Mejorando las estimaciones de flujo de carbono en los océanos con IA

El océano juega un papel importante en controlar el nivel de dióxido de carbono (CO2) en la atmósfera. Esto se hace principalmente a través de un proceso en el que el CO2 del aire se disuelve en el agua de mar. Este proceso sucede porque hay una diferencia en la cantidad de CO2 en el aire en comparación con la del agua. En las capas superiores del océano, algas microscópicas usan CO2 durante la fotosíntesis para crear materia orgánica. Parte de esta materia orgánica se descompone en Partículas pequeñas, llamadas carbono orgánico particulado (POC), que se hunden en aguas más profundas. Este proceso ayuda a almacenar carbono por mucho tiempo, contribuyendo a la capacidad del océano de sacar CO2 de la atmósfera.

Para entender cuánto carbono está siendo removido por el océano, es importante medir cuánto POC se exporta de la superficie a las profundidades del océano. En los últimos años, ha habido avances en tecnología que permiten una mejor recolección de Imágenes del océano, lo que puede ayudar a estimar cómo se mueve el carbono a través del océano de una manera detallada. Un dispositivo llamado Profiler de Visión Submarina (UVP) toma imágenes de partículas en el océano para ayudar a entender cuánto carbono representan.

Sin embargo, hay desafíos al estimar el Flujo de Carbono usando datos del UVP. A menudo, las estimaciones pueden ser muy inciertas, con errores de más del 50%. Esto puede suceder porque las partículas generalmente se tratan como si todas fueran del mismo tamaño y tipo, aunque hay una amplia gama de tipos de partículas creadas por diferentes procesos biológicos y físicos. Cada tipo de partícula puede tener diferentes cantidades de carbono y hundirse a diferentes velocidades.

Las investigaciones han mostrado que identificar los diferentes tipos de partículas puede ayudar a proporcionar estimaciones más precisas de la exportación de carbono. Sin embargo, este método requiere un montón de trabajo manual para etiquetar imágenes, lo que es caro y no funciona bien con conjuntos de datos grandes. Otro estudio exploró una manera de categorizar imágenes sin necesidad de etiquetar cada una manualmente, pero esto dejó cierta incertidumbre sobre cómo relacionar estas categorías estadísticas con tipos de partículas reales.

#Usando Inteligencia Artificial para Clasificación de Imágenes

Las técnicas de inteligencia artificial, especialmente las redes neuronales convolucionales (CNN), se usan a menudo para clasificar imágenes. Estas se han empleado en ciencia marina para identificar tipos de criaturas oceánicas diminutas, como fitoplancton y zooplancton. Generalmente, las CNN se entrenan usando un proceso en el que un experto etiqueta un pequeño conjunto de imágenes, y luego la IA aplica lo que aprendió para etiquetar otras imágenes. Sin embargo, hay un desafío porque las características de estos organismos pueden cambiar dependiendo de dónde y cuándo se toman las muestras. Esto hace que sea difícil para el modelo entrenado funcionar bien en nuevas áreas o momentos.

Una posible solución es la adaptación de dominio, que implica usar datos de la nueva área para ayudar a la IA a aprender mejor. Esto puede ayudar a evitar que el modelo falle cuando se encuentra con diferentes especies o formas en el océano.

También hay un método llamado aprendizaje semi-supervisado, donde el experto etiqueta solo algunas imágenes mientras que la IA organiza imágenes similares juntas. Esto puede reducir la cantidad de tiempo que un experto necesita gastar en etiquetar, pero su éxito aún depende de cuán bien la IA pueda clasificar las imágenes en categorías relevantes.

En este estudio, se propuso un nuevo método usando CNN para clasificar imágenes de partículas tomadas del océano. Este método tiene como objetivo mejorar qué tan bien podemos estimar cuánto carbono hay en cada tipo de partícula, lo que debería llevar a mejores predicciones del flujo de carbono. También nos ayuda a aprender más sobre qué procesos biológicos son importantes para este flujo de carbono.

El enfoque incluye involucrar a un experto humano en el proceso de entrenamiento para ayudar a la IA a adaptarse a nuevos datos de diferentes esfuerzos de Muestreo. El estudio midió el contenido de carbono en partículas etiquetadas y comparó los resultados con métodos tradicionales de estimación de flujo de carbono.

#Ubicaciones de Muestreo

Para probar esta metodología, se recolectaron muestras de varias áreas en el océano. Esto incluyó lugares en el Pacífico Norte, la Cuenca de Santa Bárbara y el Atlántico Norte. Cada ubicación tiene sus propias características únicas y niveles de flujo de carbono.

En el centro del Pacífico Norte, se muestrearon varias estaciones, incluyendo regiones con bajos niveles de nutrientes y tasas de flujo. El Pacífico Norte subártico tiene baja exportación de carbono, mientras que la Cuenca de Santa Bárbara mostró niveles más altos de flujo de carbono. También se tomaron muestras del este del Atlántico Norte durante un tiempo de altos niveles de nutrientes.

#Proceso de Recolección de Muestras

La recolección de partículas implicó usar trampas de sedimentos que capturaban partículas que caían de la superficie. Estas trampas estaban diseñadas con tubos especiales que incluían una capa de gel para retener las partículas. Después de que las trampas fueron traídas de vuelta, se tomaron imágenes del gel recolectado y se seleccionaron regiones que contenían las partículas para análisis. Se midió cada partícula para recopilar datos sobre su tamaño.

#Etiquetado de Datos

Para analizar las partículas, las imágenes fueron clasificadas según el tipo de partículas que representaban. Había muchas categorías, incluyendo diferentes tipos de pellets fecales de animales marinos, agregados formados por varios materiales y tipos de algas microscópicas. Algunas imágenes contenían partículas que no contribuían al flujo de carbono y fueron identificadas pero no contadas en las estimaciones de carbono.

El proceso de etiquetado de imágenes se completó antes de este estudio, y se encontró que algunas imágenes eran poco claras, lo que significa que podían encajar en más de una categoría. Para medir esta incertidumbre, se volvieron a etiquetar subconjuntos de imágenes, y los investigadores encontraron que alrededor del 80% de las nuevas etiquetas coincidían con las anotaciones originales. Con base en esto, se utilizó una selección de imágenes claramente etiquetadas para entrenar el modelo de IA.

#Entrenamiento del Modelo

Para entrenar la CNN, se usó un tipo específico de arquitectura CNN llamada ResNet-18. Este equilibrio entre velocidad y precisión la hace adecuada para esta tarea. El entrenamiento implicó pasar imágenes a través del modelo en lotes y aplicar técnicas para prevenir el sobreajuste. Los investigadores también usaron métodos de aumento de datos para mejorar el rendimiento del modelo.

Durante el entrenamiento, se realizaron ajustes para optimizar cómo se redimensionaban las imágenes, cómo funcionaba el algoritmo de aprendizaje y cómo minimizar los errores en las predicciones. Se probaron diferentes métodos para el redimensionamiento de imágenes para asegurar que las formas de las partículas se preservaran, lo cual es importante para una clasificación precisa.

#Estrategia de Adaptación de Dominio

Después de entrenar el modelo, era importante aplicarlo a nuevos datos de diferentes campañas de muestreo. Aquí es donde entra el proceso de adaptación de dominio. El modelo que fue entrenado con datos anteriores puede tener problemas con nuevos datos. Para remediar esto, los investigadores usaron un proceso donde las predicciones hechas por el modelo serían verificadas por un experto humano.

Primero, el modelo generaría predicciones para el nuevo conjunto de datos, y el experto revisaría las predicciones más confiables. Estas imágenes revisadas luego se agregarían nuevamente al conjunto de entrenamiento para mejorar la precisión del modelo.

Este paso fue diseñado para limitar cuánta intervención humana era necesaria, permitiendo que el modelo trabajara de forma independiente tanto como fuera posible mientras aún se beneficiaba de la orientación experta.

#Estimaciones de Flujo de Carbono

Una vez que todas las imágenes fueron etiquetadas, el siguiente paso fue calcular el flujo de carbono de las partículas muestreadas. Los investigadores actualizaron parámetros usados en estudios anteriores para tener en cuenta cómo agruparon diferentes clases de partículas. Después de calcular el contenido de carbono para cada partícula, se estimó el flujo total de carbono basado en datos de imágenes.

Para proporcionar una línea de base para la comparación, se calcularon estimaciones de flujo de carbono anotadas por humanos. Esto permite a los investigadores evaluar cuán bien las predicciones basadas en el modelo coincidían con los métodos tradicionales y las mediciones observadas de carbono en el medio ambiente.

Al comparar estos diferentes métodos, los investigadores aspiraban a descubrir cuán precisas eran las predicciones del modelo y si podían reflejar de manera confiable el flujo de carbono que ocurría en el océano.

#Evaluación del Rendimiento

El estudio analizó qué tan bien las predicciones del modelo se comparaban con las hechas por expertos humanos. Los resultados mostraron que las estimaciones del modelo estaban cerca de las de las anotaciones humanas y las mediciones químicas, indicando que el modelo estaba funcionando bien.

Además, se evaluó el rendimiento del modelo en diferentes clases de partículas. Para la mayoría de las clases, el modelo funcionó de manera comparable al etiquetado humano. Sin embargo, hubo algunas instancias donde las clases minoritarias no funcionaron tan bien debido a la falta de datos.

En términos de eficiencia de tiempo, el nuevo método redujo significativamente la cantidad de esfuerzo humano necesario para la clasificación de imágenes mientras seguía produciendo estimaciones confiables de flujo de carbono. La capacidad del modelo para clasificar imágenes con precisión contribuyó a la comprensión de cómo fluye el carbono en el océano, arrojando luz sobre procesos ecológicos importantes.

#Conclusiones y Direcciones Futuras

Este estudio resalta la utilidad de aplicar técnicas avanzadas de clasificación de imágenes para entender mejor la dinámica del carbono en el océano. Aprovechando la visión por computadora, los investigadores pueden manejar grandes volúmenes de datos de imágenes que de otro modo requerirían un etiquetado humano excesivo, permitiéndoles enfocarse en interpretar los resultados en lugar de en tareas tediosas de clasificación.

Aún hay áreas de mejora, especialmente en cuanto al rendimiento del modelo con tipos de partículas raras. A medida que más datos estén disponibles de varias regiones, el modelo podrá aprender de ellos, mejorando potencialmente su capacidad para clasificar todos los tipos de partículas con precisión.

En general, este enfoque representa un paso significativo hacia una comprensión más detallada de los flujos de carbono en nuestros océanos, lo cual es crucial para abordar el cambio climático y sus impactos. Los métodos desarrollados en este estudio tienen el potencial de aplicarse a otros conjuntos de datos ecológicos, mejorando las capacidades de investigación en varios campos científicos.