REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
ARTÍCULO ORIGINAL
RNPS 2487 • ISSN 2708-3411
Vol. 4 • Nro. 3 • julio-septiembre 2023 • e216
1
Herramienta informática para la medición
y predicción del cambio de la línea de costa
Computer Tool for Measuring and Predicting Coastal Line Change
Leonardo Fundora Luis
leonardo.fundoraluis@outlook.com • https://orcid.org/0000-0002-1902-8893
Eduardo Javier Berrio Turiño
eduardo.berrio@umcc.cu • https://orcid.org/0000-0002-8314-379X
Liz Pérez Martínez
lizy.perez@umcc.cu • https://orcid.org/0000-0001-6187-7875
UNIVERSIDAD DE MATANZAS, CUBA
Recibido: 2023-04-02 • Aceptado: 2023-07-20
RESUMEN
La dinámica de la costa es un fenómeno complejo que requiere una monito-
rización continua para comprender mejor los procesos que están implicados
y tomar decisiones adecuadas. La medición de la línea de costa es una tarea
esencial en este proceso, ya que permite conocer la posición actual de la cos-
ta y su tendencia temporal. El enfoque de ciencia ciudadana es una solución
prometedora y CoastSnap es una reciente creación en este campo. Sin em-
bargo, para su operación, el código que permite el análisis de imágenes re-
quiere la plataforma propietaria MATLAB. Esta barrera podría minimizarse
mediante el uso de alternativas gratuitas a MATLAB, como Python. El obje-
tivo de este trabajo es desarrollar una herramienta informática que posibilite
la medición y predicción del cambio de la línea de costa, a partir de imágenes
obtenidas de diversas fuentes. El producto resultante de la aplicación de la
metodología expuesta en este trabajo demuestra, con datos de prueba, el va-
lor de uso que tiene para la toma de decisiones informadas y así contribuir a
mitigar los efectos de la variación de la extensión de la costa y proteger áreas
vulnerables.
Palabras clave: ambiental, ciencia ciudadana, línea de costa, monitoriza-
ción; predicción.
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Herramienta informática para la medición
y predicción del cambio de la línea de costa
Fundora Luis, L., Berrio Turiño, E. J., Pérez Martínez, L.
2
ABSTRACT
e coast’s dynamics is a complex phenomenon that requires continuous mo-
nitoring to better understand the processes involved and make appropriate de-
cisions. Measuring the coastline is an essential task in this process, allowing
us to know the current position of the coast and its temporal trend. e citizen
science approach is a promising solution, and CoastSnap is a recent creation in
this field. However, the code that allows image analysis requires the proprietary
MATLAB platform for operation. is barrier could be minimized by using free
alternatives to MATLAB, such as Python. e objective of this work is to deve-
lop a computer tool that enables the measurement and prediction of changes in
the coastline from images obtained from various sources.e resulting product
of the methodology exposed in this work demonstrates, with test data, the value
of use it has for making informed decisions and thus contributing to mitigating
the effects of changes in the extent of the coast and protecting vulnerable areas.
Keywords: citizen science, coastal line, environmental, monitoring, prediction.
INTRODUCCIÓN
Las costas impactan en la vida humana, la biodiversidad, la economía y el ocio, y actúan como
una barrera protectora entre las olas, los niveles de agua elevados y las comunidades costeras
vulnerables (Harley, Kinsela, Sánchez-García y Vos, 2019).
Actualmente, el interés en el monitoreo costero se ha expandido desde grupos de investi-
gación especializados a comunidades costeras en todo el mundo, debido a que el cambio cli-
mático ha alterado las condiciones que enfrentan las regiones costeras.
La dinámica de la costa es un fenómeno complejo que requiere monitorización continua,
para comprender mejor los procesos que están en juego y tomar decisiones adecuadas (Masse-
link et al., 2016). La medición de la línea de costa es una tarea esencial en este proceso, porque
permite conocer la posición actual de la costa y su tendencia temporal. No obstante, realizar
esta medición con herramientas tradicionales es costoso y requiere equipos especializados.
Una aproximación que emerge es la ciencia ciudadana, la cual se aprovecha de la sinergia
entre el público y los investigadores. CoastSnap es una reciente creación en este campo, que
extrae datos sobre la ubicación de las líneas de costa, a partir de imágenes de fuentes diversas,
para registrar los cambios en las líneas de costa a lo largo de períodos continuos y prolongados
(Harley et al., 2019).
Aunque CoastSnap ha sido adoptado con éxito en cientos de playas, el código que permi-
te el análisis de imágenes requiere de la plataforma propietaria MATLAB para su operación
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Herramienta informática para la medición
y predicción del cambio de la línea de costa
Fundora Luis, L., Berrio Turiño, E. J., Pérez Martínez, L.
3
(Becker, Brown, Bricheno y Wolf, 2020). Como resultado, las costosas tarifas de licencia de
MATLAB, así como las habilidades requeridas para su operación, representan una barrera
continua para las comunidades con recursos limitados (Heaney, 2021).
Esta barrera podría minimizarse, pues existen alternativas gratuitas a MATLAB. Python
es la alternativa más adecuada a MATLAB, dada la creciente adopción de este lenguaje de
programación entre la comunidad de ciencia e ingeniería costera, con la inclusión de proyec-
tos similares a CoastSnap (Conlin, Adams, Wilkinson, Dusek, Palmsten y Brown, 2020).
Este estudio tiene como antecedente el trabajo de Heaney (2021), que plantea investigar y
comenzar la conversión de CoastSnap de MATLAB a Python. Se pretende desarrollar un pro-
ducto completo y soberano para la medición de línea de costa, con el empleo de la metodolo-
gía de Harley et al. (2019) y, además, con la capacidad de predecir su comportamiento, lo que
contribuirá a la mitigación y adaptación a los riesgos costeros aumentados, debido al aumento
del nivel del mar y los cambios en el clima de las olas.
Por tanto, el objetivo general de este trabajo es desarrollar una herramienta informática
que posibilite la medición y predicción del cambio de la línea de costa, a partir de imágenes
obtenidas de diversas fuentes.
METODOLOGÍA
Herramientas y tecnologías
Para el desarrollo del producto informático se utilizó:
• Python, por ser un lenguaje de programación de código abierto que cuenta con librerías
para el aprendizaje automático y el análisis de datos.
• Visual Studio Code, como editor de código fuente, por ser multiplataforma que ofrece
extensiones para diferentes lenguajes de programación, incluido Python.
• PostgreSQL, como sistema de base de datos relacional de objetos, por ser de código abier-
to y ofrecer opciones avanzadas como el control de concurrencias multiversión.
Flujo de la aplicación
A continuación, se listan los pasos que sigue el flujo de la aplicación (figura 1):
1. Los usuarios del sistema deben cargar las imágenes obtenidas de fuentes como cámaras,
smartphones o redes sociales, previamente seleccionadas por su calidad y corresponden-
cia con el lugar, a la herramienta desarrollada, renombradas a la convención de nomen-
clatura que se determinó durante el desarrollo, para lograr uniformidad en la entrada
(UnixTime.Day.Month.DD_HH_MM_SS.TimeZone.YYYY.Site.Type.Username.jpg).
2. El algoritmo transforma la imagen de coordenadas píxel (UV) a coordenadas en un
sistema de referencia tridimensional (X, Y, Z), a partir de la matriz de proyección
Los puntos de control de tierra inspeccionados resuelven la distancia focal
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Herramienta informática para la medición
y predicción del cambio de la línea de costa
Fundora Luis, L., Berrio Turiño, E. J., Pérez Martínez, L.
4
de la lente del teléfono inteligente y solventan con mayor precisión los parámetros ex-
trínsecos de la cámara. El proceso de alinear digitalmente una imagen, a partir de mar-
car un número de puntos de control correspondientes, que se convierten en puntos de
referencia para el procesamiento posterior de la imagen, se le llama georrectificación o
rectificación geográfica (Esri Support, s.f.).
3. Luego del procesamiento se mapea la posición de la costa en las imágenes georectifica-
das, mediante la técnica de detección de bordes basada en los canales de color rojo y azul
(Red minus Blue), que se ejemplifica en la figura 2.
4. La variable en cuestión se mide desde un punto de referencia en tierra hasta la línea de
costa; luego la tendencia de ancho de la playa se calcula a partir de todas las líneas de
costa en la base de datos con un nivel de marea similar, determinado por la marea as-
tronómica al momento de la captura y el desplazamiento vertical según la configuración
característica de las olas medidas en campo.
5. Los datos de la medición, obtenidos de la base de datos de la herramienta, se transforman
en una serie temporal; sin embargo, plantear la fecha final de la muestra no es necesario,
pues los datos de la variable que se mide están en constante crecimiento y, según la can-
tidad de datos proporcionados por la base de datos, el algoritmo será capaz de calcular
la fecha final a partir de la inicial. Durante este paso también se reemplazan los valores
perdidos del sistema y el usuario por estimaciones.
Fig. 1
Gráfico que ilustra
la metodología
(Fuente: elaboración
propia).
Fig. 2 Interfaz wet and dry de pixeles,
basado en canales de color rojo/azul (RmB)
(Harley, 2019).
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Herramienta informática para la medición
y predicción del cambio de la línea de costa
Fundora Luis, L., Berrio Turiño, E. J., Pérez Martínez, L.
5
Para aplicar el modelo autorregresivo integrado de promedio móvil (ARIMA, por
sus siglas en inglés), se requiere primero transformar la serie temporal en un proce-
so estacionario. Para ello, se emplea el cálculo de la función acumulada de probabili-
dad (1) (p-valor), con la condición de que la función de distribución de probabilidad de
cualquier conjunto de k variables (donde k es un número finito) del proceso, se man-
tenga estable e inalterable al desplazar las variables s períodos de tiempo. Es decir, si
P (y
t+1
, y
t+2
,…, y
t+k
) es la función de distribución acumulada de probabilidad, entonces
se debe cumplir que:
En caso de que el p-valor sea mayor que 0,05 se aplica la prueba Augmented Dickey-Fu-
ller (ADF) y se hacen las diferenciaciones necesarias, hasta que el p-valor sea menor que
0,05, lo cual demuestra que la serie es estacionaria. Si se quiere determinar el número
de diferenciaciones necesarias para que la serie sea estacionaria en media, así como para
realizar la prueba ADF y calcular el p-valor, se utiliza la librería de Python: statsmodels.
6. Se aplica el modelo ARIMA a la serie estacional obtenida, con el fin de encontrar patro-
nes para una predicción hacia el futuro. La librería statsmodels proporciona la función
ARIMA y SARIMAX, que es una extensión del modelo ARIMA que tiene en cuenta fac-
tores estacionales adicionales (Morales, 2021).
7. Para validar los modelos se realiza la prueba Ljung-Box, cuyos resultados deben aceptar
la hipótesis nula en todos los modelos, lo que significa que los residuales se distribuyen
como ruido blanco, implicando que los modelos presentan estacionariedad, normalidad
e independencia, lo que los hace adecuados para la predicción (Virguez, 2018) (figura 3).
Fig. 3 Resultado prueba Ljung-Box generado por Python, que acepta la hipótesis nula
(Fuente: elaboración propia).
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Herramienta informática para la medición
y predicción del cambio de la línea de costa
Fundora Luis, L., Berrio Turiño, E. J., Pérez Martínez, L.
6
8. Para la elección del modelo que mejor se ajusta (ARIMA o SARIMAX) se calcula la me-
dida de información de Akaike (AIC), que proporciona un medio para la selección del
modelo (Inga Santiváñez, 2015), es seleccionado el de menor AIC, lo que garantiza que
el modelo elegido presente menor pérdida de información (Figuras 4 y 5).
9. Después de obtener el modelo más ajustado a los datos, se realizan las estimaciones. Para
esto se utiliza la función forecast de la librería de igual nombre.
RESULTADOS Y DISCUSIÓN
Los resultados, que se exponen a continuación, están estructurados según las etapas meto-
dológicas y con el uso de la herramienta desarrollada. Los datos históricos utilizados para las
pruebas se generaron con estimaciones y se mezclaron con mediciones realizadas por la he-
rramienta, debido a que no se encontró en la revisión bibliográfica documentación sobre el
comportamiento de esta variable en Cuba, ni un registro público de mediciones de esta varia-
ble en otras costas del mundo.
Como se observa en las figuras 6 y 7, el patrón detectado coincide con el histórico de da-
tos, dado que la variable tiende a disminuir su valor, por lo que se observa un retroceso de la
extensión de la costa que puede asociarse comúnmente a factores como la erosión costera,
subsidencia del terreno, cambios geológicos o la acción humana (Merlotto y Bértola, 2009).
La predicción obtenida puede servir al gestor ambiental, para observar estos agentes externos
Fig. 4 Resumen Modelo ARIMA (1, 1, 1) para los datos de prueba. Este es el modelo elegido
(Fuente: elaboración propia).
Fig. 5 Resumen modelo SARIMAX (1, 1, 1, 12) para los datos de prueba
(Fuente: elaboración propia).
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Herramienta informática para la medición
y predicción del cambio de la línea de costa
Fundora Luis, L., Berrio Turiño, E. J., Pérez Martínez, L.
7
que pueden estar influyendo de forma negativa sobre la variable de estudio y aplicar acciones
tempranas para corregir este comportamiento. En un caso de uso como este, se demuestra el
valor de la herramienta para la toma de decisiones informadas que puedan contribuir a miti-
gar los efectos de la variación de la extensión de la costa y proteger áreas vulnerables.
Para evaluar los modelos propuestos, se utilizó el indicador de Porcentaje de Error Me-
dio Absoluto (2) (MAPE), debido a su fácil interpretación. Según el MAPE, la clasificación del
pronóstico depende del porcentaje de error obtenido. En las pruebas realizadas se obtuvieron
valores de MAPE de 4,58 % (figura 8), lo que significa que el modelo es altamente confiable
para predecir escenarios futuros.
El MAPE se calcula de la siguiente forma:
Fig. 6 Comportamiento de la variable en los datos de prueba (Fuente: elaboración propia).
Fig. 7 Predicción del comportamiento de la variable realizada por el modelo, para los datos de prueba
(Fuente: elaboración propia).
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Herramienta informática para la medición
y predicción del cambio de la línea de costa
Fundora Luis, L., Berrio Turiño, E. J., Pérez Martínez, L.
8
Donde:
• yt: es el valor observado (valor real del indicador)
• ŷt: es el valor pronosticado (predicción del indicador)
• n: es la cantidad de observaciones
El empleo de una alternativa de software libre, como la herramienta para medir y prede-
cir el cambio de la línea de costa, basada en la metodología expuesta, propone un cambio de
paradigma en el cual países sin acceso a licencias de software privativo pueden aprovechar las
potencialidades de las tecnologías de la información y las comunicaciones (TIC), para aplicar-
las a la gestión ambiental.
CONCLUSIONES
Se propuso una metodología basada en el empleo de software libre como herramienta que
permite medir el comportamiento de la línea de costa y mostrar su tendencia temporal. Se
implementaron los algoritmos para la predicción del comportamiento de la línea de costa,
lo que permitirá que los gestores ambientales tomen decisiones informadas para mitigar los
efectos de la variación de la extensión de la costa.
El análisis del modelo de datos analizados permitió inferir que el retroceso de la extensión
de la costa puede asociarse principalmente a factores como la erosión costera, subsidencia del
terreno, cambios geológicos o la acción humana. Se evaluó la veracidad del modelo propues-
to a partir del empleo del MAPE, que arrojó valores inferiores al 10 %, lo que significa que el
modelo es altamente confiable para predecir escenarios futuros.
REFERENCIAS
Becker, A., Brown J., Bricheno, L., Wolf, J. (2020). Guidance note on the application of coastal
monitoring for small island developing states: Part of the NOC-led project “Climate Change
Fig. 8 Cálculo del MAPE para evaluar el modelo de predicción utilizado con los datos de prueba (Fuente:
elaboración propia).
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Herramienta informática para la medición
y predicción del cambio de la línea de costa
Fundora Luis, L., Berrio Turiño, E. J., Pérez Martínez, L.
9
Impact Assessment: Ocean Modelling and Monitoring for the Caribbean CME states”,
2017-2020; under the Commonwealth Marine Economies (CME) Programme in the Ca-
ribbean. Southampton, National Oceanography Centre, 40pp. (National Oceanography
Centre Research and Consultancy Report, 74). https://nora.nerc.ac.uk/id/eprint/527224
Conlin, M. P., Adams, P. N., Wilkinson, B., Dusek, G., Palmsten, M. L., & Brown, J. A. (2020).
SurfRCaT: A tool for remote calibration of pre-existing coastal cameras to enable their use
as quantitative coastal monitoring tools. SoftwareX, 12, 100584. https://doi.org/10.1016/j.
softx.2020.100584
Esri Support. (s.f.). Definición de Rectificación Geográfica. Recuperado de https://support.esri.
com/es-es/gis-dictionary/georectification
Harley, M. D., Kinsela, M. A., Sánchez-García, E., & Vos, K. (2019). Shoreline change mapping
using crowd-sourced smartphone images. Coastal Engineering, (150): 175-189. https://doi.
org/10.1016/j.coastaleng.2019.04.003
Heaney, N. (2021). Towards the conversion of CoastSnap to an open source citizen science
tool for coastal monitoring. University of Edimburgh.
Inga Santiváñez, R. M. (2015). El criterio de información de Akaike en el análisis de datos ca-
tegorizados (Tesis doctoral). Universidad Complutense de Madrid, España. Recuperado
de: https://eprints.ucm.es/id/eprint/53832/1/5320609308.pdf
Masselink, G., Castelle, B., Scott, T., Dodet, G., Suanez, S., Jackson, D., & Floc’h, F. (2016). Ex-
treme wave activity during 2013/2014 winter and morphological impacts along the Atlantic
coast of Europe. Geophysical Research Letters, 43(5): 2135-2143. https://doi.org/10.1002/
2015GL067492
Merlotto, A, & Bértola, GR. (2009). Coastline evolution at Balneario Parque Mar Chiquita, Ar-
gentina. Ciencias marinas, 35(3), 271-286. Recuperado de: http://www.scielo.org.mx/scie-
lo.php?script=sci_arttext&pid=S0185-38802009000300003&lng=es&tlng=, 15 de julio de
2023,
Morales, V. (2020). Modelización de series univariantes SARIMA. Series de Tiempo con
R. Recuperado de https://bookdown.org/victor_morales/SeriesdeTiempo/modelizaci%-
C3%B3n-de-series-univariantes-sarima.html
Virguez, J. W. (2018). Modelo de pronóstico PIB financiero. Recuperado de: http://hdl.handle.
net/11371/2130.
Copyright © 2023 Fundora Luis, L., Berrio Turiño, E. J., Pérez Martínez, L..
Este obra está bajo una licencia de Creative Commons Atribución-No Comercial 4.0 Internacional