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

Abstract

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.Rivers are the main source of plastic waste entering the oceans, primarily due to inadequate solid waste management. The presence of polymers in water bodies creates various problems, such as affecting the mobility of species, sometimes even causing their death. Furthermore, over time, the polymers fragment, resulting in the suspension of microplastics and nanoplastics, and in some cases, releasing toxic additives that disrupt the natural balance of aquatic ecosystems. In this context, monitoring macroplastics (MPs) in waterways can contribute to more efficient solid waste management. Based on this premise, this thesis proposed the development of a methodological strategy for adapting a deep learning-based artificial intelligence (AI) model for the classification and quantification of MPs and other elements derived from solid waste. This thesis also sought to understand the behavior of MPs concentrations in relation to the temporality of waterways. A 1.6-km stretch of the Rímac River, which flows through the city of Lima and empties into the Pacific Ocean, was defined as the area of interest. The results of this thesis are divided into two parts: on the one hand, a scientific analysis of current trends in the use of artificial intelligence-based tools; on the other, the application of the proposed model. First, it was observed that the introduction of AI into the detection of MPs in water bodies is recent, beginning in 2018 with machine learningbased techniques. The current trend is toward the use of deep learning approaches, particularly neural networks and transfer learning. In this context, the YOLOv11 model was selected for its single-shot architecture, offering advantages for potential real-time monitoring systems. The results suggest that the model is capable of detecting and classifying plastic bags (mAP@50 = 0:75) and tires (mAP@59 = 0:82) with acceptable accuracy. Additionally, it was found that black plastic bags were the most frequently observed items throughout the year, followed by colored bags and raffia bags. The findings of this research enhance our understanding of how plastic waste interacts with aquatic environments through observed concentration patterns. Moreover, the results contribute to bridging the knowledge gap regarding the role of rivers in transporting solid waste to the ocean, particularly in the context of the Global South.