Modelo de regresión basado en redes neuronales artificiales para la estimación de la concentración de clorofila-a en el Pacífico Tropical Oriental frente a Perú.

Juan Manuel Talamantes Murillo; Jorge Enrique Luna Taylor; Elvia Denisse Sanchéz Pérez; Marco Antonio Castro Liera; Israel Marcos Santillán Méndez

Autores/as

Juan Manuel Talamantes Murillo Tecnológico Nacional de México https://orcid.org/0009-0005-9187-3505
M.C. Jorge Enrique Tecnológico Nacional de México https://orcid.org/0000-0002-6915-5567
Dra. Denisse Instituto Politécnico Nacional https://orcid.org/0000-0002-4404-3841
Dr. Marco Castro Tecnológico Nacional de México https://orcid.org/0000-0001-9777-4413
Dr. Israel Santillán Tecnológico Nacional de México https://orcid.org/0000-0003-0027-7176

Palabras clave:

clorofila, fitoplancton, modelos predictivos, redes neuronales, inteligencia artificial

Resumen

El fitoplancton es un microorganismo marino que aporta mas del 50 % del oxígeno del planeta y constituye el eslabón primario en las cadenas tróficas marinas. Sin embargo, la actividad antropogénica ha generado el vertido de grandes volúmenes de contaminantes en los océanos, alterando la abundancia y distribución de estos organismos, en un contexto donde aún se desconoce la magnitud de su relación con el cambio climático. Con el objetivo de aportar herramientas para abordar esta problemática, en este trabajo se desarrollo un modelo computacional basado en redes neuronales artificiales para predecir la concentración de biomasa fitoplanctónica (clorofila-a) a partir de variables fisicoquímicas y físicas. El modelo fue entrenado con datos de la plataforma
Copernicus Marine Service, correspondientes al Pacifico Tropical Oriental frente a Perú. Los resultados muestran un excelente desempeño, con una precisión del 98.5 %, un coeficiente de determinación (R2) de 0.9994, un error cuadrático medio de 0.0005 µmol/m2 y un error absoluto medio de 0.0100 µmol/m2. Estos resultados confirman la efectividad del modelo propuesto, cumpliendo con el objetivo planteado y ofreciendo una herramienta útil para el monitoreo ambiental marino.

Descargas

Los datos de descargas todavía no están disponibles.

Información de Publicación

Este artículo

Otros artículos

Revisores por pares

Revisores: 2

2.4 promedio

Perfiles de revisores N/D

Declaraciones del autor

Disponibilidad de datos

N/A

16%

Financiamiento externo

No

32% con financiadores

Intereses conflictivos

N/D

11%

Para esta revista

Otras revistas

Artículos aceptados

87%

33%

Días hasta la publicación

135

145

Indexado en

GS

Editor y comité editorial: perfiles
Sociedad académica: N/D
Editora:: Universidad Autónoma del Estado de Hidalgo

Citas

Adhikary, S., Tiwari, S. P., y Banerjee, S. (2022). Realtime oil spill detection by image processing of synthetic aperture radar data. En 2022 IEEE International Conference on Electronics, Computing and Communication Technologies (CONECCT), pp. 1–5. IEEE.

Adhikary, S., Tiwari, S. P., Banerjee, S., Dwivedi, A. D., y Rahman, S. M. (2024a). Global marine phytoplankton dynamics analysis with machine learning and reanalyzed remote sensing. PeerJ, 12:e17361.

Adhikary, S., Tiwari, S. P., Banerjee, S., Dwivedi, A. D., y Rahman, S. M. (2024b). Global marine phytoplankton dynamics analysis with machine learning and reanalyzed remote sensing. PeerJ, 12:e17361.

Bates, N. R., Astor, Y. M., Church, M. J., Currie, K., Dore, J. E., Gonzalez- Davila, M., Lorenzoni, L., Muller-Karger, F., Olafsson, J., y Santana- Casiano, J. M. (2014). A time-series view of changing surface ocean chemistry due to ocean uptake of anthropogenic co? and ocean acidification. Oceanography, 27(1):126–141.

Behrenfeld, M. J. y Falkowski, P. G. (1997). Photosynthetic rates derived from satellite-based chlorophyll concentration. Limnology and oceanography, 42(1):1–20.

Bracher, A., Vountas, M., Dinter, T., Burrows, J., Rottgers, R., y Peeken, I. ¨(2009). Quantitative observation of cyanobacteria and diatoms from space using phytodoas on sciamachy data. Biogeosciences, 6(5):751–764.

Chai, F., Wang, Y., Xing, X., Yan, Y., Xue, H., Wells, M., y Boss, E. (2020). A limited effect of sub-tropical typhoons on phytoplankton dynamics. Biogeosciences Discussions, 2020:1–16.

Doney, S. C., Fabry, V. J., Feely, R. A., y Kleypas, J. A. (2009). Ocean acidification: the other co2 problem. Annual review of marine science, 1(1):169–192.

Hu, C., Lee, Z., y Franz, B. (2012). Chlorophyll aalgorithms for oligotrophic oceans: A novel approach based on three-band reflectance difference. Journal of Geophysical Research: Oceans, 117(C1). Kirk, J. T. (1994). Light and photosynthesis in aquatic ecosystems. Cambridge university press.

Kostadinov, T., Siegel, D., y Maritorena, S. (2010). Global variability of phytoplankton functional types from space: assessment via the particle size distribution. Biogeosciences, 7(10):3239–3257.

Kramer, S. J., Siegel, D. A., Maritorena, S., y Catlett, D. (2022). Modeling surface ocean phytoplankton pigments from hyperspectral remote sensing reflectance on global scales. Remote Sensing of Environment, 270:112879.

Lueker, T. J., Dickson, A. G., y Keeling, C. D. (2000). Ocean pco2 calculated from dissolved inorganic carbon, alkalinity, and equations for k1 and k2: validation based on laboratory measurements of co2 in gas and seawater at

equilibrium. Marine chemistry, 70(1-3):105–119.

Pahlevan, Smith B., Schalles J., BindingC., Cao Z., Ma R., Alikas K., Kangro K., Gurlin, Daniela and Ha, Nguyen and others (2020). Seamless retrievals of chlorophyll-a from sentinel-2 (msi) and sentinel-3 (olci) in inland and

coastal waters: A machine-learning approach. Remote Sensing of Environment, 240:111604.

Rizzuto, S., Thrane, J.-E., Baho, D. L., Jones, K. C., Zhang, H., Hessen, D. O., Nizzetto, L., y Leu, E. (2020). Water browning controls adaptation and associated trade-offs in phytoplankton stressed by chemical pollution. Environmental Science & Technology, 54(9):5569–5579.

Sathyendranath S., Brewin J.W., Brockmann C., Brotas V., Calton B., Chuprin A., Cipollini P., Couto A.B., Dingle, J. and Doerffer, R. and others (2019). An ocean-colour time series for use in climate studies: the experience of the

ocean-colour climate change initiative (oc-cci). Sensors, 19(19):4285.

Siegel, D., Buesseler, K., Doney, S. C., Sailley, S., Behrenfeld, M. J., y Boyd, P. (2014). Global assessment of ocean carbon export by combining satellite observations and food-web models. Global Biogeochemical Cycles,

28(3):181–196.

Soranno P.A., Bacon L.C., Beauchene M., Bednar K.E., Bissell E.G., Boudreau C.K., Boyer M.G., Bremigan M.T., Carpenter, S.R. and Carr, J.W. and others (2017). Lagos-ne: a multi-scaled geospatial and temporal database of lake

ecological context and water quality for thousands of us lakes. GigaScience, 6(12):gix101.

Sun, X., Zhang, Y., Shi, K., Zhang, Y., Li, N., Wang, W., Huang, X., y Qin, B. (2022). Monitoring water quality using proximal remote sensing technology. Science of the Total Environment, 803:149805

Tiwari, S. P., Adhikary, S., y Banerjee, S. (2022). Estimation of chlorophyll-a from oceanographic properties-an indirect approach. En IGARSS 2022-2022 IEEE International Geoscience and Remote Sensing Symposium, pp. 6872–

6875. IEEE.

Van Heukelem, L. y Thomas, C. S. (2001). Computer-assisted highperformance liquid chromatography method development with applications to the isolation and analysis of phytoplankton pigments. Journal of Chromatography A, 910(1):31–49.

Vandermeulen, R. A., Mannino, A., Craig, S. E., y Werdell, P. J. (2020). 150 shades of green: Using the full spectrum of remote sensing reflectance to elucidate color shifts in the ocean. Remote Sensing of Environment, 247:111900.

Wang, C. y Weisberg, R. H. (2000). The 1997–98 el nino evolution relative to ˜previous el nino events. ˜ Journal of Climate, 13(2):488–501.