Work

Automatic classification of marine macroalgae through linear discriminant analysis and random forest techniques using reflectance data (range 350-2500 nm) measured through field Spectroscopy

Year: 2024
Type: dissertation
Abstract: [ES] Los ecosistemas de macroalgas marinas están viendo reducida su biodiversidad y su extensión en los últimos años debido, principalmente, a factores relacionados con la actividad humana. Al mismo tiempo, cada vez son más frecuentes eventos de crecimiento explosivo y descontrolado de algunas de estas especies, con graves consecuencias para el ecosistema marino. En este trabajo fin de máster se han medido reflectancias de muestras de ocho especies de macroalgas marinas presentes en el entorno de las Islas Cíes (NO de España). Los datos se tomaron con un espectrorradiómetro portátil de rango espectral 350-2500 nm, mediante dos técnicas de lectura (Pistol Grip – PG y Contact Probe – CP). Se midieron muestras en campo (datos para clasificar) y en laboratorio (datos para definir los patrones espectrales). Los datos espectrales se utilizaron como variables de entrada en dos tipos de modelos (Linear Discriminant Analysis - LDA) y Random Forest - RF) con el objetivo de identificar estas especies mediante técnicas de clasificación automática. Todos los modelos se validaron mediante matrices de confusión. La meta principal de este trabajo ha sido desarrollar una metodología de clasificación automática que permitiese diferenciar especies de macroalgas marinas. Utilizando los valores originales de reflectancia, así como diferentes técnicas de transformación de datos (Standard Normal Variate - SNV, normalización Mín-Máx, Continuum Removal y la primera derivada), se pudo determinar para cada especie estudiada la técnica de captura de datos, la metodología de clasificación, las fechas y los rangos del espectro más adecuados para su identificación. Todo el procedimiento de preprocesado, clasificación y validación, se desarrolló de forma automatizada mediante código en el software R. Los resultados indicaron que, de forma global, las mejores clasificaciones se obtuvieron a partir de los datos capturados con la sonda de contacto en el mes de septiembre, con los datos del espectro completo (350-2500 nm) y usando el modelo de clasificación LDA. Las transformaciones de datos no mostraron mejoría de los resultados en la clasificación LDA. La mejor clasificación logró una exactitud global de 58,49% (45,08% - 70,75%) cuando se trató de clasificar el número máximo de especies simultáneamente, si bien esta exactitud subió a 100% (82,92% - 100%) cuando se diferenció entre cuatro especies, y a 81,25% (56,20% - 94,20%) cuando se trató de identificar el grupo al que pertenecía el alga. La especie que mejor se ha identificado fue Ulva spp., con unas exactitudes de usuario y productor del 100% respectivamente.
Language: Spanish
Field: Chemistry
Open Access status: green
OpenAlex ID: W7036496525
Cites: 54
Cited by:
Related to: 10