Machine learning y deep learning en la utilización eficiente de la tecnología hiperespectral para la detección automática de aguas contaminadas en áreas locales

• Autores: María Gema Carrasco García
• Directores de la Tesis: Ignacio José Turias Domínguez (dir. tes.) , Juan Jesús Ruiz Aguilar (codir. tes.)
• Lectura: En la Universidad de Cádiz ( España ) en 2026
• Idioma: inglés
• Tribunal Calificador de la Tesis: José Manuel Jerez Aragonés (presid.) , Guadalupe Ortiz Bellot (secret.) , Pedro Jorge Sequeira Cardoso (voc.)
• Enlaces
  • Tesis en acceso abierto en:  TESEO  RODIN 
• Resumen

  • Los vertidos de hidrocarburo en medios hídricos constituyen un problema medioambiental con implicaciones directas sobre los ecosistemas, la salud humana y la economía azul. Esta problemática adquiere especial relevancia en entornos costeros y portuarios, donde los derrames de pequeña extensión son frecuentes, a menudo poco documentados y pueden producir un impacto acumulado significativo. En este contexto, esta tesis desarrolla y valida, bajo condiciones controladas, un marco metodológico para la detección y clasificación automática de contaminación por hidrocarburos en agua mediante tecnología hiperespectral de alta resolución espacial integrada con modelos de machine learning (ML) y deep learning (DL), orientado a avanzar hacia un sistema de Escuelas Doctorales Hospital Real Plaza Falla, 8 | 11003 Cádiz Tel. 956 015353 http://www.uca.es posgrado@uca.es monitorización local basado en sensores de imagen hiperespectral (HSI, Hyperspectral Imaging) integrados en plataformas aéreas no tripuladas (UAV, Unmanned Aerial Vehicle), capaz de detectar en tiempo real vertidos en fase temprana o de pequeñas dimensiones, contribuyendo a minimizar sus efectos y a apoyar la depuración de responsabilidades. La investigación aborda el problema desde dos enfoques complementarios: (i) un enfoque clásico que combina firmas hiperespectrales y ML, y (ii) un enfoque profundo que combina hiperimágenes y DL, analizando de forma sistemática decisiones de diseño críticas, como la gestión de la dimensionalidad espectral, la arquitectura y los hiperparámetros, y el efecto de la disponibilidad de datos en el rendimiento y la estabilidad del aprendizaje. Los resultados muestran que el enfoque clásico, apoyado en análisis de componentes principales PCA (PCA, Principal Component Analysis) o shallow autoencoders (AE), permite concentrar la información discriminativa en representaciones compactas y alcanzar métricas elevadas con clasificadores de baja complejidad, como árboles de decisión (DT, Decision Tree) o redes neuronales artificiales poco profundas (ANN, Artificial Neural Network), ofreciendo además ventajas de eficiencia y extensibilidad mediante bibliotecas de firmas. En paralelo, el enfoque profundo confirma la capacidad de las redes neuronales convolucionales (CNN, Convolutional Neural Networks) para explotar la relación espacio-espectral del hipercubo y mantener rendimientos sobresalientes incluso ante señales sutiles o de baja concentración. Asimismo, se evidencia que estrategias explícitas para tratar la dimensión espectral, ya sea mediante reducción previa con PCA, PCA-3DCNN, o mediante arquitecturas híbridas en las que el modelado espectral se lleve a cabo en un bloque recurrente tipo redes de memoria a corto-largo plazo (LSTM, Long Short-Term Memory), 2DCNN-LSTM, permiten controlar la complejidad, mejorar la eficiencia computacional y aumentar la estabilidad en regímenes de datos limitados. En conjunto, la tesis aporta evidencia de viabilidad, criterios de diseño y una base sólida para evolucionar hacia sistemas de monitorización local más robustos y automatizables.