Temporal analysis of macroplastic waste concentration in peruvian coastal rivers using a deep learning approach

• Autor: Astorayme Valenzuela, Miguel Angel
• Formato: tesis doctoral
• Fecha de Publicación: 2025
• Institución: Pontificia Universidad Católica del Perú
• Repositorio: PUCP-Tesis
• Lenguaje: inglés
• OAI Identifier: oai:tesis.pucp.edu.pe:20.500.12404/32983
• Enlace del recurso: http://hdl.handle.net/20.500.12404/32983
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje profundo (Aprendizaje automático); Agua--Contaminación--Control; Residuos sólidos--Administración; Polímeros--Monitoreo; Inteligencia artificial; Economía ambiental; https://purl.org/pe-repo/ocde/ford#2.00.00

Los ríos constituyen la principal fuente de ingreso de desechos plásticos a los océanos, principalmente debido a una gestión inadecuada de los residuos sólidos. La presencia de polímeros en los cuerpos de agua genera diversos problemas, como la afectación de la movilidad de las especies, llegando incluso a causar su muerte. Con el tiempo, los polímeros se fragmentan, dando lugar a microplásticos y nanoplásticos, y en ciertos casos, liberan aditivos tóxicos que alteran el equilibrio natural de los ecosistemas acuáticos. En este contexto, el monitoreo de macroplásticos (MPs) en los cursos de agua puede contribuir a una gestión más eficiente de los residuos sólidos. Bajo esta premisa, la presente tesis propuso una estrategia metodológica para adecuar un modelo de inteligencia artificial (IA) basado en deep learning, orientado a la clasificación y cuantificación de MPs y otros elementos derivados de los residuos sólidos. Asimismo, se buscó comprender el comportamiento de la concentración de MPs en relación con la temporalidad de los cursos de agua. El área de estudio corresponde a un tramo de 1.6 km del río Rímac, el cual atraviesa la ciudad de Lima y desemboca en el océano Pacífico. Los resultados se estructuran en dos partes: un análisis científico de las tendencias actuales en el uso de herramientas basadas en IA y la aplicación del modelo propuesto. Se observó que la incursión de la IA en la detección de MPs es reciente, iniciándose en 2018 con técnicas de machine learning. La tendencia actual se orienta hacia enfoques de deep learning, especialmente redes neuronales y transferencia de aprendizaje. En este marco, se seleccionó el modelo YOLOv11 por su arquitectura de una sola pasada (single shot), que representa una ventaja para futuros sistemas de monitoreo en tiempo real. Los resultados indican que el modelo puede detectar y clasificar bolsas plásticas (mAP@50 = 0:75) y neumáticos (mAP@59 = 0:82) con una precisión aceptable. Además, las bolsas negras fueron las más frecuentes durante el año, seguidas por las de color y las de rafia. Los hallazgos de esta investigación permiten comprender cómo interactúan los desechos plásticos en el medio acuático, a partir de la variación en su concentración. Además, los resultados obtenidos contribuyen a una mejor comprensión del rol de los cursos de agua en el transporte de residuos sólidos hacia el océano, ayudando a cerrar la brecha de información existente en el Sur Global.