Embed Size (px)
Citation preview
Análisis funcional de la comunidad de macroinvertebrados acuáticos como indicadores de la calidad ambiental de tres
ríos mediante el procesamiento digital de imágenes en Antioquia, Colombia
Ing. M.Sc Juan Pablo Serna López1
Juan S. Lobo2, David S. Fernández3, Fabio D. Vélez 4, Néstor J. Aguirre5
1,4,5Escuela Ambiental. Facultad de Ingeniería. Universidad de Antioquia.
2,3Departamento de Electrónica. Facultad de Ingeniería. Universidad de Antioquia.
31 de Mayo de 2019
Grupos funcionales alimenticios de los macroinvertebrados acuáticos
Cambios en el gradiente altitudinal
Técnicas para identificación
Recursos hídricos en Colombia
Problemas ambientales
[1] Wagner, Robert G., and John C. Zasada. (1991). “Integrating Plant Autecology and SilviculturalActivities to Prevent Forest Vegetation Management Problems
2
Introducción
Introducción
Barros et al., 2019
Carter et al., 2017
Ecología funcional¿Quiénes?¿Cuántos?¿Cómo interactúan?
Negret et al., 2016
Grupos funcionales alimenticios- “Río como continuo”
Colectores>Fragmentadores>herbívoros>Predadores
Colectores>Herbívoros>Predadores> Fragmentadores
Colectores >Predadores
Tomado de Wilder et al., 2011
Procesamiento digital de imágenes y aprendizaje de maquinas
Dell et al., 2014
Leow et al., 2015
Objetivo: Analizar la estructura trófica de los macroinvertebradosacuáticos en tres diferente ríos siguiendo el gradiente altitudinalapoyado del procesamiento digital de imágenes.
Hipótesis Si se logra integrar las características funcionales de los macroinvertebradosacuáticos en relación a su comportamiento, relaciones de dependencia, estado trófico yabundancia con los elementos biogeográficos, es posible encontrar organismos que indiquenno solo la calidad ambiental del agua sino de la estabilidad ambiental de un reoambiente.
1. Pregunta de investigación: ¿Cuáles son los principales roles tróficos y especiesindicadoras de macroinvertebrados acuáticos en tres reoambientes?
2. Pregunta de investigación: ¿Cuales de las técnicas de procesamiento de imágenes (PDI)provee de beneficios adicionales a las metodologías tradicionales de reconocimiento demacroinvertebrados acuáticos?
Hipótesis Tradicionalmente en la evaluación de la calidad del agua se debe tener enconsideración las variables físicas, químicas, hidráulicas y biológicas. Estas últimas, requierende expertos entomólogos para la identificación de los organismos. Las técnicas PDI pueden seruna herramienta complementaria a los métodos tradicionales y que sirven para tener un mejory real entendimiento de los reoambientes.
Preguntas de Investigación y Objetivo general
Área de estudio
Alcaldía de Concordia, A. (2016). “Alcaldía de Concordia, Antioquia.” http://www.concordia-antioquia.gov.co/index.shtml#3.Aguirre, Néstor J. (2014). “Calidad Fisicoquímica E Hidrobiológica Del Rio San Juan, Andes, Antioquia.” In Dialogos de Saberes Y Oportunidades de La Regio,Murillo, Mailedt. et al. (2016). “Aplicación de Tres Índices Bióticos En El Río San.” 6(2): 59–73.López, Pedro A. (2013). “Propuesta de Prevención Y Manejo de La Contaminación Por Mercurio En La Región de La Mojana.”Torres, John Fredy, and Gabriel a. Pinilla. (2011). “Revisión de Las Características Limnológicas de Los Sistemas Acuáticos de La Región de La Mojana.”
8
Quebrada Nitrera
Río San Juan
Río Cauca
• Concordia, Antioquia• Principal afluente del
Embalse.• 2161m.s.n.m.• 17°C• Pluviosidad 2000mm/año
• Suroeste de Antioquia• Agricultura, minería,
ganadería extensiva.• 2161m.s.n.m.• 22-28°C• Pluviosidad 2029mm/año
• Tramo Bolombolo, Sta Fe de Antioquia, Caucasia.
• Minería, sedimentos, metales pesados.
• 50-550m.s.n.m.• 25-30°C• Pluviosidad 1260-2530
mm/año
Mediciones insitu
pH, Conductividad,Oxigeno,temperatura.
Mediciones en el laboratorio
Turbiedad, Nutrientes, dureza.
Metodología
Pregunta Variables Métodos Diseño propuesto
1
-Taxa-Índices bióticos-Hábitat-Rol trófico
abundancia relativa debiomasas de losllamados gruposfuncionalesalimenticios (GFA)
Muestreo cuantitativo9 estaciones2 réplicas por estaciónHojarasca (HOJ), grava(GRA), troncos (TRO),sedimento y/o arena (SED)
2
-Imagen y video-Ruido-Pixeles
-Clasificador(Agrupamientos)-Maquinas de soportevectorial
-Obtención de la imagen.-Segmentación-Extracción decaracterísticas.-Clasificación-Decisión.
Diseño experimental
[8]Quintero, C. Merchan, F. Cornejo, A. Sanchez, J.(2017). Uso de redes neuronalesconvolucionales para el reconocimiento automaticos de imagenes de MA para el [9]Biomonitoreoparticipativo
11
Metodología
Macroinvertebrados acuáticos La Nitrera, San Juan, Cauca
Estéreo Zeiss StemiDV4 + iphone 7
Imagen almacenada en la base de datos
Set de entrenamiento
ROI segmentado con orientación estándar
Valores de las características
extraídas
Selección de características
Entrenamiento del modelo
Selección del modelo
Set de testeo
ROI segmentado con orientación estándar
Valores de las características extraídas
Reconocimiento e identificación de
imágenes
Evaluación del sistema
Metodología
Resultados
N1
N2
N3
Resultados: Abundancia de macroinvertebrados acuáticos en la Q. La Nitrera, Antioquia
0 3 6 9 12 15 18frecuencia
VellidaeLeptophlebiidae
BaetidaeTricorythidae
CalopterygidaeGomphidae
ElmidaePtilodactylinidae
PsephenidaeHydropsychidae
HydrobiosidaeCalamoceratidae
LeptoceridaePhilopotamidae
PerlidaeChironomidae
Gamaridae
0 10 20 30 40frecuencia
LeptophlebiidaeBaetidae
TricorythidaePolythoridae
ElmidaePtilodactylinidae
GyrinidaeHydropsychidae
HydrobiosidaeCalamoceratidae
PerlidaeSimullidae
CeratopogonidaePlanaridaeGamaridae
0 4 8 12 16 20 24frecuencia
LeptophlebiidaeBaetidae
CalopterygidaeElmidae
PtilodactylinidaePsephenidae
HydropsychidaeHydrobiosidae
PerlidaeSimullidae
TipulidaePlanaridae
SJ1
SJ2
SJ3
0 10 20 30 40frecuencia
LeptophlebiidaeBaetidae
TricorythidaeElmidae
CurculionidaeHydropsychidae
LeptoceridaePerlidae
ChironomidaeSimullidae
0 10 20 30 40frecuencia
LeptophlebiidaeBaetidae
TricorythidaeElmidae
HydropsychidaeHydrobiosidae
PerlidaeLepidoptera
ChironomidaeSimullidaePlanaridae
0 4 8 12 16 20 24frecuencia
Leptophlebiidae
Baetidae
Libellulidae
Elmidae
Hydropsychidae
Hydrobiosidae
Corydalidae
Chironomidae
Simullidae
Resultados: Abundancia de macroinvertebrados acuáticos en el río San Juan, Antioquia
CE1
CE2
0 3 6 9 12 15frecuencia
Leptophlebiidae
Baetidae
Chironomidae
Physidae
Limnaeidae
Thriaridae
Hydrobiidae
Corbiculidae
Palaemonidae
0 20 40 60 80 100
Vellidae
Leptophlebiidae
Hydropsychidae
Palaemonidae
Resultados: Abundancia de macroinvertebrados acuáticos en un tramo del río Cauca, Antioquia
CE3
ResultadosAnálisis digestivo de los principales grupos
Restos de animales
Residuos vegetales
Algas perifíticas
Taxon Grupo Trófico
Traulodes sp Filtrador
Anacroneuria sp Depredador
Baetis sp Colector
Chrinomidae Colector
Hetaerina sp Depredador
Leptoyphes sp Colector
Phylloicus sp Fragmentadores
Physa sp --
Simuliium sp Filtrador
Smicridea sp Filtrador
Traverella sp ColectorHetaerina sp
Grupos funcionales por río durante 2017 y 2018
Grupos funcionales por mes durante 2017 y 2018
Lluvia: Abr, Oct Seca: Jul Transición: ago-sep
20
Resultados: Procesamiento digital de imágenes de MA
La Base de datos se dividen en 2 grupos de datos:- Entrenamiento y validación (537 imágenes)-Testeo (50 imágenes)
Traulodes Travellera
Anacroneuria Smicridea
Ephemeroptera → Leptophlebiidae → Traulodes: (124 Imágenes)Ephemeroptera → Leptophlebiidae → Traverella1: (162 Imágenes)Ephemeroptera → Leptophlebiidae → Traverella2: (78 Imágenes)Plecoptera → Perlidae → Anacroneuria: (73 Imágenes)Trichoptera → Hydropsychidae → Smicridea : (150 Imágenes)
Aprendizaje Profundo- Bag of words,eficiencia superó el0.93 (93%).
Vector de características - Bolsa de 250 palabras (BOW) y algoritmos de aprendizaje de máquinas
Matriz de confusión
Traulodes
Travellera
Anacroneuria
Smicridea
Traulodes Travellera Anacroneuria Smicridea
81 6
167 1
50 1
813
Resultados
Resultados MACRODEX: aplicativo para la identificación de algunos macroinvertebrados acuáticos en Matlab
Link: https://la.mathworks.com/matlabcentral/fileexchange/70077-macrodex?focused=1b488ced-8a85-40f2-9421-603afb370435&tab=app
Conclusiones● Los macroinvertebrados acuáticos reflejan las condiciones de calidad
ambiental debido a que las comunidades responden a sus preferenciasalimenticias.
● La estrategia basada en técnicas de aprendizaje profundo nos lleva auna tasa de aciertos aceptable.
Se logra eficiencia del 93% utilizando la técnica de extracción decaracterísticas ‘bag of words’ y un SVM como clasificador.
● Es posible estandarizar condiciones en laboratorio para reducir eltiempo de la identificación de macroinvertebrados acuáticos de unecosistema acuático usando técnicas de aprendizaje profundo.
● Este sistema puede convertirse en un complemento útil para elbiomonitoreo acuático.
