When Does Feature Engineering Matter? A Multi-Algorithm Comparison of Sentinel-2 Classifiers for Coastal and Mangrove Mapping in the Persian Gulf

La costa es un lugar de negociación constante. Es donde la tierra se encuentra con el mar, un límite cambiante que sustenta algunos de los ecosistemas más vitales de la Tierra, desde los bosques de manglares que protegen las costas hasta las llanuras intermareales que alimentan a innumerables especies marinas. Sin embargo, estas áreas también están bajo presión debido al desarrollo humano, el aumento del nivel del mar y la actividad industrial. Para protegerlas, los científicos necesitan saber exactamente qué está sucediendo en el terreno: dónde están los árboles, dónde el agua es poco profunda y dónde la tierra está desnuda. Durante décadas, la herramienta principal para observar estos vastos lugares de difícil acceso desde arriba ha sido la imaginería satelital. Estos satélites capturan la luz reflejada por la superficie de la Tierra, creando una imagen que las computadoras pueden analizar para clasificar el paisaje en diferentes categorías, como bosque, agua o ciudad. Sin embargo, convertir esas imágenes brutas en mapas precisos no es una tarea sencilla. La luz que rebota en un árbol de mangle se ve diferente de la luz que rebota en un banco de lodo, pero la diferencia puede ser sutil, y los programas informáticos utilizados para distinguirlos deben elegirse cuidadosamente. Si se utiliza el programa equivocado, o si los datos introducidos en él no se preparan correctamente, el mapa resultante podría ser engañoso, lo que podría conducir a decisiones erróneas sobre cómo gestionar estos frágiles entornos.

En el Golfo Pérsico, una región donde los bosques de manglares enfrentan una intensa presión de la infraestructura de petróleo y gas, un investigador llamado Keivan Kabiri se propuso encontrar la forma más fiable de mapear estos paisajes costeros. Se centró en cinco sitios específicos a lo largo de la costa sur de Irán, que van desde masas de manglar relativamente intactas hasta áreas fuertemente influenciadas por instalaciones industriales. Para probar el mejor enfoque, recopiló imágenes satelitales de alta resolución de la misión Sentinel-2 de la Agencia Espacial Europea. Estas imágenes ofrecen una visión clara de la Tierra con una resolución de diez metros, lo que significa que cada píxel en la imagen representa un cuadrado de diez por diez metros en el terreno. El desafío era determinar qué algoritmo informático podía clasificar mejor estos píxeles en ocho categorías distintas: mangle, llanura de lodo, suelo, agua somera, agua profunda, terreno estéril, zonas urbanizadas y vegetación general. Para hacer esto, Kabiri comparó cuatro métodos diferentes. Dos de ellos fueron herramientas de aprendizaje automático modernas y potentes conocidas como Random Forest (Bosque Aleatorio) y Extreme Gradient Boosting, que aprenden de ejemplos para tomar decisiones complejas. Un tercero fue el Support Vector Machine (Máquina de Vectores de Soporte), otro algoritmo sofisticado utilizado frecuentemente en la teledetección. El cuarto fue el Maximum Likelihood Classification (Clasificación de Máxima Verosimilitud), un método tradicional mucho más antiguo que se basa en supuestos estadísticos sobre cómo se comporta la luz.

El estudio probó estos algoritmos bajo dos condiciones diferentes para ver cuánto importaba la preparación de los datos. En el primer escenario, las computadoras recibieron solo las seis bandas de luz brutas capturadas por el satélite, que corresponden a diferentes colores de luz desde el espectro visible hasta el infrarrojo. En el segundo escenario, los investigadores añadieron cuatro capas adicionales de información a los datos. Estas no eran nuevas imágenes, sino combinaciones matemáticas de las bandas de luz existentes diseñadas para resaltar características específicas, como la salud de la vegetación o la claridad del agua. Este proceso, conocido como ingeniería de características, se considera a menudo un paso necesario para mejorar la precisión. Los investigadores ejecutaron entonces la clasificación en los cinco sitios y verificaron su trabajo con una referencia de muy alta resolución. Previamente habían sobrevolado estos mismos lugares con drones para crear mapas aéreos detallados, los cuales sirvieron como la verdad de terreno para ver qué mapas basados en satélites eran realmente correctos.

Los resultados revelaron una distinción clara y sorprendente entre los métodos antiguos y los nuevos. Los tres algoritmos modernos —Random Forest, Support Vector Machine y Extreme Gradient Boosting— funcionaron excepcionalmente bien en casi todos los casos. Lograron una precisión general de aproximadamente el 95 al 97 por ciento, identificando correctamente el tipo de cobertura terrestre para casi cada píxel. Sorprendentemente, estas herramientas de alto rendimiento no necesitaron la información adicional y diseñada para hacer su trabajo. Ya fuera que se les dieran solo las bandas de satélite brutas o las bandas brutas más los índices adicionales, su precisión se mantuvo consistentemente alta. La adición de los datos extra cambió su rendimiento en menos de un punto porcentual en cualquier dirección, lo que sugiere que estas herramientas modernas son lo suficientemente robustas como para encontrar los patrones que necesitan directamente de las imágenes brutas.

En marcado contraste, el método tradicional, Maximum Likelihood Classification, tuvo dificultades significativas cuando se le dieron solo las bandas de luz brutas del satélite. Sin la información adicional, logró identificar correctamente la cobertura terrestre solo alrededor del 55 por ciento de las veces, un nivel de precisión que sería inútil para la gestión práctica. Sin embargo, cuando los investigadores añadieron los índices espectrales adicionales a los datos, este viejo método mejoró drásticamente, saltando a una precisión promedio del 82 por ciento. Aunque esto fue una mejora masiva, todavía se quedó lejos de los métodos modernos, que se mantuvieron en los altos niveles de los 90. El estudio confirmó que la diferencia entre el mejor método moderno y el método tradicional mejorado era estadísticamente significativa, lo que significa que la brecha era real y no solo una casualidad. Las herramientas modernas eran simplemente mejores para adaptarse a la realidad compleja y desordenada del entorno costero.

Incluso con las mejores herramientas, algunos desafíos persistieron. Los investigadores descubrieron que los cuatro algoritmos, independientemente de su sofisticación, tuvieron problemas para distinguir entre tres tipos específicos de tierra: zonas urbanizadas como edificios y carreteras, terreno estéril y suelo desnudo. Estas tres categorías a menudo se ven muy similares en las imágenes satelitales porque todas son brillantes y secas, reflejando la luz de manera casi idéntica. Esta confusión persistió incluso cuando se añadieron los datos extra, lo que sugiere que la limitación reside no en el programa informático, sino en el propio satélite. La resolución de diez metros de la imaginería Sentinel-2 simplemente no es lo suficientemente fina para distinguir siempre entre un parche de suelo seco y un parche de concreto desde esa distancia. Este hallazgo sugiere que para tareas que requieren un monitoreo preciso de la expansión industrial o tipos de suelo específicos, los datos satelitales por sí solos pueden no ser suficientes, y podrían ser necesarias otras fuentes de datos.

Para asegurar que los resultados fueran dignos de confianza, el estudio empleó un paso de validación único. Después de que los satélites clasificaran las áreas, los investigadores compararon los mapas resultantes con las fotos de alta resolución tomadas por los drones. Esta fue una verificación independiente, lo que significa que los datos de los drones no se utilizaron para enseñar a las computadoras cómo clasificar las imágenes; se usaron únicamente para ver si los mapas finales tenían sentido. Los resultados de esta verificación fueron interesantes. Mientras que las pruebas de precisión estándar mostraron claramente que los algoritnos modernos eran superiores, la verificación basada en drones ofreció un panorama ligeramente diferente. No separó claramente a los mejores ejecutores de los peores, y en algunos casos, incluso sugirió que el método tradicional funcionaba tan bien como los modernos. Esto sucedió porque la verificación con drones utilizó reglas amplias para juzgar los mapas, como verificar si un píxel de "suelo" se veía lo suficientemente brillante como para ser suelo. Dado que el método tradicional a menudo confundía el suelo con edificios o terreno estéril, y que los tres se ven brillantes en las fotos de los drones, la verificación le dio crédito al método tradicional por lograr el "aspecto" general correcto, incluso si erraba en la etiqueta específica. Esto resaltó una lección crucial: aunque las verificaciones independientes son valiosas para detectar errores obvios, no pueden reemplazar las pruebas de precisión detalladas basadas en la verdad de terreno cuando se intenta clasificar cuál método específico es el mejor.

En última instancia, este estudio ofrece una guía clara para cualquiera que intente mapear estas zonas costeras. Si el objetivo es crear un mapa preciso de manglares y llanuras de marea, la elección del algoritmo informático importa menos de lo que se podría pensar, siempre que se utilice una herramienta moderna de aprendizaje automático. Random Forest, Support Vector Machine y Extreme Gradient Boosting son opciones fiables que funcionan bien sin necesidad de una preparación de datos adicional y compleja. El método tradicional no es obsoleto, pero requiere una mano cuidadosa; necesita la información espectral adicional para funcionar y, aun así, no puede igualar la precisión de las nuevas herramientas. El estudio también sirve como un recordatorio de que la tecnología tiene límites. No importa qué tan inteligente sea la computadora, no siempre puede distinguir entre un edificio y un parche de tierra si la imagen del satélite no es lo suficientemente nítida. Para los científicos y gestores que trabajan para proteger el Golfo Pérsico, el camino a seguir es utilizar las herramientas modernas más robustas disponibles, pero mantener la conciencia de que algunos detalles siempre requerirán una mirada más cercana desde el suelo o desde un dron.