22 September 2026 in Journal of Open Source Software
18 March 2026 in Congresos UEX, actas de congresos
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.