen PlanetScope en objetos, los llamados superpíxeles, y entrena un modelo de vectores de soporte con un groundtruth levantado por criterio experto sobre la propia imagen. Está desarrollada y aplicada sobre tres áreas de la costa de Antigua, en el Caribe oriental.
-
/ Sin datos de partida
Ni batimetría ni campaña de campo: la única fuente obligatoria es la imagen de satélite.
-
/ Millones de píxeles, decenas de miles de objetos
La segmentación reduce el problema unas 179 veces antes de clasificar nada.
-
/ La ventana atmosférica, encontrada
De 56 escenas candidatas del periodo, 52 descartadas y una elegida para el análisis.
-
/ El resultado, publicado
Cada clasificación llega al visor como capa KML consultable por área, país y fecha de proceso.
02
El problema
Qué resuelve
Los pequeños estados insulares están entre los territorios más expuestos al cambio climático y entre los que menos datos propios tienen sobre sus fondos. Tres obstáculos concretos bloquean la cartografía convencional justo donde más urge hacerla.
-
01
No hay batimetría con la que corregir la profundidad
Sin un modelo del relieve sumergido no se puede descontar el efecto de la columna de agua ni construir índices apoyados en la topografía del fondo. PosidoniaML2 renuncia a esa corrección y compensa por otra vía: trabajar sobre objetos con forma, tamaño y textura propias en lugar de sobre píxeles sueltos, y limitar el alcance a las zonas someras cercanas a costa.
-
02
No hay muestras de campo con las que entrenar
Un modelo supervisado necesita verdad terreno, y en estos proyectos sencillamente no existe. La metodología la sustituye por una colección de puntos marcados por criterio experto sobre la imagen: no menos de 40 en total y un mínimo de 10 por clase, almacenados como shapefile con un campo
class. Se marcan solo los puntos inequívocos, y esa restricción se declara como lo que es: una limitación. -
03
El cielo casi nunca está despejado
En Antigua las nubes y las tormentas son constantes, y las ventanas con la claridad necesaria son escasas. Entre junio y septiembre de 2023 se revisaron 56 escenas con menos del 25 % de nubes sobre el área; 52 se descartaron por nubosidad sobre más del 5 % de la zona, rizado de la lámina de agua o presencia de sombras y reflejos. Dos áreas de estudio distintas acabaron compartiendo la misma fecha por falta de alternativas.
03
Fases
Cómo funciona
Dos fases. La primera encuentra y depura la única imagen aprovechable del periodo; la segunda convierte esa imagen en objetos y los clasifica. Todo el proceso se sostiene sobre una sola fuente obligatoria: la escena de satélite.
Fase 1 · la imagen
Encontrar la escena que sirve
- 01Busca en el catálogo PlanetScope todas las escenas del periodo con menos del 25 % de nubes cubriendo el 100 % del área de estudio.
- 02Descarta las que presentan nubosidad sobre más del 5 % de la zona, rizado de la lámina de agua por viento, sombras o reflejos. Queda un puñado, y de ese puñado se elige una.
- 03Homogeneiza los sistemas de referencia (GDAL
warpreprojectpara ráster, GeoPandasto_crspara vectorial) y recorta al área de interés con Rasterio yclipvectorbypolygon. - 04Aplica una máscara NDWI y anula todo lo que quede por debajo de cero: fuera tierra, embarcaciones y plataformas.
Escenas candidatas
56
Descartadas
52
Aprovechables
4
Escena elegida
2023-08-03
- 01 · Coastal Blue443
- 02 · Blue490
- 03 · Green I531
- 04 · Green565 NDWI
- 05 · Yellow610
- 06 · Red665
- 07 · Red Edge705
- 08 · NIR865 NDWI
NDWI = (Verde − NIR) / (Verde + NIR) · nodata si < 0
Captura del producto · PlanetScope 8 bandas Ortho Analytic SR, 3 m/píxel; las bandas 4 y 8 alimentan el NDWI
Fase 2 · el fondo
De píxeles a objetos, y de objetos a clases
- 01Segmenta con Quickshift (
kernel_size2,ratio0,9,max_dist10,sigma1) sobre los valores de la imagen, agrupando píxeles con características comunes en superpíxeles. - 02Levanta el groundtruth: puntos marcados por criterio experto, no menos de 40 en total y un mínimo de 10 por clase, en shapefile con campo
class. - 03Entrena una máquina de vectores de soporte (SVC de scikit-learn, kernel lineal, semilla constante entre casos), con reparto 80/20 entre entrenamiento y verificación.
- 04Clasifica cada objeto por el valor medio de sus píxeles en cada banda y exporta un TIF georreferenciado con las etiquetas, listo para QGIS.
Clases etiquetadas en los casos de Antigua
- 2 · alga dispersa
- 3 · alga densa
- 4 · coral / arrecife
- 5 · alga oscura
La etiqueta 1 queda reservada en la categorización a los elementos de Posidonia
Captura del producto · 22.597 objetos frente a 4.046.328 píxeles en este caso
Las costas sin datos también se cartografían.
Un área de interés y una ventana temporal bastan para obtener una primera cartografía del fondo y la superficie por clase.
04
Resultados
Tres bahías de Antigua
La metodología se ha aplicado a tres solicitudes sobre la costa de Antigua. La secuencia de trabajo ha sido la misma en los tres casos; cada área añadió su particularidad, y la tercera obligó a introducir una clase nueva que no aparecía en las anteriores.
| Caso | Fecha | Píxeles | Objetos | Reducción | Entrenar / clasificar |
|---|---|---|---|---|---|
| Antigua Sureste | 2023-08-03 | 4.046.328 | 22.597 | ×179 | 0,0020 s / 0,0057 s |
| Antigua Noreste | 2023-02-24 | 12.761.798 | 71.174 | ×179 | 0,010 s / 0,022 s |
| Nonsuch Bay | 2023-02-24 | 3.847.976 | 21.445 | ×179 | 0,0021 s / <0,001 s |
Captura del producto · el coste de cómputo se mide en milisegundos; el tiempo del proyecto está en encontrar la imagen y levantar el groundtruth
Superficie AOI
9,79 km²
Clases
4
Sistema de referencia
EPSG 32620
Imagen
PlanetScope 8B SR
- Alga dispersa5,01 km²
- Alga densa2,70 km²
- Tierra emergida1,22 km²
- Fango / arena / coral0,86 km²
Evaluación preliminar sobre segmentación multirresolución; la metodología posterior sustituye la clase de tierra emergida por la máscara NDWI
Del TIF al visor
La clasificación, consultable
Cada clasificación se convierte a KML y se sube a la base de datos. En el visor, cada clase entra como una capa que se enciende y se apaga sobre el mapa, y cada estudio se localiza por su bounding box. Los campos que identifican cada capa incluyen área, subárea, país, tamaño de píxel de la imagen procesada y fecha de proceso; la API de reverse geocoding de Mapbox aporta la información geográfica que permite catalogar estudios de zonas contiguas. Al estar en formato vectorial dentro de una base de datos espacial, dos fechas de la misma zona se comparan estadísticamente para medir crecimientos, regresiones y series temporales.
Captura del producto · geometrías de los objetos de una clase sobre el mapa base
05
Confianza
Lo que está medido y lo que no
Una metodología que sustituye la verdad terreno por criterio experto tiene que ser explícita sobre su propio margen. Estos son los números que se entregan como dato y los que todavía no se pueden entregar como tal.
Medido
Lo que se entrega como dato
- Superficie por clase y superficie total del área de interés
- Número de objetos y de píxeles de cada caso
- Fecha de la escena y sistema de referencia
- Tiempos de entrenamiento y de clasificación
- Parámetros de segmentación y de modelo, idénticos entre casos
Pendiente
Lo que no se declara hasta poder medirlo
- La precisión de la clasificación, en evaluación
- La verificación del groundtruth contra muestras reales
- El comportamiento por debajo de la franja somera, sin batimetría
Los estudios de referencia sobre este tipo de clasificación declaran precisiones de entre el 40 % y el 70 %. La expectativa interna para esta metodología es superior, pero mientras no exista un groundtruth verificado sobre el terreno es una expectativa y no una medida, y como tal no se publica.
El tamaño de muestra
Cuántos puntos harían falta
Asumiendo una proporción desconocida por clase, la fórmula de Cochran para poblaciones grandes exige 384 muestras por clase para un 95 % de confianza con un 5 % de margen de error. La simplificación de Yamane, ajustada a poblaciones pequeñas, lo rebaja a un mínimo estimado de entre 40 y 50. Los casos de Antigua trabajan en ese límite inferior, y solo con puntos inequívocos: es la restricción que impone renunciar al muestreo de campo, y está declarada en el informe.
06
Clasificación
¿Por qué clasificar objetos y no píxeles?
Con batimetría y una cartografía previa fiable, clasificar píxel a píxel funciona: es la vía de PosidoniaML, aplicada en Formentera. Sin esos datos, cada píxel es un dato aislado que hay que decidir con muy pocas muestras. Agrupar el fondo en objetos cambia el problema: menos unidades, y cada una con forma, tamaño y textura además de su espectro. Las praderas y las manchas de alga crecen por parches, así que el objeto se parece más a la realidad que el píxel.
| Criterio | Clasificación por píxel | / PosidoniaML2 |
|---|---|---|
| Datos de partida necesarios | Batimetría y groundtruth de campo | Solo la imagen y puntos de criterio experto |
| Unidades a clasificar | Millones de píxeles | Decenas de miles de objetos |
| Criterios de agrupación | Valores espectrales | Espectro más forma, tamaño, textura y distancia |
| Muestras necesarias | Muchas y verificadas | Mínimo 10 por clase, 40 en total |
| Cuándo aplica | Zonas con cartografía previa | Zonas sin datos, como los casos de Antigua |
Las dos decisiones que definen PosidoniaML2
Quickshift, entre cuatro candidatos
Se probaron los cuatro algoritmos principales de superpíxeles disponibles en scikit-learn: Quickshift, SLIC, Compact Watershed y Felzenszwalb. Solo Quickshift alcanza la granularidad necesaria para delimitar manchas de vegetación; SLIC queda segundo, pero pierde los objetos pequeños. Los parámetros se afinaron sobre imágenes de prueba hasta el punto medio que conserva el detalle sin partir la imagen en exceso.
SVM, por su comportamiento en OBIA
El clasificador es una máquina de vectores de soporte, que busca el hiperplano que separa las clases con el mayor margen posible. Está documentada como una de las opciones que mejor se comportan en escenarios de análisis basado en objetos, y es liviana: entrenar e inferir cuestan milisegundos. Como línea de evolución se evalúa XGBoost.
Los cuatro algoritmos de superpíxeles probados sobre la misma escena de ensayo
07
Preguntas
Preguntas sobre PosidoniaML2
No para producir la cartografía, sí para afinarla. Sin batimetría no se corrige el efecto de la profundidad ni se construyen índices apoyados en el relieve del fondo, de modo que el alcance se limita a las zonas someras próximas a costa. En los casos de Antigua, al ceñirse el estudio a esa franja, no se consideró necesario eliminar aguas profundas.
Las que el área requiera. En Antigua se etiquetaron alga dispersa, alga densa y coral o arrecife; en Nonsuch Bay hubo que añadir alga oscura, un tipo de pradera verdosa que no aparecía en las dos zonas anteriores. La etiqueta 1 queda reservada en la categorización a los elementos de Posidonia. Ampliar el catálogo de coberturas es parte del trabajo de cada nueva área.
Está en evaluación y no se declara. Medir precisión exige un groundtruth verificado sobre el terreno, y en estos casos el groundtruth es interpretación experta sobre la propia imagen: contrastarlo consigo mismo no mediría nada. Los estudios de referencia del sector declaran entre un 40 % y un 70 %. En cuanto se disponga de muestras reales en un área de estudio, la métrica se publica.
El cómputo es despreciable: entrenar cuesta entre 0,002 y 0,01 segundos y clasificar entre 0,001 y 0,022 segundos, según el caso. El tiempo real del proyecto está en encontrar la escena aprovechable dentro de la ventana temporal y en levantar el groundtruth con criterio experto.
Sí. Las clasificaciones se guardan en formato vectorial dentro de una base de datos espacial, de modo que dos fechas de la misma zona se comparan de forma estadística para obtener crecimientos, regresiones y series temporales. Es una de las razones para vectorizar en lugar de quedarse en el ráster.