Predicción de cobertura de coral de los arrecifes de coral escleractinios de Santa Marta, Colombia aplicando técnicas de aprendizaje automático
Documentos PDF
Abstract
Los arrecifes de coral son invertebrados coloniales que existen hace miles de años. Son ecosistemas que permiten mantener el equilibrio químico, bioquímico y biológico del océano. Sin embargo el cambio climático, transformaciones naturales y los procesos ejecutados por los seres humanos sobre el medio ambiente han provocado alteraciones en la dinámica poblacional y deterioro del ecosistema. Es así como esta investigación busca evaluar modelos como redes neuronales y procesos estocásticos para predecir el cambio de cobertura de coral de los arrecifes de coral escleractinios en Santa Marta, Colombia. Específicamente, se evaluaron dos técnicas de predicción de series temporales: proceso estocástico ARIMA y red neuronal LSTM sobre la serie temporal de cobertura de coral escleractinio en el Chengue Santa Marta Colombia, encontrando que la red neuronal LSTM tiene un mejor rendimiento respecto al modelo ARIMA.
Summary in foreign language
Coral reefs are colonial invertebrates that have existed for thousands of years. They are ecosystems that allow maintaining the chemical, biochemical and biological balance of the ocean. However, climate change, natural transformations and the processes carried out by human beings on the environment have caused alterations in population dynamics and deterioration of the ecosystem. This research seeks to evaluate models such as neural networks and stochastic processes to predict the change in coral cover of scleractinian coral reefs in Santa Marta, Colombia in order to contribute to the estimation of the behavior of these ecosystems. Two time series prediction techniques were evaluated: ARIMA stochastic process and LSTM neural network on the time series of scleractinian coral cover in Chengue Santa Marta Colombia, finding the LSTM neural network has a better performance compared to the ARIMA model.
Collections
Estadísticas Google Analytics
Comments