PPG - Biodiversidade e Ecologia Marinha e Costeira

URI Permanente para esta coleção

https://hdl.handle.net/11600/61126

Navegar

Navegando PPG - Biodiversidade e Ecologia Marinha e Costeira por Autor "Brito de Jesus, Simone [UNIFESP]"

Agora exibindo 1 - 1 de 1
  • Imagem de Miniatura
    Item
    Acesso aberto (Open Access)
    Machine learning accurately identify free-living marine nematodes species
    (Universidade Federal de São Paulo, 2022-12-16) Brito de Jesus, Simone [UNIFESP]; Gallucci, Fabiane [UNIFESP]; Vieira, Danilo Cândido; http://lattes.cnpq.br/9811824241582252; http://lattes.cnpq.br/8179208642568772; https://lattes.cnpq.br/8964704292736887; Universidade Federal de São Paulo (UNIFESP)
    A taxonomia é a base da maioria dos estudos de biodiversidade. No entanto, a identificação de espécies ainda é um desafio, especialmente para pequenos metazoários. Este estudo tem como objetivo analisar o desempenho de algoritmos de aprendizado de máquina na identificação de espécies de Nematoda marinhos de vida livre. Foram consideradas 46 espécies pertencentes ao gênero Acantholaimus e 58 espécies pertencentes do gênero Sabatieria. Para ambos os gêneros, foram considerados caracteres morfométricos e de presença/ausência. A abordagem atual comparou o resultado dos algoritmos K-nearest neighbor (KNN), Support Vector Machine (SVM), Random Forest (RF) e Gradient Boosting (GB). Para ambos os gêneros, RF foi o mais preciso em classificar os espécimes nas espécies corretas (94%), enquanto KNN apresentou o pior desempenho (17%). Após o conjunto o RF e SVM, a acurácia aumentou para 99,7% para Sabatieria e 100% para Acantholaimus. Esses resultados mostraram que, na presença de uma tabela morfométrica, a identificação de Nematoda marinhos de vida livre pode ser totalmente automatizada, otimizando a biodiversidade e os estudos ecológicos, bem como tornando a identificação de espécies mais acessível para não taxonomistas.