Clasificación rápida y de alto rendimiento de especies de floraciones de algas nocivas basada en una mega base de...

Área de la Ciencia:

• Biología marina
• Biología computacional
• Ecología

Sus antecedentes:

• Las microalgas son vitales para los ecosistemas marinos y la industria.
• La identificación rápida de microalgas, especialmente las especies de floraciones de algas nocivas (FAN), sigue siendo un desafío importante.
• La identificación precisa es clave para el monitoreo ecológico y la gestión de las FAN.

Objetivo del estudio:

• Desarrollar y evaluar algoritmos basados en IA para la clasificación precisa y rápida de microalgas.
• Construir una base de datos integral de imágenes de microalgas para entrenar modelos de IA.
• Evaluar el rendimiento de diferentes modelos de IA, incluidos DenseNet, EfficientNet y Vision Transformer (ViT).

Principales métodos:

• Creación de un conjunto de datos diverso de imágenes de microalgas.
• Entrenamiento y validación de modelos de aprendizaje profundo (DenseNet, EfficientNet, ViT).
• Análisis comparativo del rendimiento del modelo y evaluación en muestras recolectadas en el campo.

Principales resultados:

• El modelo Vision Transformer (ViT) demostró un rendimiento de clasificación superior.
• El tamaño y la diversidad del conjunto de datos fueron factores críticos para mejorar la precisión del modelo de IA.
• Los resultados del modelo de IA mostraron una fuerte concordancia con los análisis microscópicos y de metabarcodificación tradicionales.

Conclusiones:

• La clasificación de microalgas impulsada por IA ofrece un avance significativo en velocidad y precisión.
• Esta tecnología proporciona una herramienta robusta para sistemas de alerta temprana y respuesta rápida a las FAN.
• Los hallazgos respaldan estrategias mejoradas de gestión y protección de los ecosistemas marinos a través de la IA.