Data analysis advances in marine science for fisheries management : supervised classification application

169 p. : il. col.

La gestión de pesquerías tiene un gran impacto a muchos niveles: biológico, económico, social y político con gran incertidumbre sobre las relaciones entre el clima, los peces y las decisiones de gestión. Esta tesis doctoral, dirigida por Jose A. Lozano, Iñaki Inza y Xabier Irigoien, presenta varias contribuciones metodológicas de análisis de datos en torno a actividades necesarias para la gestión de pesquerías: Primero, esta tesis se enfrenta al desafío para los expertos cuando quieren aplicar clasificación supervisada para procesar el cada vez mayor número de muestras biológicas. La contribución en este dominio consiste en un método 'wrapper' donde el experto puede evaluar el conjunto de entrenamiento en base a este equilibrio entre rendimiento de la clasificación y el numero de clases a distinguir [1]. Segundo, se propone una metodología para afrontar el problema de hacer una predicción robusta en un dominio con pocos datos como es la predicción del reclutamiento de peces [2]. La metodología consiste en la propuesta de un grupo secuencial de reconocidos métodos provenientes del aprendizaje automático y como aplicarlos correctamente. Finalmente, el nuevo paradigma de clasificadores multi-dimensionales es aplicado a la predicción simultanea de múltiples especies de peces en un contexto de una aproximación ecosistémica a la gestión de pesquerías. Los clasificadores multi-dimensionales tienen este objetivo de hacer predicción simultánea de varias variables objetivo. En este ámbito, se proponen nuevos métodos de pre-proceso y medidas de evaluación del rendimiento [3]. [1] J.A. Fernandes, X. Irigoien, G. Boyra, J. A. Lozano, I. Inza (2009) Optimizing the number of classes in automated zooplankton classification. Journal of Plankton Research 31(1): 19-29. [2] J.A. Fernandes, X. Irigoien, N. Goikoetxea, J.A. Lozano, I. Inza, A. Pérez, A. Bode (2010) Fish recruitment prediction, using robust supervised classification methods. Ecological Modelling, 221(2): 338-352. [3] J.A. Fernandes, J.A. Lozano, I. Inza, X. Irigoien, J.D. Rodríguez, A. Pérez (2011) Supervised pre-processing approaches in multiple class-variables classification for fish recruitment forecasting. Applied Soft Computing.