Análisis de resolución espectral-espacial usando imágenes hiperespectrales de dron y multispectrales de satélite para el monitoreo de aguas costeras someras

Por qué importa este estudio costero

Las aguas costeras someras albergan praderas de fanerógamas marinas, arrecifes y bancos de algas que protegen las costas, sostienen pesquerías y almacenan carbono. Sin embargo, estos hábitats son difíciles de cartografiar y vigilar con frecuencia usando sólo embarcaciones. Este estudio muestra cómo volar una cámara hiperespectral en un dron y combinar esa información con vistas tipo satélite puede producir mapas detallados y repetibles de la profundidad del agua y los hábitats del lecho marino, ayudando a las comunidades a gestionar costas frágiles frente a crecientes presiones humanas y climáticas.

Mirando el mar desde arriba

Los investigadores se centraron en la playa de Las Canteras, un litoral urbano en Gran Canaria protegido por su rica vida marina pero muy concurrido por residentes y turistas. Una barra rocosa natural calma las aguas y hace que el fondo sea claramente visible desde arriba, lo que resulta ideal para la teledetección óptica. Históricamente, la zona albergó extensas praderas de fanerógamas marinas, que en gran parte han desaparecido al alterar la construcción costera el movimiento de la arena. Hoy, parches de algas verdes, pardas y rojas, junto con arena y roca, forman un mosaico en el lecho que refleja tanto cambios naturales como impactos humanos.

Poniendo a prueba diferentes “ojos” sobre el agua

En el corazón del trabajo hay un experimento ingenioso: en lugar de comparar directamente cámaras distintas voladas u orbitales en momentos diferentes, el equipo partió de una única imagen de dron muy detallada capturada por un sensor hiperespectral (97 bandas estrechas de color a 10 centímetros de resolución). A partir de esta referencia única, degradaron matemáticamente los datos para emular un satélite comercial con 8 bandas más anchas y una cámara RGB simple con sólo 3 bandas, cada una en tamaños de píxel finos (10 cm) y más gruesos (2 m). Esto produjo seis versiones controladas de la misma escena, todas libres de diferencias en el clima, la claridad del agua o las mareas. Luego usaron estas imágenes para estimar la profundidad del agua (batimetría) y clasificar los tipos de fondo (vegetación, arena y roca) empleando una mezcla de fórmulas bien conocidas y métodos modernos de aprendizaje automático.

Leer profundidad y hábitats a partir del color

Para recuperar la profundidad, el estudio comparó un enfoque matemático establecido que relaciona la luz en dos bandas de color con la profundidad, con un modelo de aprendizaje automático más flexible que aprende patrones a partir de muchas bandas a la vez. Para los hábitats del lecho, entrenaron dos tipos de clasificadores: máquinas de vectores de soporte y redes neuronales feedforward, ambos guiados por inspecciones en el agua y fotografías del fondo. En todas las pruebas, los datos hiperespectrales del dron ofrecieron los resultados más precisos, con errores de profundidad de apenas unos 15 centímetros y aproximadamente un 94 % de clasificación correcta de hábitats. Las imágenes multispectrales, similares a las de satélites comerciales comunes, rindieron casi igual, ofreciendo un sólido compromiso entre detalle, cobertura y coste. La versión RGB más simple hizo un trabajo aceptable para la profundidad, pero tuvo dificultades para separar de forma fiable los distintos tipos de fondo en este hábitat complejo, sobre todo al intentar distinguir entre especies de algas similares.

¿Qué importa más: nitidez o riqueza cromática?

Una de las preguntas clave fue si importan más los píxeles más finos o la mayor riqueza de color. Para la profundidad, la respuesta es sorprendente: cambiar el tamaño de píxel de 10 cm a 2 m apenas afectó la precisión. Dado que la profundidad está controlada principalmente por cómo se atenúa la luz en el agua, el detalle espacial muy alto aporta poco cuando las aguas tienen sólo unos pocos metros de profundidad y son relativamente lisas. Para la cartografía de hábitats, sin embargo, tanto la riqueza espacial como la espectral tienen más peso. Píxeles más finos reducen la mezcla de arena, roca y plantas dentro de cada píxel, facilitando la separación de clases. Y cuando el objetivo es distinguir entre tipos de algas similares, disponer de más bandas espectrales ayuda claramente. El modelo de red neuronal aprovechó mejor esta información adicional, superando al clasificador más tradicional.

Rastreando una preocupante pérdida de vegetación marina

Además de la prueba de métodos, el equipo comparó también una imagen satelital real de 2016 con los datos del dron de 2023, ajustados para coincidir con la resolución más tosca del satélite. Detectaron una pérdida estimada de unas 7.200 metros cuadrados de vegetación marina, gran parte probablemente debida a praderas de la alga verde Cymopolia barbata. Sumado a la ya documentada desaparición de las praderas históricas y una tendencia local de calentamiento de la temperatura superficial del mar junto con un uso recreativo intenso y problemas periódicos de calidad del agua, los resultados sugieren que este arrecife urbano está bajo un estrés significativo.

Qué significa esto para las costas y las comunidades

Para el público general, el mensaje es doble. Primero, las imágenes modernas desde drones y satélites, analizadas con aprendizaje automático, pueden ahora proporcionar mapas precisos y repetibles de la profundidad en aguas someras y de la vida del lecho marino sin necesidad de encuestas constantes desde embarcaciones. Esto hace práctico vigilar cómo cambian los hábitats costeros a lo largo de años o incluso estaciones. Segundo, el caso de Las Canteras muestra por qué ese monitoreo es urgente: valiosos “bosques” submarinos pueden reducirse silenciosamente bajo el peso combinado del calentamiento del mar y la presión humana local. El enfoque presentado aquí ofrece un conjunto de herramientas práctico para que ciudades y agencias de conservación vigilen más de cerca sus barrios submarinos y actúen antes de que los hábitats clave se pierdan.

Cita: Mederos-Barrera, A., Eugenio, F. & Marcello, J. Spatial-spectral resolution analysis using drone hyperspectral and satellite multispectral imagery for shallow coastal water monitoring. Sci Rep 16, 14511 (2026). https://doi.org/10.1038/s41598-026-38166-7

Palabras clave: cartografía costera, imágenes hiperespectrales con dron, batimetría en aguas someras, monitoreo de hábitats bentónicos, pérdida de vegetación marina