Intel·ligència artificial des de l’espai: seguint el pols de les praderies marines de la Mediterrània

• L’estudi, publicat a Ecological Indicators, presenta un marc d’aprenentatge profund capaç de cartografiar amb precisió les praderies de Posidonia oceanica a tota la Mediterrània utilitzant imatges de satèl·lit.
• La recerca és el resultat d’una col·laboració entre l’Institut de Física Interdisciplinària i Sistemes Complexos (IFISC, CSIC-UIB) i el Centre d’Estudis Avançats de Blanes (CEAB-CSIC).

Les praderies marines són entre els ecosistemes més valuosos i alhora més amenaçats del planeta. A la mar Mediterrània, les praderies de Posidonia oceanica tenen un paper fonamental en la protecció del litoral, el suport a la biodiversitat marina i l’emmagatzematge de carboni. Tot i això, aquests boscos submarins estan desapareixent a un ritme preocupant a causa del desenvolupament costaner, la contaminació i el canvi climàtic. Monitorar-ne l’estat i la distribució és, per tant, essencial per a la seva conservació, però els mètodes de camp tradicionals són costosos i requereixen molt de temps.

Un equip d’investigadors de l’Institut de Física Interdisciplinària i Sistemes Complexos (IFISC, CSIC-UIB) i del Centre d’Estudis Avançats de Blanes (CEAB-CSIC) ha desenvolupat un nou marc d’intel·ligència artificial que podria revolucionar la manera com observem i protegim aquests hàbitats essencials. El model, anomenat CAMELE (Consensus for Automated Marine Ecosystem Labelling and Evaluation), utilitza tècniques d’aprenentatge profund aplicades a imatges satel·litàries d’alta resolució per detectar i cartografiar automàticament Posidonia oceanica i altres hàbitats bentònics amb una precisió sense precedents.

«El nostre enfocament va més enllà dels estudis locals de prova de concepte per oferir una eina sòlida i generalitzable per a la cartografia d’hàbitats a gran escala», explica Manuel A. Matías (IFISC, UIB-CSIC). «Combinant l’aprenentatge automàtic amb una àmplia base de dades ecològiques, ara podem monitorar el fons marí mediterrani de manera més ràpida, fiable i a una fracció del cost dels mètodes tradicionals».

El marc es basa en xarxes neuronals convolucionals entrenades amb imatges multiespectrals d’alta resolució de PlanetScope, una constel·lació de satèl·lits d’observació terrestre que proporciona cobertura global diària, juntament amb 19 anys de dades detallades d’hàbitats facilitades pel Govern de les Illes Balears. El conjunt de dades resultant cobreix aproximadament 2.500 km² de costa, que inclouen Mallorca, Menorca, Eivissa, Formentera i Cabrera. Per provar la capacitat de generalització del model, els investigadors el van entrenar amb dades d’una sola illa i en van validar les prediccions a les altres. Sorprenentment, el model va identificar correctament praderies marines fins i tot en entorns ecològicament diferents, de manera que va demostrar una alta capacitat d’adaptació a noves regions.

En les proves de referència, CAMELE va assolir una precisió mitjana superior al 90% en la identificació i la delimitació de praderies marines, mesurada amb l’índex Intersection-over-Union, una mètrica estàndard que quantifica el grau de coincidència entre les prediccions del model i les àrees cartografiades reals. L’estudi també va introduir nous criteris d’avaluació dissenyats específicament per a tasques de segmentació d’imatges, cosa que permet oferir una valoració més realista de la precisió del model. «El que fa que CAMELE destaqui és la seva robustesa», comenta Àlex Giménez (IFISC). «Fins i tot davant condicions ambientals desconegudes, el sistema va produir mapes fiables de cobertura de praderies marines coherents amb les observacions de camp».

Més enllà de la seva innovació científica, la naturalesa d’accés obert de CAMELE el converteix en una eina valuosa per a la conservació marina. Els models entrenats i una plataforma de visualització en línia estan disponibles lliurement, cosa que permet que investigadors, agències ambientals i responsables polítics puguin adaptar el marc a diferents regions de la Mediterrània. Aquesta accessibilitat afavoreix accions de conservació coordinades i un seguiment a llarg termini més coherent.

Segons Manuel A. Matías, «eines de monitoratge basades en intel·ligència artificial com CAMELE poden ajudar a detectar signes primerencs de pèrdua o fragmentació de praderies marines, i permeten respostes de gestió més ràpides i eficaces». De cara al futur, l’equip pretén ampliar el marc per seguir altres indicadors de salut dels ecosistemes i estendre la seva aplicació més enllà de les Illes Balears. Combinant la intel·ligència artificial amb la teledetecció, l’estudi obre el camí cap a una nova generació de sistemes de monitoratge ecològic capaços de seguir el ritme del ràpid canvi ambiental.

Figura: Exemple de prediccions del model per a una imatge de satèl·lit. (a) Imatge satel·litària de la badia de Pollença, a l’illa de Mallorca, part del conjunt d’entrenament. Imatge © 2022 Planet Labs PBC. (b) Dades de referència (ground truth) dels hàbitats bentònics a la badia de Pollença. (c) Classificació d’hàbitats obtinguda pel model CAMELE.

Giménez-Romero, À., Ferchichi, D., Moreno-Spiegelberg, P., Sintes, T., and Matías, M. A. (2025). A generalizable deep learning framework for large-scale mapping of seagrass habitats. Ecological Indicators, 180, 114349. https://doi.org/10.1016/j.ecolind.2025.114349

• El Diario