En la Región de Coquimbo los avances en la forma de inventariar este tipo de cuerpos de hielo y roca cobra mayor importancia, debido al proceso de desertificación que le afecta, la disminución de sus precipitaciones; y a que la zona presenta aproximadamente 656 de este tipo de geoformas. (En la imagen, el Dr. Robson al lado de un glaciar de roca (al centro de la foto) en la Cordillera de los Andes, de la Región de Coquimbo. (Imagen: B. Lehmann))
Es probable que todos los días usted suba fotos a Facebook y que el sistema le sugiera etiquetar a un amigo en la imagen, sin necesidad de que lo identifique manualmente; o que ingrese a las aplicaciones de su fono o computador utilizando el reconocimiento facial de estos aparatos, como clave. O que vea un video en YouTube y que esté subtitulado en su idioma nativo, de manera automática. Todas estas opciones y otras son generadas por la tecnología conocida como “deep learning” (aprendizaje profundo en inglés), un algoritmo, u operaciones ordenadas, que ejecuta un computador para capturar información, procesarla a la manera del cerebro humano y devolverla como parte de una respuesta, en diferentes contextos.
La tecnología fue desarrollada por las grandes empresas digitales, como Google, y un grupo de investigadores decidió probarla en el reconocimiento de glaciares de roca en la cuenca de La Laguna en la Cordillera de Los Andes, al interior del Valle de Elqui en la Región de Coquimbo, y en la cuenca de Poiqu en los Himalayas Centrales.
El estudio mostró resultados promisorios. Por medio del uso de imágenes satelitales de libre disponibilidad y de un total de 120 glaciares de roca seleccionados para el análisis, en ambas cuencas, el algoritmo identificó 108. En las pruebas, los científicos también se percataron que no necesariamente se obtienen mejores tasas de detección utilizando datos satelitales de mayor resolución (pagados), aunque con este último tipo de imágenes los glaciares de roca identificados son mapeados con una mayor precisión por el sistema.
Según el Dr. Benjamin Robson, investigador de la Universidad de Bergen en Noruega y autor principal de la publicación, en el estudio deep learning fue combinado con la técnica de “análisis de imagen basado en el objeto” (OBIA), para refinar el resultado de la búsqueda. El investigador explica que el método combina similares píxeles cercanos unos a otros para constituir un objeto. Por ejemplo, un objeto podría ser un lago, otro podría ser un aluvión y un tercero podría ser la lengua de un glaciar de roca. Entonces, OBIA puede asignar a un objeto entero una determinada clasificación para mejorar el resultado final, en vez de sólo a píxeles individuales .
“Queríamos combinar imágenes satelitales de libre disponibilidad, junto con deep learning para reconocer glaciares de roca por su morfología superficial … esperábamos poder detectar los más grandes con las morfologías más prominentes y, potencialmente, con el mayor contenido de hielo. Sin embargo, encontramos que habían otras geoformas que tenían similar patrón espectral a los glaciares de roca, por ejemplo depósitos de avalanchas y en algunos casos depósitos fluviales y glaciales. Por lo tanto, decidimos que un novedoso aspecto del método sería integrar deep learning con análisis de OBIA, que nos permite refinar la clasificación por forma, tamaño y contexto, lo que significa que podíamos hacer nuestro mejor esfuerzo para excluir geoformas que no fuesen un glaciar de roca”, explica el Dr. Robson.
El científico aclara que un método manual de identificación siempre será más preciso que uno automatizado, especialmente cuando se trata de formas complejas, como las de un glaciar de roca, porque siempre habrá casos donde la máquina no podrá identificar algunas características.
“Nuestro objetivo no era igualar la precisión del mapeo manual, sino desarrollar un método que pudiese crear un producto de ‘línea de base’, el cual identifique grandes geoformas en una cuenca. En ese marco, para crear un inventario todavía se necesitaría editar los resultados para tener en cuenta los errores, pero esperamos que con este método la cantidad de tiempo necesaria para editar será significativamente menor que el necesario para crear un inventario desde cero”, añade.
El Dr. Robson señala que otros estudios han utilizado imágenes texturizadas para reconocer glaciares de roca, pero ninguno había integrado deep learning con OBIA anteriormente para este trabajo en particular. A su juicio, el método sería más transferible a otras áreas, ya que su efectividad ha sido probada al menos en dos zonas distintas del planeta.
“Al menos comparado con los pocos estudios que existen, que han mapeado automáticamente glaciares de roca, creo que nuestro método funciona sobre áreas más grandes … Creo que el próximo paso sería tratar en una región más grande y, eventualmente, tratar de entrenar el modelo para que separe los glaciares activos de los inactivos. No estoy seguro si esto es posible, pero sería muy interesante”.
Implicancias en el Norte Chico
En la Región de Coquimbo los avances en la forma de inventariar este tipo de cuerpos de hielo y roca cobra mayor importancia, debido al proceso de desertificación que le afecta, la disminución de sus precipitaciones; y a que la zona presenta aproximadamente 656 de este tipo de geoformas (inventariado por la Dirección General de Aguas, 2015). Al respecto, la Dra. Shelley MacDonell, líder del grupo de glacióloga del CEAZA y una de las autoras del trabajo, explica que esta técnica aumentaría la habilidad para mapear grandes áreas relativamente rápido y de manera frecuente. Añade que potencialmente el método podría utilizarse en el futuro para estudiar automáticamente cambios en glaciares rocosos.
“Probablemente, no necesitaríamos a una persona dedicada en el laboratorio, invirtiendo su tiempo, de forma laboriosa, mapeando glaciares de roca. Por el resultado de este método, sólo necesitaríamos a alguien para evaluar el producto final, lo que significa que dejaríamos libre personas para trabajar en otros problemas, como por ejemplo analizar por qué los glaciares de roca estarían cambiando y cómo esto impactaría en los recursos de agua”.
La científica también agrega que un potencial uso de la tecnología para reconocer entre glaciares rocosos activos e inactivos podría ayudar a estimar sus reservas de hielo.
“Estos avances tecnológicos, utilizados de la manera apropiada, podrían mejorar enormemente nuestra habilidad para entender el sistema hidrológico local y podrían proveer mejor información de base para la toma de decisión” plantea.
La publicación también tiene como coautores al Dr. Tobias Bolch (University of St. Andrews, Reino Unido), Dr. Daniel Hölbling (University of Salzburg, Austria), Dr. Philipp Rastner (University of Zurich, Suiza), Dra. Nicole Schaffer (CEAZA).
Les dejamos una presentación del Dr. Robson (en inglés) donde exhibe más detalles del estudio:
