Integración de técnicas de IA y Teledetección para la localización de pesquerías

A. Iglesias

Description

Resumen
En este trabajo se recogen las bases de un sistema de apoyo a la toma de decisiones sobre localización de pesquerías basado en técnicas de IA. El propósito de este sistema es el ahorro de costes a las flotas pesqueras sin dañar el desarrollo sostenible de los recursos naturales. Para ello, emplearemos como fuentes de datos por un lado imágenes de concentración de clorofila (OrbView-2), temperatura superficial (Serie NOAA) y anomalía altimétrica (Topex/Poseidon), y por otro datos reales de capturas obtenidas del cuaderno de pesca de un barco piloto (palangrero del Atlántico Norte). Hemos realizado finalmente una comparativa de técnicas de IA y exportado los resultados a un SIG.
Abstract
This work presents the foundations of a decision support system for the localisation of fisheries based on Al techniques. The final purpose is to reduce the costs of fishing fleets without endangering the sustainable development. Our data sources are remote sensing images (OrbView-2, Series NOAA, Topex/Poseidon), as well as real catch data obtained from the fishing log of a pilot boat. We have compared several Artificial Intelligence techniques, and finally we have compared several Artificial INtelligence techniques, and finally we have exported the results to a SIG.

Sujets

• Pesquerias
• Red neuronal
• National Oceanic and Atmospheric Administration
• SeaWiFS
• Fishery
• Neural network (disambiguation)

Informations

• Publié par: erevistas
• Publié le: 01 janvier 2005
• Nombre de lectures: 16
• Langue: Español

Extrait

Revista de Teledetección. 2005. 24: 37-42
Integración de técnicas de IA y teledetección
para la localización de pesquerías
1 2 1A. Iglesias , J.M. Cotos y B. Arcay
1 Dep. Tecnologías de Información y Comunicaciones. Universidad de La Coruña.
La Coruña. Campus de Elviña s/n, 15071, La Coruña. [e-mail], [e-mail]
2 Dep. Electrónica y Computación. Universidad de Santiago Compostela.
Instituto de Investigaciones Tecnológicas. Campus Sur. Santiago de Compostela. [e-mail]
RESUMEN ABSTRACT
En este trabajo se recogen las bases de un sistema This work presents the foundations of a decision
de apoyo a la toma de decisiones sobre localización support system for the localisation of fisheries based
de pesquerías basado en técnicas de IA. El propósito on Al techniques. The final purpose is to reduce the
de este sistema es el ahorro de costes a las flotas pes- costs of fishing fleets without endangering the sus-
queras sin dañar el desarrollo sostenible de los recur- tainable development. Our data sources are remote
sos naturales. Para ello, emplearemos como fuentes sensing images (OrbView-2, Series NOAA,
de datos por un lado imágenes de concentración de Topex/Poseidon), as well as real catch data obtained
clorofila (OrbView-2), temperatura superficial (Serie from the fishing log of a pilot boat. We have compa-
NOAA) y anomalía altimétrica (Topex/Poseidon), y red several Artificial Intelligence techniques, and
por otro datos reales de capturas obtenidas del cua- finally we have compared several Artificial INtelli-
derno de pesca de un barco piloto (palangrero del gence techniques, and finally we have exported the
Atlántico Norte). Hemos realizado finalmente una results to a SIG.
comparativa de técnicas de IA y exportado los resul-
tados a un SIG. KEY WORDS: fisheries, neural networks, NOAA,
Seawifs, Tópex-Poseidón.
PALABRAS CLAVE: pesquerías, redes neuronales,
NOAA, SeaWifs, Tópex-Poseidón.
de capturas a través de técnicas de InteligenciaINTRODUCCIÓN
Artificial. Para ello contamos con datos reales de
La pesca, entendida como la explotación de los capturas proporcionados por un barco colabora-
recursos marinos, es una de las principales activi- dor que se dedica a la pesca con palangre en el
dades económicas en España en general y en Gali- Atlántico Norte. Con ellos y la información pro-
cia en particular. Sin embargo, este importante sec- cedente de los sensores remotos estamos en dis-
tor económico se ha visto amenazado en estos posición de crear un conjunto de entrenamiento y
últimos años por desastres ecológicos, políticas de otro de validación para comparar los resultados
cuotas y paros biológicos. Un sector tan competiti- de diferentes predictores basados de forma gené-
vo como el de la pesca debería de incorporar la apli- rica en sistemas conexionistas. La consecución de
cación de nuevas tecnologías como sistemas de parámetros válidos para nuestros predictores per-
apoyo a la toma de decisión, siempre dentro de un mitirá sugerir al patrón de pesca zonas más pro-
marco de desarrollo sostenible (Triñanes J. A., bables que conducirían a la reducción los tiem-
1998). pos de búsqueda de pesquerías, con el
En este ámbito la teledetección es una fuente de consiguiente ahorro de tiempo y combustible que
información vital. Proponemos relacionar la ello conlleva, aumentando dentro de las posibili-
información procedente de imágenes de Orb- dades legales el volumen de capturas.
View-2, serie NOAA y Topex-Poseidon con datos
N.º 24 - Diciembre 2005 37A. Iglesias, J.M. Cotos y B. Arcay
• Aplicar técnicas de procesado digital sobre losMÉTODOS Y FUENTES DE DATOS
productos iniciales para conseguir nuevos datos
con significado biológico, por ejemplo losEn este apartado explicamos los fundamentos de
siguientes filtros pasa-alta para detectar la exis-un nuevo sistema de apoyo a pesquerías. Concreta-
tencia de frentes térmicos:mente, a partir de los datos obtenidos de varios sen-
– DoG (ver Wells W. M. March 1986).sores remotos y del cuaderno de pesca de un barco
– Cluster-Shade (ver Harlow et al, 1986).colaborador, nuestro sistema (ver Iglesias A., 2003)
• Visualizar esta información independientemen-proporciona la probabilidad de conseguir capturas
te de la plataforma usada.de una especie de tiburón pelágico, el Prionace
• Estudio de la sensibilidad y correlación de losGlauca, más conocido como tiburón azul o quenlla.
datos iniciales empleando:El sistema desarrollado es extensible a cualquier
– Análisis de componentes principales.especie marina de la cual se posea suficiente infor-
– Mapas Autoorganizativos de Kohonen.mación para el entrenamiento del sistema.
• Calcular la probabilidad de obtener capturasEste sistema se puede descomponer en tres fases
pesqueras en función de parámetros medioam-diferenciadas, como se puede ver en la Figura 1,
bientales obtenidos mediante teledetección.cuyo objetivo final es transmitir productos suscep-
Para ello probaremos las siguientes técnicas:tibles de ser enviados a las unidades embarcadas.
– Redes entrenadas con el algoritmo de retro-
propagación (backpropagation).
– Redes RBF (Radial Basis Function).
– Redes funcionales.
– ANFIS (Sistema de inferencia neuro-difuso)
• Gestionar toda la información de manera efi-
ciente y con un control centralizado. Para ello,
diseñaremos una base de datos apropiada
siguiendo el modelo E-R.
En la fase 3, nuestro sistema se comunica con los
usuarios. La información puesta a disposición de la
unidad embarcada puede ser enviada haciendo uso de
diversos medios de comunicación, por ejemplo la red
global por satélite Inmarsat. Esta red de satélites pro-
porciona una gran diversidad de servicios: telefonía,
Figura 1. Organigrama del Sistema de Apoyo a pesquerías.
datos, fax, web,... Es usada también para comunica-
ciones de desastre o emergencia marítima, por lo que
no resulta infrecuente hallarse con barcos que cuentan
La fase 1 tiene como misión principal la recep- con este servicio de comunicaciones.
ción de información procedente de varios satélites. Además, la disponibilidad de conexión a la red
El sistema se compone de un parque de antenas que Internet permite realizar el envío de información
permiten la recepción de distintos satélites como haciendo uso del correo electrónico. El software
NOAA (en alta y baja resolución), OrbView-2 embarcado TUNAFIS 4.2 desarrollado por otros
(imágenes del sensor SeaWifs) y Meteosat. Los miembros del Instituto de Investigacións Tecnolóxi-
datos recogidos por las antenas se almacenan en un cas permite gestionar cuentas de usuario de correo
sistema de backup y se distribuyen a todos los equi- electrónico y extraer la información enviada para su
pos que están formando parte de una red local. gestión en el interfaz gráfico.
Cualquiera de estos equipos tiene acceso a los datos
para poder visualizarlos y procesarlos. Puede
encontrarse una descripción exhaustiva de esta fase Fuentes de datos
en (Triñanes J. A., 1998), (Iglesias A., 2003),
(Cotos J. M., 1994). Hemos empleado para este trabajo imágenes de la
El objetivo de este trabajo es, empleando los serie NOAA, OrbView-2 y Topex-Poseidon. Des-
datos recibidos como resultado de la fase 1, elabo- pués de un procesado inicial los productos a usar
rar la fase 2, que consistirá en: como entradas serán los siguientes:
38 N.º 24 - Diciembre 2005Integración de técnicas de IA y teledetección para la localización de pesquerías
– Temperatura superficial o SST (NOAA) – D. Aurelle et al (1999) realiza predicciones de
– Anomalía térmica (NOAA) datos pesqueros empleando un perceptrón con 3
– Frente térmico (NOAA) capas y 2 neuronas en la capa oculta, entrenado con
–Concentración superficial de clorofila (Orb- el algoritmo de retropropagación de error.
View-2). – M. J. Dreyfus-Leon (1999) predice el compor-
– Anomalía altimétrica (Topex-Poseidon) tamiento de un pescador usando redes neuronales.
– Aussem y Hill (2000) predicen la presencia de
Tras realizar un estudio de sensibilidad previo una dañina alga verde (Caulerpa taxifolia) mediante
mediante redes de Kohonen, se llegó a la conclu- un perceptrón multicapa con aprendizaje supervisado.
sión de que los frentes térmicos no aportaban infor- – Brosse et al (1999) realiza predicciones de
mación de relevancia, probablemente porque son abundancia de pesca en lagos usando redes neuro-
redundantes con la introducida por la SST, por lo nales. Se presenta una comparación de MLR
que los hemos suprimido del estudio. (Regresión Lineal Múltiple) con RN y con un aná-
Además de los datos conseguidos del procesado lisis