{"id":{"repo_id":"cadiz","oai_identifier":"oai:rodin.uca.es:10498/39665"},"canonical_url":"https://search.dev.ndltd.org/etd/cadiz/oai:rodin.uca.es:10498/39665","repository":{"repo_id":"cadiz","name":"Universidad de Cadiz","base_url":"https://rodin.uca.es/oai/request"},"display":{"title":"Machine learning y deep learning en la utilización eficiente de la tecnología hiperespectral para la detección automática de aguas contaminadas en áreas locales","abstract":"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 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 Network) 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.","abstract_html":"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 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 Network) 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.","abstract_has_math":false,"creators":["Carrasco García, María Gema"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Turias Domínguez, Ignacio José","Ruiz Águilar, Juan Jesús"],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-07-24T01:29:34Z","subjects":[],"languages":["spa"],"rights":["Attribution-NonCommercial-NoDerivatives 4.0 Internacional"],"rights_urls":["http://creativecommons.org/licenses/by-nc-nd/4.0/"],"identifier_entries":[]},"links":{"outbound_url":"http://hdl.handle.net/10498/39665","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Turias Domínguez, Ignacio José","Ruiz Águilar, Juan Jesús"]},{"key":"dc:contributor.other","label":"Dc Contributor Other","values":["Ingeniería Industrial e Ingeniería Civil","Ingeniería Informática"]},{"key":"dc:creator","label":"Author","values":["Carrasco García, María Gema"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2026-05-26T11:43:41Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2026-05-26T11:43:41Z"]},{"key":"dc:date.issued","label":"Date","values":["2026"]},{"key":"dc:type","label":"Dc Type","values":["doctoral thesis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["spa"]},{"key":"dc:rights","label":"Dc Rights","values":["Attribution-NonCommercial-NoDerivatives 4.0 Internacional"]},{"key":"dc:rights.uri","label":"Rights URI","values":["http://creativecommons.org/licenses/by-nc-nd/4.0/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["http://hdl.handle.net/10498/39665"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["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 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 Network) 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.","Oil spills in aquatic environments are an environmental problem with direct implications for ecosystems, human health, and the blue economy. This issue is particularly relevant in coastal and port environments, where small-scale spills are frequent, often poorly documented, and can have a significant cumulative impact. In this context, this thesis develops and validates, under controlled conditions, a methodological framework for the automatic detection and classification of oil pollution in water using high spatial resolution hyperspectral technology combined with machine learning (ML) and deep learning (DL) models, with the aim of advancing towards a local monitoring system based on hyperspectral imaging (HSI) sensors integrated into unmanned aerial vehicles (UAVs), capable of detecting spills in real time at an early stage or when they are of small dimensions, helping to minimise their effects and clarify responsibilities. The research addresses the problem from two complementary approaches: (i) a classical approach combining hyperspectral signatures and ML, and (ii) a deep approach combining hyperimages and DL, systematically analysing critical design decisions such as spectral dimensionality management, architecture, and hyperparameters, and the effect of data availability on learning performance and stability. The results show that the classical approach, based on principal component analysis (PCA) or shallow autoencoders (AE), allows discriminative information to be concentrated into compact representations and high metrics to be achieved with low-complexity classifiers, such as decision trees (DT) or shallow artificial neural networks (ANN), while also offering advantages in terms of efficiency and extensibility through signature libraries. At the same time, the deep approach confirms the ability of convolutional neural networks (CNN) to exploit the space-spectral relationship of the hypercube and maintain outstanding performance even in the face of subtle or low-concentration signals. Similarly, it is clear that explicit strategies for dealing with the spectral dimension, whether through prior reduction with PCA, PCA3DCNN, or through hybrid architectures in which spectral modelling is performed in a recurrent block, such as LSTM, 2DCNN-LSTM, allow complexity to be controlled, computational efficiency to be improved, and stability to be increased in limited data regimes. Overall, the thesis provides proof of concept, design criteria, and a solid foundation for evolving towards more robust and automatable local monitoring systems."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Machine learning y deep learning en la utilización eficiente de la tecnología hiperespectral para la detección automática de aguas contaminadas en áreas locales"]}]}],"canonical_facts":{"dc:contributor.advisor":["Turias Domínguez, Ignacio José","Ruiz Águilar, Juan Jesús"],"dc:contributor.other":["Ingeniería Industrial e Ingeniería Civil","Ingeniería Informática"],"dc:creator":["Carrasco García, María Gema"],"dc:date.accessioned":["2026-05-26T11:43:41Z"],"dc:date.available":["2026-05-26T11:43:41Z"],"dc:date.issued":["2026"],"dc:description.abstract":["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 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 Network) 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.","Oil spills in aquatic environments are an environmental problem with direct implications for ecosystems, human health, and the blue economy. This issue is particularly relevant in coastal and port environments, where small-scale spills are frequent, often poorly documented, and can have a significant cumulative impact. In this context, this thesis develops and validates, under controlled conditions, a methodological framework for the automatic detection and classification of oil pollution in water using high spatial resolution hyperspectral technology combined with machine learning (ML) and deep learning (DL) models, with the aim of advancing towards a local monitoring system based on hyperspectral imaging (HSI) sensors integrated into unmanned aerial vehicles (UAVs), capable of detecting spills in real time at an early stage or when they are of small dimensions, helping to minimise their effects and clarify responsibilities. The research addresses the problem from two complementary approaches: (i) a classical approach combining hyperspectral signatures and ML, and (ii) a deep approach combining hyperimages and DL, systematically analysing critical design decisions such as spectral dimensionality management, architecture, and hyperparameters, and the effect of data availability on learning performance and stability. The results show that the classical approach, based on principal component analysis (PCA) or shallow autoencoders (AE), allows discriminative information to be concentrated into compact representations and high metrics to be achieved with low-complexity classifiers, such as decision trees (DT) or shallow artificial neural networks (ANN), while also offering advantages in terms of efficiency and extensibility through signature libraries. At the same time, the deep approach confirms the ability of convolutional neural networks (CNN) to exploit the space-spectral relationship of the hypercube and maintain outstanding performance even in the face of subtle or low-concentration signals. Similarly, it is clear that explicit strategies for dealing with the spectral dimension, whether through prior reduction with PCA, PCA3DCNN, or through hybrid architectures in which spectral modelling is performed in a recurrent block, such as LSTM, 2DCNN-LSTM, allow complexity to be controlled, computational efficiency to be improved, and stability to be increased in limited data regimes. Overall, the thesis provides proof of concept, design criteria, and a solid foundation for evolving towards more robust and automatable local monitoring systems."],"dc:format":["application/pdf"],"dc:identifier.uri":["http://hdl.handle.net/10498/39665"],"dc:language.iso":["spa"],"dc:rights":["Attribution-NonCommercial-NoDerivatives 4.0 Internacional"],"dc:rights.uri":["http://creativecommons.org/licenses/by-nc-nd/4.0/"],"dc:title":["Machine learning y deep learning en la utilización eficiente de la tecnología hiperespectral para la detección automática de aguas contaminadas en áreas locales"],"dc:type":["doctoral thesis"]},"updated_at":"2026-07-24T01:29:34Z"}