REDNET-ML: A Multi-Sensor Machine Learning Pipeline for Harmful Algal Bloom Risk Detection Along the Omani Coast

El proyecto REDNET-ML presenta un pipeline de aprendizaje automático reproducible que fusiona datos de múltiples sensores satelitales y modelos de detección de objetos mediante un clasificador CatBoost para predecir el riesgo de floraciones algales nocivas a lo largo de la costa de Omán, validado mediante una evaluación rigurosa y herramientas de visualización operativa.

Lo esencial

Imagina que el océano frente a la costa de Omán es como una inmensa piscina pública que alimenta ciudades, fábricas y granjas. El problema es que, de repente, esta piscina puede llenarse de una "sopa verde" tóxica llamada Floración de Algas Nocivas (HAB). Esta sopa no solo mata a los peces, sino que puede tapar las tuberías de las plantas desalinizadoras (que nos dan agua potable) y dañar la industria.

El proyecto REDNET-ML es como un sistema de alarma inteligente y súper vigilante creado por científicos para detectar esta "sopa verde" antes de que cause desastres.

Aquí te explico cómo funciona, usando analogías sencillas:

1. Los "Ojos" del Sistema (Satélites)

En lugar de tener un solo vigila mirando el mar, el sistema usa tres tipos de "ojos" diferentes que se complementan:

• Los Ojos de Lupa (Sentinel-2): Son como una cámara de alta definición que toma fotos muy cercanas de la costa. Pueden ver detalles pequeños, como si el agua cerca de una planta específica está cambiando de color o textura.
• Los Ojos de Gran Visión (MODIS): Son como una cámara de vigilancia de todo el océano. No ven detalles tan pequeños, pero ven el "clima" general del agua (temperatura y color) en áreas gigantescas.
• Los Detectores de Patrones (IA): Imagina que le enseñas a un perro de búsqueda a oler un tipo específico de flor. Aquí, en lugar de un perro, usamos algoritmos de inteligencia artificial entrenados para reconocer la "forma" o el patrón visual de una floración de algas en las fotos, incluso si no es perfecta.

2. El "Cerebro" que une la información (Fusión de Datos)

El verdadero truco no es solo tener los ojos, sino cómo el cerebro procesa la información.

• El problema de la memoria: A veces, si entrenas a un estudiante para un examen dándole las respuestas de la prueba anterior, aprobará, pero fallará en el examen real si las preguntas cambian un poco. En el mundo de los satélites, esto se llama "filtración" (leakage). Si el sistema ve la misma foto en el entrenamiento y en la prueba, se hace "inteligente" pero no es útil.
• La solución de REDNET: El sistema está diseñado para ser honesto y estricto. Nunca deja que el sistema "lea las respuestas" del futuro. Entrena con datos de años pasados y prueba con datos de años futuros, asegurándose de que lo que aprende es real y no un truco de memoria.

3. El "Juez" y las Alertas (El Modelo de Decisión)

Una vez que el sistema tiene toda la información (fotos, temperatura, patrones), un "juez" llamado CatBoost (un tipo de inteligencia artificial muy bueno con tablas de datos) toma la decisión.

• No dice simplemente "Sí" o "No". Dice: "Hay un 65% de probabilidad de que haya un problema".
• Luego, traduce ese porcentaje en dos niveles de alerta, como un semáforo:
  • 🟡 ALERTA DE VIGILANCIA (WATCH): "Algo raro está pasando. Revisen esto, pero no entran en pánico todavía". Es como ver nubes oscuras y decir "mejor llevo paraguas".
  • 🔴 ALERTA DE ACCIÓN (ACTION): "¡Casi seguro que es una floración tóxica! ¡Activen los protocolos de emergencia!". Es como ver un tornado y correr al refugio.

4. ¿Por qué es importante esto?

Antes, detectar estas algas era como buscar una aguja en un pajar, a veces demasiado tarde. Con REDNET-ML:

• Es rápido: Analiza datos de satélites automáticamente.
• Es transparente: Si alguien pregunta "¿Por qué sonó la alarma?", el sistema puede mostrar exactamente qué datos (temperatura, color del agua, forma de la mancha) causaron la alerta.
• Es adaptable: El sistema sabe que el océano cambia. Si el comportamiento del agua cambia con los años (como cuando el clima se vuelve más cálido), el sistema lo nota y avisa que quizás necesite recalibrarse.

En resumen

REDNET-ML es como un guardián digital que vigila las costas de Omán las 24 horas del día. Usa fotos de satélites, detecta patrones extraños en el agua y le dice a los humanos: "Oye, hay un 80% de chance de que esa mancha verde sea peligrosa, mejor revisen las tuberías antes de que se tapen". Todo esto se hace sin trucos, con mucha precisión y listo para usarse en el mundo real.

Resumen técnico

Resumen Técnico: REDNET-ML

Detección de Riesgo de Floraciones Algales Nocivas (HAB) a lo largo de la Costa de Omán mediante un Pipeline de Aprendizaje Automático Multisensor

1. Problema y Motivación

Las floraciones algales nocivas (HAB, por sus siglas en inglés) representan una amenaza crítica para la infraestructura costera, la pesca y, específicamente en la región del Golfo de Omán, para los sistemas de suministro de agua dependientes de la desalinización. Estos eventos biológicos alteran la calidad del agua, agotan el oxígeno y pueden introducir toxinas.

El desafío principal para la detección automatizada radica en:

• Escasez y retraso de etiquetas: La "verdad terrena" (ground truth) de los eventos HAB es limitada, heterogénea y a menudo se reporta con retraso.
• Ruido en los datos: Las etiquetas disponibles pueden ser imprecisas o tener una resolución temporal gruesa.
• Fugas de datos (Data Leakage): Las divisiones aleatorias tradicionales en conjuntos de entrenamiento/prueba suelen sobreestimar el rendimiento en datos de teledetección debido a la correlación temporal y espacial (aprender artefactos de escenas específicas en lugar del fenómeno subyacente).

2. Metodología

REDNET-ML propone un pipeline de extremo a extremo, reproducible y libre de fugas de datos para generar probabilidades de riesgo de HAB centradas en plantas industriales específicas.

A. Fusión de Datos Multisensor

El sistema integra tres fuentes de información principales:

1. Sentinel-2 (Alta Resolución): Se procesan "chips" (recortes de imagen) ópticos para extraer índices espectrales (ej. NDWI, índices inspirados en FAI) y señales de textura.
2. MODIS Nivel 3 (Contexto Regional): Se utilizan indicadores de color del océano (clorofila-a, $K_d(490)$, NFLH) y térmicos (Temperatura Superficial del Mar - SST) para capturar la variabilidad a gran escala.
3. Evidencia de Imagen Aprendida: En lugar de usar detectores de objetos como clasificadores finales, se emplean como generadores de evidencia. Modelos de detección (Faster R-CNN, SSD) identifican patrones espaciales similares a floraciones y sus puntuaciones de confianza se resumen en características tabulares robustas.

B. Estrategia de Etiquetado y Validación No Fugitiva

• Minería de Etiquetas: Dada la escasez de etiquetas confiables, el sistema fusiona un subconjunto de "etiquetas confiables" (validadas manualmente) con "etiquetas débiles" derivadas heurísticamente de anomalías en los datos satelitales.
• División de Datos Estricta: Se implementan estrategias de validación cruzada (CV) que evitan fugas:
  • CV Grupal (Group-safe): Evita que chips de la misma pasada satelital (overpass) aparezcan en entrenamiento y prueba simultáneamente.
  • CV Temporal: Entrenamiento en periodos anteriores y prueba en periodos posteriores para simular un despliegue operativo real.

C. Modelo de Fusión de Decisiones

• Algoritmo: Se utiliza CatBoost para la fusión de decisiones, aprovechando su robustez ante interacciones no lineales y su manejo de datos tabulares.
• Entradas: Características de Sentinel, predictores MODIS, resúmenes de puntuaciones de detectores y codificación de estacionalidad (seno/coseno).
• Política de Alerta: El modelo genera una probabilidad calibrada ($\hat{p}_t$) que se traduce en dos estados operativos:
  • WATCH (Vigilancia): Umbral bajo para maximizar la detección de candidatos (alta sensibilidad).
  • ACTION (Acción): Umbral alto para escalar eventos de alta confianza.

3. Contribuciones Clave

1. Pipeline No Fugitivo: Diseño metodológico que prioriza la integridad temporal y espacial en la división de datos, evitando la sobreestimación del rendimiento común en estudios de teledetección.
2. Enfoque de Evidencia de Imagen: Uso innovador de detectores de objetos como extractores de características espaciales robustas en lugar de clasificadores directos, mitigando el problema de la escasez de etiquetas positivas.
3. Operacionalización Completa: Desarrollo de un flujo de trabajo de inferencia de extremo a extremo y un visor de campo de riesgo que permite la exploración interactiva por planta y tiempo.
4. Transparencia y Reproducibilidad: El proyecto incluye scripts exportables, métricas de evaluación (ROC/PR, curvas de calibración, SHAP) y un análisis de deriva (drift) para monitorear la estabilidad del modelo en el tiempo.

4. Resultados y Evaluación

• Rendimiento Predictivo: Bajo validación cruzada grupal, el modelo fusionado alcanzó un AUROC promedio de 0.842 y un AUPRC (Precisión-Recall) de 0.731.
• Métricas Operativas: En un umbral operativo seleccionado para mantener un recall mínimo del 60%, el modelo logró una precisión de aproximadamente 0.682 y un recall de 0.605.
• Comparación de Detectores:
  • Faster R-CNN (ResNet50) y SSD MobileNet demostraron ser los mejores generadores de evidencia (Recall regional > 0.94).
  • YOLOv8 fue excluido del ensemble final al no aportar mejoras materiales en la cobertura, reduciendo así la complejidad del sistema.
• Análisis de Deriva (Drift): El análisis de distribución entre 2017-2024 y 2025 mostró una deriva significativa (PSI y distancia KS altos), indicando que los umbrales fijos pueden volverse inestables con el tiempo. Esto justifica la estrategia de mantener una política de "WATCH" robusta y recalibrar periódicamente la acción "ACTION".

5. Significado e Impacto

REDNET-ML demuestra que es posible construir sistemas de alerta temprana para HABs que sean operativamente útiles bajo restricciones realistas (etiquetas ruidosas, dependencia temporal fuerte).

• Para la Industria: Proporciona una herramienta de decisión basada en datos para proteger infraestructuras críticas como plantas desalinizadoras en Omán.
• Para la Ciencia: Establece un nuevo estándar para la evaluación de modelos de ML en teledetección, enfatizando la necesidad de divisiones de datos libres de fugas y la interpretación de la deriva de distribución.
• Sostenibilidad: Al permitir una detección temprana, ayuda a mitigar el impacto económico y ecológico de las floraciones algales en el Golfo de Omán.

El sistema no solo predice el riesgo, sino que ofrece una arquitectura modular que permite la actualización de sensores y modelos sin romper el flujo de inferencia, asegurando su viabilidad a largo plazo.