Zonificación del Mar Menor mediante aprendizaje no supervisado sobre la serie histórica de Sentinel-2.
DOI:
https://doi.org/10.17398/3101-7177.2.215Palabras clave:
k-means, descomposición STL, zonificación, degradaciónResumen
La inteligencia artificial (IA) está transformando el monitoreo ambiental al permitir el análisis automatizado de conjuntos de datos complejos y de alta dimensionalidad. En este estudio, se presenta un marco metodológico basado en IA, combinado con la descomposición estacional y de tendencia mediante Loess (STL), para caracterizar los patrones de calidad del agua y sus dinámicas temporales en el Mar Menor, identificar las áreas más afectadas por la degradación ecológica y analizar su dinámica espacio-temporal mediante imágenes satelitales multiespectrales. La serie histórica de Sentinel-2, desde julio de 2015 hasta junio de 2024, se procesó mediante la corrección atmosférica ACOLITE. Se han separado la tendencia a largo plazo, la variabilidad estacional y las anomalías residuales de la clorofila-a (Chl-a) y la turbidez, vinculando los eventos extremos ocurridos en la laguna con anomalías significativas observadas en los datos históricos de teledetección. Este enfoque híbrido permitió diferenciar regiones con comportamiento similar en cuatro zonas bien definidas. La integración de técnicas de clustering no supervisado basadas en IA y de descomposición estadística de series temporales ofrece una metodología potente, escalable y transferible para el monitoreo automatizado de regiones costeras dinámicas. Estos resultados proporcionan información útil y ofrecen una base analítica robusta para futuras estrategias de prevención y restauración.
Descargas
Referencias
Caballero, I., Roca, M., Santos-Echeandía, J., Bernárdez, P., & Navarro, G. (2022). Use of the Sentinel-2 and Landsat-8 Satellites for Water Quality Monitoring: An Early Warning Tool in the Mar Menor Coastal Lagoon. Remote Sensing, 14(12), 2744. https://doi.org/10.3390/rs14122744
Cleveland, R. B., Cleveland, W. S., McRae, J. E., & Terpenning, I. J. (1990). STL: A seasonal-trend decomposition procedure based on Loess. Journal of Official Statistics, 597 6(1), 3–73. https://www.math.unm.edu/~lil/Stat581/STL.pdf
Dogliotti, A. I., Ruddick, K. G., Nechad, B., Doxaran, D., & Knaeps, E. (2015). A single algorithm to retrieve turbidity from remotely-sensed data in all coastal and estuarine waters. Remote Sensing of Environment, 156, 157–168. https://doi.org/10.1016/j.rse.2014.09.020
Everitt, B. S., Landau, S., Leese, M., & Stahl, D. (2011). Cluster analysis (5th ed.). Wiley. https://cicerocq.wordpress.com/wp-content/uploads/2019/05/cluster-analysis_5ed_everitt.pdf
Frincu, R. M. (2025). Artificial intelligence in water quality monitoring: A review of water quality assessment applications. Water Quality Research Journal, 60(1), 164-176. https://doi.org/10.2166/wqrj.2024.049
Giménez, J. G., Granero, A., Senent-Aparicio, J., Gómez-Jakobsen, F., Mercado, J. M., Blanco-Gómez, P., Ruiz, J. M., & Cecilia, J. M. (2024). Assessment of oceanographic services for the monitoring of highly anthropised coastal lagoons: The Mar Menor case study. Ecological Informatics, 81, 102554. https://doi.org/10.1016/j.ecoinf.2024.102554
Medina-López, E., Navarro, G., Santos-Echeandía, J., Bernárdez, P., Caballero, I. (2023). Machine Learning for Detection of Macroalgal Blooms in the Mar Menor Coastal Lagoon Using Sentinel-2. Remote Sens. 2023, 15, 1208. https://doi.org/10.3390/rs15051208
O'Reilly, J. E., & Werdell, P. J. (2019). Chlorophyll algorithms for ocean color sensors - OC4, OC5 & OC6. Remote Sensing of Environment, 229, 32–47. https://doi.org/10.1016/j.rse.2019.04.021
Pérez-Ruzafa, A., Campillo, S., Fernández-Palacios, J. M., García-Lacunza, A., García Oliva, M., Ibañez, H., Navarro-Martínez, P. C., Pérez-Marcos, M., Pérez-Ruzafa, I. M., Quispe-Becerra, J. I., Sala-Mirete, A., Sánchez, O., & Marcos, C. (2019). Long-term dynamic in nutrients, chlorophyll a, and water quality parameters in a coastal lagoon during a process of eutrophication for decades, a sudden break and a relatively rapid recovery. Frontiers in Marine Science, 6, 26. https://doi.org/10.3389/fmars.2019.00026
Rousseeuw, P. J., & Hubert, M. (2011). Robust statistics for outlier detection. Wiley interdisciplinary reviews: Data mining and knowledge discovery, 1(1), 73-79.
Salls, W. B., Schaeffer, B. A., Pahlevan, N., Coffer, M. M., Seegers, B. N., Werdell, P. J., Ferriby, H., Stumpf, R. P., Binding, C. E., & Keith, D. J. (2024). Expanding the application of Sentinel-2 chlorophyll monitoring across United States lakes. Remote Sensing, 16(11), 1977. https://doi.org/10.3390/rs16111977
Vanhellemont, Q., & Ruddick, K. (2016). ACOLITE for Sentinel-2: Aquatic applications of MSI imagery. In Proceedings of the 2016 ESA Living Planet Symposium (ESA Special Publication SP-740). Prague, Czech Republic, 9–13 May 2016.
White, S., Medina-Lopez, E., Silva, T., Spyrakos, E., Amoudry, L., & Martin, A. (2025). Classification-informed estimation: the role of water-type clustering to improve neural network generalization for salinity and temperature estimation in coastal waters. Environmental Data Science, 4, e32. https://doi.org/10.1017/eds.2025.10005
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Paola Barba Ceballos, Sergio Heredia, Gabriel Navarro Almendros, Belén Rosado, Mar Roca Mora, Isabel Caballero de Frutos (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Todo el contenido disponible en el Portal de Revistas-UEx se distribuye bajo una licencia Creative Commons: Atribución 4.0 Internacional (CC BY 4.0)
