Basura en playas: una solución con redes neuronales.

Según Parker (2015), autora en un artículo de National Geographic, se estima que más de 5 trillones de piezas de plástico contaminan actualmente los océanos, y una parte significativa de estos residuos termina acumulándose en nuestras playas y zonas costeras. Esta creciente contaminación ha vuelto urgente la necesidad de administrar y monitorear adecuadamente los desechos marinos, ya que su presencia afecta gravemente a la fauna, los ecosistemas y, en última instancia, a la salud humana. En este contexto, los avances en inteligencia artificial ofrecen una oportunidad para desarrollar herramientas capaces de identificar y analizar las áreas con mayor concentración de basura, lo cual podría aplicarse también en Honduras.

Takaya et al. (2022) destaca que identificar y cuantificar las zonas de mayor acumulación de desechos, denominadas como “hotspots” es crucial para mejorar la gestión de residuos y reducir la carga de trabajo asociada a los métodos tradicionales de búsqueda y recolección. Según IBM (2023), las redes neuronales convolucionales (CNN), un tipo de modelo derivado del machine learning que se usa en tareas de visión computacional, permiten reconocer objetos en imágenes con alta precisión. Combinadas con vehículos aéreos no tripulados (UAVs) y con un protocolo estándar de monitoreo, estas tecnologías hacen posible evaluar grandes áreas de manera eficiente y a bajo costo.

Takaya también menciona que, para lograr un análisis estandarizado, es necesario establecer parámetros claros en la recolección de datos mediante el uso de drones. Esto incluye definir el modelo del dron, la resolución de la cámara, la altura de vuelo, el área a estudiar, las condiciones de iluminación y las rutas de vuelo, de modo que las imágenes registradas sean consistentes y comparables.

Detecciones realizadas por una red neuronal entrenada con un conjunto de datos hondureño, utilizando una imagen publicada por La Prensa (2022).

Una vez obtenidas las fotografías, se lleva a cabo la clasificación y anotación. Este proceso implica definir cómo se categorizarán los objetos en las imágenes. En el caso de Takaya, se empleó una clasificación binaria entre “basura de origen humano” y “objetos naturales”. Después, se elige una herramienta de etiquetado y se selecciona la arquitectura de red neuronal que se utilizará para el entrenamiento. Para que la red sea robusta, debe entrenarse con una gran cantidad de imágenes bien etiquetadas y obtenidas bajo un mismo estándar, lo que permite que el modelo pueda generalizar adecuadamente en distintos entornos.

Una vez entrenada, la red neuronal permite identificar automáticamente acumulaciones de residuos, cuantificar su presencia y localizar sus áreas de concentración. Este enfoque facilita la cobertura de zonas extensas en menos tiempo y con menos recursos, además de proporcionar información crucial para priorizar acciones de limpieza y evaluar su efectividad.

Sin embargo, es importante recordar que, aunque estas herramientas mejoran significativamente la gestión y recolección de residuos, no ofrecen una solución definitiva si no se aborda la causa del problema: la producción masiva de desechos plásticos.

La tecnología puede ayudarnos a mitigar los efectos, pero solo un cambio en nuestros hábitos y políticas podrá eliminar el problema permanentemente.

 Bibliografia:

1. Parker, L. (2015, 11 de enero). Ocean Trash: 5.25 Trillion Pieces and Counting, but Big Questions Remain. National Geographic. https://education.nationalgeographic.org/resource/ocean-trash-525-trillion-pieces-and-counting-big-questions-remain/
2. Takaya, K., Shibata, A., Mizuno, Y. & Ise, T. (2022). Unmanned aerial vehicles and deep learning for assessment of anthropogenic marine debris on beaches on an island in a semi-enclosed sea in Japan. Environmental Research Communications, 4(1), 015003. https://doi.org/10.1088/2515-7620/ac473b
3. IBM. (2023). What are convolutional neural networks? IBM Think. https://www.ibm.com/think/topics/convolutional-neural-networks