Metodología para la determinación de parámetros de calidad del agua en cuerpos lénticos haciendo uso de imágenes multiespectrales de dron y aprendizaje computacional

Abstract

El uso de sensores remotos multiespectrales acoplados a aeronaves no tripuladas representa una alternativa ágil y económica para la estimación de parámetros de calidad del agua. Sin embargo, en zonas tropicales y en el contexto colombiano, el conocimiento sobre su modelamiento mediante algoritmos de aprendizaje automático sigue siendo limitado. Este estudio tiene como objetivo desarrollar una metodología para evaluar la calidad del agua en cuerpos lénticos utilizando imágenes multiespectrales obtenidas con UASy tres parámetros clave: turbidez, fosfatos y nitratos. Se empleó un dron DJI M300 RTK con el sensor RedEdge Micasense P para generar ortoimágenes multiespectrales sobre dos cuerpos de agua en Cundinamarca, Colombia. Además, se recolectaron 30 muestras espacializadas de los parámetros mencionados. Se calcularon índices espectrales de agua y vegetación, y mediante regresión por mínimos cuadrados parciales (PLS), se determinó la importancia de cada variable en la predicción. Posteriormente, se desarrollaron y compararon tres algoritmos de aprendizaje automático: SVR, RFR y GBR. Los resultados demostraron una asociación significativa entre la reflectancia multiespectral y los parámetros de calidad del agua, con los índices de agua y vegetación como las variables más influyentes. Entre los modelos evaluados, GBR mostró el mejor desempeño, con un ajuste óptimo en el entrenamiento y el menor RMSE en la validación. Estos hallazgos destacan el potencial del aprendizaje automático para la estimación espacial de la calidad del agua, lo que resulta clave para la gestión de los recursos hídricos y la conservación de los servicios ecosistémicos de los cuerpos de agua lénticos. (Texto tomado de la fuente).

The use of unmanned aerial vehicles equipped with multispectral remote sensors provides a fast and cost-effective alternative for estimating water quality parameters. However, in tropical regions and within the Colombian context, knowledge about their modeling through machine learning algorithms remains limited. This study aims to develop a methodology for assessing water quality in lentic water bodies using multispectral drone imagery and three key parameters: turbidity, phosphates, and nitrates. A DJI M300 RTK drone equipped with the RedEdge Micasense P sensor was used to generate multispectral orthomosaics over two lentic water bodies in Cundinamarca, Colombia. Additionally, 30 spatially distributed samples of the mentioned parameters were collected. Water and vegetation spectral indices were calculated, and the importance of each variable in prediction was determined using Partial Least Squares (PLS) regression. Subsequently, three machine learning algorithms—SVR, RFR, and GBR—were developed and compared. The results demonstrated a significant association between multispectral reflectance and water quality parameters, with water and vegetation indices being the most influential variables. Among the evaluated models, GBR showed the best performance, with optimal training fit and the lowest RMSE in validation. These findings highlight the potential of machine learning for spatial estimation of water quality, which is essential for water resource management and the conservation of the ecosystem services provided by lentic water bodies.