Ce système utilise des images et des vidéos sous-marines pour identifier les contours des coraux, générant des données précieuses telles que la colorimétrie et la dimension fractale. La colorimétrie détecte les changements de couleur du corail en fonction de l'environnement, tandis que la dimension fractale fournit des valeurs pour évaluer les changements de la surface corallienne en 2D.

Ce système sera chargé de préparer les données afin de pouvoir effectuer leur analyse ultérieure. C'est pourquoi il faudra utiliser des techniques d'intégration de données, de traitement de données, de réduction du bruit, de normalisation et de discrétisation qui transforment les données recueillies par les capteurs tels que la température, les niveaux de turbidité, la conductivité, la chlorophylle, la salinité, etc. et les préparer pour leur modélisation ultérieure.

Ce système utilise des images stéréoscopiques et des time-lapses pour obtenir un nuage de points de coraux. Avec ce nuage, une maillage 3D est générée pour calculer le volume du corail, fournissant des données sur sa croissance ou sa diminution en fonction de divers paramètres.

Les modèles prédictifs révèlent des événements et leurs moments. Dans cette recherche, des algorithmes tels que les Réseaux Neuronaux, les Support Vector Machines, KNN et le Deep Learning, ainsi que leurs variantes, seront évalués pour prédire le temps nécessaire pour atteindre des niveaux prédéfinis de dégradation du corail, offrant ainsi une vision plus précise du processus.

Les modèles descriptifs révèlent les raisons derrière les événements. Des algorithmes tels que les arbres de décision, les forêts aléatoires, les régressions linéaires, les régressions logistiques et les réseaux bayésiens, ainsi que leurs variantes, seront étudiés pour générer des règles expliquant les causes des événements dans l'environnement corallien, améliorant ainsi le suivi et la compréhension de l'environnement dans diverses conditions.