High-Resolution Water Segmentation for Salmon Habitat

Abstract

La detección automática de la superficie cubierta por agua en imágenes satelitales de alta resolución es fundamental para el monitoreo del hábitat del salmón. Sin embargo, las sombras, los reflejos solares, las superficies rocosas y el agua turbia dificultan su identificación. Este trabajo compara tres enfoques de segmentación de agua: el índice espectral NDWI, el modelo de aprendizaje profundo preentrenado OmniWaterMask y una red U-Net ajustada al dominio de estudio. Se utilizó un conjunto de 64 escenas WorldView-2/3 de ríos del noroeste del Pacífico que constituyen hábitats de cría de salmones, dividido en 17.445 recortes de 512 × 512 píxeles, con separación por escena entre los conjuntos de desarrollo y prueba. En los 4.788 recortes de prueba, NDWI obtuvo un micro F1 de 0,523 y OmniWaterMask alcanzó 0,344, con una marcada sobreestimación de la superficie cubierta por agua. La red U-Net, con un codificador ResNet34, una función de pérdida combinada Focal y Dice y validación cruzada de cinco particiones, alcanzó un micro F1 de 0,841 con el mejor modelo individual y de 0,863 mediante un ensamble de cinco modelos por votación mayoritaria. Los resultados muestran que el aprendizaje supervisado adaptado al dominio supera sustancialmente a los métodos de referencia evaluados y ofrece una base para automatizar el mapeo de superficies de agua y apoyar el monitoreo del hábitat del salmón mediante imágenes satelitales de alta resolución.