Zonificación del Mar Menor mediante aprendizaje no supervisado sobre la serie histórica de Sentinel-2

• Autores: Paola Barba Ceballos, Sergio Heredia, Gabriel Navarro Almendros, Belén Rosado, Mar Roca Mora, Isabel Caballero
• Localización: Teledetección multidisciplinar: Miradas diversas, soluciones comunes. XXI Congreso de la Asociación Española de Teledetección (AET) / Elia María Quirós Rosado (ed. lit.), Laura Fragoso Campón (ed. lit.), María Alicia Antolín Salazar (ed. lit.), 2026, ISBN 978-84-9127-367-7, págs. 625-629
• Idioma: español
• Títulos paralelos:
  • Zoning of the Mar Menor using unsupervised learning on the Sentinel-2 historical series
• Enlaces
  • Texto Completo Libro
• Resumen
  • español

    La inteligencia artificial (IA) está transformando el monitoreo ambiental al permitir el análisis automatizado de conjuntos de datos complejos y de alta dimensionalidad. En este estudio, se presenta un marco metodológico basado en IA, combinado con la descomposición estacional y de tendencia mediante Loess (STL), para caracterizar los patrones de calidad del agua y sus dinámicas temporales en el Mar Menor, identificar las áreas más afectadas por la degradación ecológica y analizar su dinámica espacio-temporal mediante imágenes satelitales multiespectrales. La serie histórica de Sentinel-2, desde julio de 2015 hasta junio de 2024, se procesó mediante la corrección atmosférica ACOLITE. Se han separado la tendencia a largo plazo, la variabilidad estacional y las anomalías residuales de la clorofila-a (Chl-a) y la turbidez, vinculando los eventos extremos ocurridos en la laguna con anomalías significativas observadas en los datos históricos de teledetección. Este enfoque híbrido permitió diferenciar regiones con comportamiento similar en cuatro zonas bien definidas. La integración de técnicas de clustering no supervisado basadas en IA y de descomposición estadística de series temporales ofrece una metodología potente, escalable y transferible para el monitoreo automatizado de regiones costeras dinámicas. Estos resultados proporcionan información útil y ofrecen una base analítica robusta para futuras estrategias de prevención y restauración.

  • English

    Artificial intelligence (AI) is transforming environmental monitoring by enabling automated analysis based on complex, high-dimensional datasets. This study presents a methodological framework that combines AI with Seasonal and Trend decomposition using Loess (STL) to characterize water quality patterns and their temporal dynamics in the Mar Menor coastal lagoon, identify the areas most affected by ecological degradation, and analyze their spatiotemporal dynamics using multispectral satellite imagery. The Sentinel-2 time series, spanning from July 2015 to June 2024, was processed using ACOLITE atmospheric correction. The study clearly separated long-term trends, seasonal variability, and residual anomalies in chlorophyll-a (Chl-a) and turbidity, linking extreme events in the lagoon to significant anomalies observed in historical remote sensing data. This hybrid approach enabled the identification of four well-defined zones with similar behavior. The integration of unsupervised AI-based clustering techniques and statistical time-series decomposition provides a powerful, scalable, and transferable methodology for the automated monitoring of coastal and dynamic regions. These results provide useful information and offer a robust analytical basis for future prevention and restoration strategies.