Investigadores de la University of the Aegean y del Hellenic Centre for Marine Research han desarrollado una metodología para la estimación indirecta vía satélite del oxígeno disuelto en la superficie del agua de granjas de peces en mar abierto.
La estimación directa del oxígeno a través de imágenes satélite no es posible ya que el oxígeno no emite ningún tipo de reflejo que pueda calibrarse.
El oxígeno disuelto es un parámetro crítico en acuicultura junto con la temperatura ya que dependiendo de la concentración afecta al crecimiento y la ingesta de alimentos y, en casos extremos, la supervivencia de los peces.
En el estudio, los investigadores utilizaron para la monitorización datos de temperatura, sólidos en suspensión y clorofila obtenidos por el Copernicus Marine Environment Monitor Service que, junto con técnicas de aprendizaje automático han servido para la estimación indirecta.
Para el desarrollo de la tecnología los investigadores tomaron como granja modelo una producción comercial de 380 toneladas de lubina europea y dorada en la isla de Lesbos. Los datos satélites fueron contrastados con observaciones directas realizadas con sensores en la granja. Esta producción específicamente se caracteriza por bajos valores de salinidad y encontrarse en un mar oligotrófico debido a la falta de fósforo.
La exactitud del modelo fue evaluada usando el valor del error promedio absoluto y el Root Mean Squared Error.
Como señalan los investigadores, nuestros resultados mostraron una “alta precisión y exactitud” donde los valores predichos y los medidos solo difieren en 3% en la mayoría de los casos.
Durante el periodo analizado se observó algunos valores extremos durante el verano, aunque estos no fueron considerados “críticos para la granja” ya que la saturación de oxígeno fue mayor del 80%.
Estos resultados, señalan, “muestran un prometedor enfoque para estimar el oxígeno disuelto para los sitios de acuicultura que facilita la vía para un sistema de monitorización en tiempo real”.
Sin embargo, añaden, la falta de incidentes extremos durante el periodo de estudio y la baja variabilidad de los valores en el área no permiten una predicción más depurada, ya que el modelo ha sido entrenado para un rango limitado de valores.
Referencia:
Andromachi Chatziantoniou, Spyros Charalampis Spondylidis, Orestis Stavrakidis-Zachou, Nikos Papandroulakis, Konstantinos Topouzelis. Dissolved oxygen estimation in aquaculture sites using remote sensing and machine learning. Remote Sensing Applications: Society and Environment