Este sistema utiliza imágenes y vídeos subacuáticos para identificar contornos de corales, generando datos valiosos como colorimetría y dimensión fractal. La colorimetría detecta cambios de color en el coral según el entorno, mientras que la dimensión fractal proporciona valores para evaluar cambios en la superficie coralina en 2D.

Este Sistema se encargará de preparar los datos para poder realizar su posterior análisis. Es por esto que habrá que utilizar técnicas data integration, data processing, reducción de ruidos, normalización y discretización que transformen los datos recogidos por los sensores como la temperatura, los niveles de turbidez, conductividad, clorofila, salinidad, etc. y los dejen preparados para su posterior modelado.

Este sistema utiliza imágenes estereoscópicas y time-lapse para obtener una nube de puntos de corales. Con esta nube, se genera una malla 3D para calcular el volumen del coral, proporcionando datos sobre su crecimiento o disminución en función de diversos parámetros.

Los modelos predictivos desvelan eventos y sus momentos. En esta investigación, se evaluarán algoritmos como Redes Neuronales, Support Vector Machines, KNN y Deep Learning, junto con sus variantes, para predecir el tiempo de alcanzar niveles predefinidos de degradación en el coral, ofreciendo así una visión más precisa del proceso.

Los modelos descriptivos revelan las razones detrás de los eventos. Se investigarán algoritmos como árboles de decisión, random forest, regresiones lineales, regresiones logísticas y redes bayesianas, junto con sus variantes, para generar reglas que expliquen las causas de eventos en el entorno del coral, mejorando así el seguimiento y la comprensión del entorno en diversas condiciones.