Las especies de plantas invasoras hacen más que dañar la agricultura y las especies nativas a medida que remodelan los paisajes.
por la Universidad de Minnesota
También causan pérdidas económicas de más de $ 20 mil millones anuales solo en los EE. UU. Identificar dónde y con qué rapidez se propagan las plantas invasoras es fundamental para combatir una invasión. Los científicos y los administradores de tierras utilizan actualmente estudios de campo in situ sobre el tamaño de la población, la densidad o las tasas de crecimiento para obtener esta información, que puede ser prohibitivamente cara y laboriosa. Además, las especies invasoras se están propagando tan rápidamente por todo el mundo que los métodos tradicionales se han vuelto insostenibles. Se necesitan urgentemente nuevas técnicas para rastrear las especies invasoras de manera más eficiente.
Un estudio reciente en coautoría del profesor de la Universidad de Minnesota David Moeller, junto con el estudiante graduado Thomas Lake y el científico investigador Ryan Briscoe Runquist, evaluaron una de esas técnicas y los resultados son alentadores. El equipo de investigación desarrolló el aprendizaje profundomodelos conocidos como redes neuronales convolucionales, que permiten que una computadora aprenda a identificar objetos de interés en imágenes satelitales. Usando los modelos de aprendizaje profundo, las computadoras escanearon imágenes satelitales de la región de las Ciudades Gemelas en busca de una planta invasora conocida como tártago frondoso (Euphorbia virgata, a veces también conocida como Euphorbia esula). El equipo utilizó imágenes de mayor resolución que rara vez se toman e imágenes de menor resolución que los satélites toman a diario. Querían determinar si una serie de imágenes de menor resolución tomadas a lo largo de las estaciones podría usarse para la detección precisa de la planta.
«El análisis de series temporales es relativamente nuevo en este tipo de modelo de aprendizaje profundo, por lo que nos entusiasmó mucho descubrir que funcionaba tan bien para identificar poblaciones de tártago frondoso». dijo Briscoe Runquist. «El aprendizaje profundo permite a los científicos descubrir patrones que antes habrían sido imposibles de detectar».
El estudio encontró que:
- Los modelos de aprendizaje profundo detectaron tártago frondoso en la región de las Ciudades Gemelas con una precisión superior al 96 %.
- La detección fue precisa con imágenes de mayor resolución y con el uso de una serie de imágenes de menor resolución a lo largo del tiempo.
- Los modelos que incorporaron una serie temporal de imágenes derivaron poder predictivo del momento de la emergencia, floración y senescencia de las plantas.
Los hallazgos sugieren que los modelos de aprendizaje profundo pueden identificar con precisión especies individuales en paisajes complejos con imágenes de satélite, incluso si se utiliza una serie temporal de imágenes de menor resolución. Esto significa que, en el futuro, los modelos de aprendizaje profundo tienen un gran potencial para rastrear dinámicamente las especies invasoras a lo largo del tiempo utilizando imágenes satelitales disponibles públicamente . La investigación futura hará un seguimiento de cómo el euforbio frondoso se ha extendido por las Grandes Llanuras en los últimos 35 años y predecirá cómo es probable que cambie su distribución en el futuro con el cambio climático.
Según Moeller, «las especies invasoras son más difíciles que nunca de manejar y la vigilancia vía satélite es un método rápido y de bajo costo para monitorear invasiones dinámicamente».
La investigación fue publicada en Remote Sensing in Ecology and Conservation .
Más información: Thomas A. Lake et al, Deep learning detecta especies de plantas invasoras en paisajes complejos utilizando imágenes satelitales de Worldview-2 y Planetscope,
Remote Sensing in Ecology and Conservation (2022). DOI: 10.1002/rse2.288
