Mapeo de alta resolución asistido por aprendizaje profundo de densidades de Dendrophyllia cornigera (Lamarck, 1816) y Phakellia ventilabrum (Linnaeus, 1767) en el Sistema de Cañones de Avilés y Capbreton, Golfo de Vizcaya

Abstract

En España, el hábitat 1170 Arrecifes está ampliamente distribuido, desde la línea de costa hasta los fondos profundos. Entre su variedad de tipologías, este trabajo se ha centrado en los afloramientos rocosos de la plataforma circalitoral del mar Cantábrico, donde una de las principales comunidades está estructurada por el coral amarillo Dendrophyllia cornigera y la esponja de copa Phakellia ventilabrum . El objetivo principal de este estudio es establecer un flujo de trabajo continuo basado en modelos de aprendizaje profundo para extraer datos de densidad de especies a partir de imágenes en bruto obtenidas por un ROV. Para lograrlo, se evaluaron y compararon diferentes modelos de detección de objetos, como YOLOv7, YOLOv8 y Faster R-CNN, en plataforma continental aledaña a dos Sistemas de Cañones Submarinos (SCS). Los modelos fueron entrenados y validados en imágenes del SCS de Avilés. Posteriormente, se validaron los modelos previamente entrenados en imágenes del SCS de Capbreton, con el objetivo de determinar si los modelos eran capaces de detectar las especies en un ambiente diferente al que fueron entrenados. Los resultados destacan que YOLOv8 sobresalió en precisión, recuperación y F1, obteniendo una precisión del 92.4% en el SCS Avilés. En el SCS Capbreton, el modelo también supo generalizar de manera efectiva ambas especies. Con el modelo YOLOv8 previamente entrenado, se generaron 27.668 anotaciones automáticas. Las anotaciones permitieron calcular una densidad media de 1,07 y 3,82 individuos/m² de P. ventilabrum y D. cornigera, respectivamente , en las dos zonas de estudio con un área barrida de 5647,48 m². Estos resultados resaltan el potencial del aprendizaje profundo para mejorar la eficiencia y precisión en el seguimiento de ecosistemas marinos vulnerables, permitiendo tomar decisiones informadas que puedan tener un impacto positivo en la conservación del medio marino.

In Spain, the 1170 Reef habitat is widely distributed, from the coastline to deep waters. Among its variety of typologies, this work has focused on the rocky outcrops of the circalittoral platform of the Cantabrian Sea, where communities are structured by the yellow coral Dendrophyllia cornigera and the cup sponge Phakellia ventilabrum . The main objective of this study was to establish a pipeline based on deep learning models to extract species density data from raw images obtained by ROV. To achieve this, different object detection models, such as YOLOv7, YOLOv8 and Faster R-CNN, were evaluated and compared in various Submarine Canyon Systems (SCS). The models were trained and validated on images from the Avilés SCS. Subsequently, the previously trained models were validated on images from the Capbreton SCS, with the aim of determining whether the models were capable of detecting species in an environment different from the one they were trained on. The results highlight that YOLOv8 excelled in accuracy, recall and F1, achieving an accuracy of 92.4% in the Avilés SCS. In the Capbreton SCS, the model also effectively generalized both species. With the previously trained YOLOv8 model, 27,668 automatic annotations were generated. The annotations allowed to calculate an average density of 1.07 and 3.82 individuals/m² for P. ventilabrum and D. cornigera , respectively, in the two study areas with a swept area of 5647.48 m². These results highlight the potential of deep learning to improve efficiency and accuracy in monitoring vulnerable marine ecosystems, allowing informed decisions to be made that can have a positive impact on marine conservation.