Sensoriamento ambiental com gymnotiformes (pisces).
Ano de defesa: | 2010 |
---|---|
Autor(a) principal: | |
Outros Autores: | |
Orientador(a): | |
Banca de defesa: | |
Tipo de documento: | Tese |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Universidade Federal do Amazonas
Instituto de Ciências Biológicas BR UFAM Programa de Pós-Graduação em Biotecnologia |
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: | |
Link de acesso: | http://tede.ufam.edu.br/handle/tede/3115 |
Resumo: | A Amazônia Brasileira contém a maior diversidade conhecida de peixes da Ordem Gymnotiformes. Estes peixes elétricos, como são popularmente conhecidos, têm sido intensamente estudados por causa de sua capacidade bioelétrica. Em função destes dois fatores, neste estudo desenvolveu-se procedimentos biotecnológicos para sensoriamento ambiental por meio do processamento e análise das descargas do órgão elétricos (DOEs) de Gymnotiformes. Estes procedimentos geraram subsídios para compor um sistema de alerta ambiental, com peixes elétricos como biossensores de contaminações por petróleo na água, com dois principais fatores modelados: depleção de oxigênio dissolvido (hipoxia) e a presença da fração solúvel de petróleo em água (Benzeno, Tolueno, Etilbenzeno e Xileno - BTEX). Foram desenvolvidos algoritmos computacionais utilizando-se técnicas de inteligência artificial com redes neurais artificiais de múltiplas camadas. Estes algoritmos foram testados para o reconhecimento de padrões nas DOEs de Gymnotiformes, com a classificação por meio de características mais basais da taxa de repetição (pulso e onda), e, com a classificação por Genero de Gymnotiformes onduladores. Redes neurais artificiais de uma camada interna com 64 neurônios, algoritmo de treinamento retropropagativo com renovação das taxas de aprendizados por relações heurísticas e validação cruzada via erro médio quadrático, obtiveram máxima performance na avaliação computacional das DOEs. |