Contributing to Fishery Productivity in Colombia: A Machine Learning Approach to Predict Missing Chlorophyll-A Values Using MODIS Satellite Imagery

El sector pesquero en Colombia desempeña un papel importante, contribuyendo con el 0,3% del Producto Interno Bruto (PIB) del país y generando exportaciones por un valor de US∃45,1 millones, equivalente al 3,3% del PIB agrícola. Sin embargo, su gestión enfrenta desafíos como la pesca de especies no objetivo, el control inadecuado de la sobrepesca y problemas de gestión de recursos, entre otros, que afectan la producción pesquera. Este artículo destaca la necesidad de mejorar la medición de clorofila-a para optimizar la producción pesquera. Las mediciones de clorofila-a son indicadores vitales de la salud de los ecosistemas marinos. El uso de imágenes satelitales como MODIS es crucial para la recolección precisa de datos. Sin embargo, la ubicación geográfica de Colombia, caracterizada por una alta nubosidad, compromete la calidad de las imágenes durante gran parte del año, lo que plantea limitaciones significativas para el reporte de valores de clorofila-a. Proponemos un algoritmo de aprendizaje automático para predecir valores de clorofila-a en imágenes MODIS para abordar este problema. El enfoque demuestra una precisión superior a 0,8 con respecto al R-cuadrado para predecir valores de clorofila-a faltantes. Al superar las limitaciones espaciales causadas por la nubosidad, este método permite una evaluación más precisa de las zonas de pesca. También se aplicaron y evaluaron diversos modelos de aprendizaje automático en el contexto de la investigación. Los resultados arrojaron una recuperación del 5 % de los valores de clorofila-a para 2023, lo que enriquece el conocimiento y las prácticas de gestión del sector pesquero colombiano. © 2024 IEEE.