Machine learning accurately identify free-living marine nematodes species

Página do item simplificado
dc.contributor.advisorGallucci, Fabiane [UNIFESP]
dc.contributor.advisor-coVieira, Danilo Cândido
dc.contributor.advisor-coLatteshttp://lattes.cnpq.br/9811824241582252pt_BR
dc.contributor.advisorLatteshttp://lattes.cnpq.br/8179208642568772pt_BR
dc.contributor.authorBrito de Jesus, Simone [UNIFESP]
dc.contributor.authorLatteshttps://lattes.cnpq.br/8964704292736887pt_BR
dc.contributor.institutionUniversidade Federal de São Paulo (UNIFESP)
dc.coverage.spatialUnifesp- Santos/ Campos Baixada Santista-IMAr.pt_BR
dc.date.accessioned2023-03-07T21:48:39Z
dc.date.available2023-03-07T21:48:39Z
dc.date.issued2022-12-16
dc.description.abstractA 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.pt_BR
dc.description.abstractTaxonomy is the basis of most biodiversity studies. Yet, species identification is still a challenge, especially for small metazoans. This study aims to analyze the performance of machine learning algorithms in the identification of free-living marine nematodes species. A total of 40 species belonging to the nematode genus Acantholaimus and 58 belonging to the genus Sabatieria were considered. For both genera, morphometric and presence/absence characters were considered. The current approach compared the outcome of K-nearest neighbor (KNN), Support Vector Machine (SVM), Random Forest (RF), and Gradient Boosting (GB) algorithms. For both genera, RF was the most accurate in classifying the specimens into the correct species (94%), while K showed the worst performance (17%). After the ensemble of RF and SVM, the accuracy raised to 99.7% for Sabatieria and 100% for Acantholaimus. These results showed that, in the presence of a morphometric table, the identification of marine nematodes could be fully automatized optimizing biodiversity and ecological studies as well as turning species identification more accessible for non-taxonomists.en
dc.emailadvisor.customfabiane.gallucci@gmail.compt_BR
dc.format.extent52 f.pt_BR
dc.identifier.citationBRITO DE JESUS, Simone. Machine learning accurately identify free-living marine nematodes species. 2022. 52 f. Dissertação (Mestrado em Biodiversidade Marinha e Costeira) - Instituto do Mar, Universidade Federal de São Paulo, Santos, 2022.pt
dc.identifier.otherProcesso SEI 23089.007577/2022-39pt
dc.identifier.urihttps://repositorio.unifesp.br/handle/11600/67207
dc.languageengpt_BR
dc.publisherUniversidade Federal de São Paulopt_BR
dc.rightsinfo:eu-repo/semantics/restrictedAccesspt_BR
dc.subjectMachine learningpt_BR
dc.subjectIdentificação de espéciespt
dc.subjectNematodapt
dc.subjectAcantholaimuspt
dc.subjectSabatieriapt
dc.subjectMachine learningen
dc.subjectSpecies identificationen
dc.subjectNematodaen
dc.subjectAcantholaimusen
dc.subjectSabatieriaen
dc.titleMachine learning accurately identify free-living marine nematodes speciespt_BR
dc.typeinfo:eu-repo/semantics/masterThesispt_BR
unifesp.campusInstituto do Mar (IMar)pt_BR
unifesp.graduateProgramBiodiversidade Marinha e Costeirapt_BR
unifesp.knowledgeAreaTaxonomiapt_BR
unifesp.researchAreaMachine learningpt_BR
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Dissertação_Simone Brito de Jesus_PDFA.pdf
Tamanho:
1.46 MB
Formato:
Adobe Portable Document Format
Descrição:
Dissertação de mestrado
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
5.7 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar
Coleções
PPG - Biodiversidade e Ecologia Marinha e Costeira