Resumen
La llegada de grandes cantidades de Sargassum a las playas del Caribe, principalmente desde 2018, es un problema emergente que ha generado retos ecológicos, económicos y de salud en las localidades costeras de la región. Por ello, se ha incrementado el monitoreo de Sargassum en las costas y playas para estudiar y medir este fenómeno para su mejor manejo y aprovechamiento. Desde 2018 se han incorporado metodologías de Machine Learning como apoyo a las técnicas tradicionales utilizadas para el monitoreo de Sargassum, alineadas con el contexto de este estudio. El monitoreo de Sargassum in situ es relevante para la mejora de las técnicas de teledetección satelital y proximal. Se construyó un conjunto de datos de 938 imágenes, mostrando Sargassum en la playa, utilizando fotografías de un esquema de crowdsourcing. Este conjunto de datos se utilizó para entrenar y probar las arquitecturas u-net y pix2pix con el fin de identificar similitudes y diferencias en los resultados cuando se evalúan con el mismo subconjunto de datos de prueba. Los resultados muestran que ambas arquitecturas presentan un rendimiento aceptable en la segmentación de imágenes a pesar de que el conjunto de datos es pequeño y no está equilibrado. El rendimiento de ambas arquitecturas fue muy similar, por lo que la elección de la implementación también debería depender del propósito final. Desde la perspectiva del conjunto de datos utilizado, este análisis es uno de los primeros de este tipo.