Científicos de la NASA desarrollaron una herramienta de inteligencia artificial para enfrentar un desafío de larga data en aguas oceánicas. En un estudio recientemente publicado en AGU Earth and Space Science, los investigadores reportaron que la herramienta es capaz de fusionar datos de múltiples satélites y detectar floraciones de algas dañinas ocurridas en el oeste de Florida y el sur de California.
Las floraciones severas pueden representar riesgos para la salud y costar a las economías costeras de Estados Unidos decenas de millones de dólares cada año. Áreas como Tampa Bay y Sarasota llevan décadas lidiando con el problema. Una especie llamada Karenia brevis se desarrolla bien en aguas del Golfo de México, generando floraciones que matan fauna marina, ensucian playas y enferman a bañistas. En la Costa Oeste, floraciones de Pseudo-nitzschia han envenenado cientos de delfines, lobos marinos de California y otros animales marinos en los últimos años. Las toxinas de las algas pueden incluso entrar al aire y causar enfermedades respiratorias en humanos.
Para gestionar el riesgo, las agencias sanitarias testean las aguas regularmente y emiten advertencias o cierres de playas cuando es necesario. La NOAA (administración oceánica y atmosférica estadounidense) trabaja con estados y socios locales para emitir pronósticos de floraciones, similares a los meteorológicos, durante las temporadas de bloom.
¿Por qué cuesta tanto detectar una floración a tiempo?
El testeo en sitio requiere horas en un bote para recolectar muestras de agua a mano que luego deben enviarse a un laboratorio para análisis, en un proceso que toma un día o más y requiere múltiples tests. Es aún más complicado saber dónde testear antes de que una floración comience a expandirse.
Los satélites de NASA en órbita terrestre ya rastrean floraciones con su única vista global. Al combinar conjuntos de datos diversos, la nueva herramienta de IA podría servir como multiplicador de fuerza para ayudar a las comunidades a definir dónde concentrar esfuerzos.
"Como mínimo, una herramienta así puede ayudarnos a saber dónde y cuándo recolectar muestras de agua cuando una floración está empezando", dijo Michelle Gierach, científica del Jet Propulsion Laboratory de NASA en el sur de California y coautora del paper. "También puede impulsar la colaboración entre especialistas, fomentando nuevas formas de hacer ciencia y entregar productos de soporte de decisión".
¿Qué satélites combina la IA?
Hoy los satélites pueden detectar una variedad de pistas que señalan una floración de algas. Un sensor hiperespectral a bordo del satélite PACE de NASA (Plankton, Aerosol, Cloud, ocean Ecosystem), por ejemplo, puede identificar comunidades de algas por su tamaño, forma y pigmento. Otros instrumentos como TROPOMI (Tropospheric Monitoring Instrument) detectan el tenue resplandor rojo emitido por especies como K. brevis mientras realizan fotosíntesis.
El equipo de estudio, formado por Gierach, Kelly Luis de NASA JPL y el científico de datos Nick LaHaye de Spatial Informatics Group, reunió datos de cinco misiones o instrumentos espaciales, incluyendo PACE y TROPOMI.
El desafío era la cantidad de datos crudos involucrada. ¿Cómo distinguiría la IA entre aguas profundas y costa? ¿Podría reconocer una floración a través de diferentes flujos de datos? ¿Sería capaz de manejar entradas de satélites y sensores en el agua a la vez?
Aprendizaje self-supervised para escalar sin etiquetas
El equipo desarrolló un sistema de machine learning self-supervised, diseñado para aprender patrones de múltiples tipos de datos satelitales y compararlos con observaciones de campo. Este enfoque permite que la IA reconozca relaciones entre distintas fuentes de datos sin necesidad de etiquetado previo.
El sistema fue entrenado con datos satelitales recolectados en 2018 y 2019. Mediciones de campo y de laboratorio se usaron luego para agregar contexto del mundo real a los patrones que el sistema iba reconociendo. Los científicos evaluaron el desempeño en periodos posteriores en las mismas áreas geográficas. Los resultados iniciales indican que puede identificar y mapear correctamente floraciones dañinas, incluyendo especies específicas como K. brevis, con buen rendimiento incluso en aguas costeras complejas con sedimentos, plantas y escorrentías.
"Aplicar IA self-supervised a flujos masivos de datos satelitales se está convirtiendo rápidamente en una herramienta poderosa para generar inteligencia oceánica accionable", dijo Nadya Vinogradova Shiffer, científica líder de programa en la sede de NASA en Washington.
¿Cuándo llega a otros lagos y costas?
El equipo ahora está mejorando la herramienta con más datos de más costas y ampliando las pruebas a otros tipos de cuerpos de agua, incluyendo lagos, con el objetivo de hacerla accesible a los tomadores de decisiones en los próximos años. "El objetivo de este trabajo es empezar a tender puentes entre tecnologías para servir mejor a los usuarios finales y sus necesidades, desde la acuicultura hasta el turismo", dijo Luis. "Para eso vamos a traer todos los activos de NASA a la mesa".
