Para abordar los desafíos mundiales actuales, como la pérdida de biodiversidad, el cambio mundial y la creciente demanda de servicios de los ecosistemas, se requieren mejores pronósticos ambientales. El aumento de la disponibilidad de datos y el aumento de la potencia informática están impulsando el desarrollo de enfoques cuantitativos de la ecología. Sin embargo, para utilizar estos avances en la predicción ambiental, se requiere un marco metodológico flexible. El aprendizaje profundo (DL) es una rama del aprendizaje automático (ML) en rápido crecimiento, sin embargo, hoy en día tiene poco uso en ecología. Esto también se aplica al entrenamiento de redes neuronales profundas (DNN), es decir, redes neuronales artificiales, formadas por muchas capas y una gran cantidad de neuronas. Este artículo proporciona un ejemplo (incluidos el código y los datos) de creación,formación y aplicación de DNN en predicción ambiental. Utilizando como ejemplo los brotes de escarabajos de la corteza en bosques dominados por coníferas, los autores muestran que las DNN están bien posicionadas para predecir el riesgo de infección local y a corto plazo y la dinámica a largo plazo a mayor escala. Además, el artículo muestra que los DNN tienen un mejor resultado en comparación con los enfoques estándar para predecir la dinámica de un brote de escarabajo de la corteza y tienen un alto potencial para formar un sistema de pronóstico integrado en esta área.y dinámica a largo plazo a mayor escala. Además, el artículo muestra que los DNN tienen un mejor resultado en comparación con los enfoques estándar para predecir la dinámica de un brote de escarabajo de la corteza y tienen un alto potencial para formar un sistema de pronóstico integrado en esta área.y dinámica a largo plazo a mayor escala. Además, el artículo muestra que los DNN tienen un mejor resultado en comparación con los enfoques estándar para predecir la dinámica de un brote de escarabajo de la corteza y tienen un alto potencial para formar un sistema de pronóstico integrado en esta área.
Introducción
La ecología es una disciplina relativamente joven y muchos de sus fundamentos teóricos tienen menos de un siglo. En las últimas décadas se han producido importantes avances en ecología, que, en particular, se reflejan en la aplicación más activa de conocimientos, datos y métodos ambientales, así como en el avance de la ecología predictiva. La previsión medioambiental se utiliza para crear estimaciones cuantitativas verificables del estado futuro de un ecosistema. El mayor enfoque en los pronósticos se debe a la creciente conciencia de que la ecología es fundamental para algunos de los desafíos más urgentes que enfrenta la humanidad en el siglo XXI, como los impactos del cambio climático y la pérdida de biodiversidad.
Hacer pronósticos ambientales precisos es más realista que nunca. Este es el resultado de tres procesos.
-, , .
-, .
.
— , , . , , . , , .
— ML. DL - (DNN). (Artificial Neural Networks, ANNs), . , DL , ( ) ( ) . , (, ), . , DNNs ANNs, , ML .
ML , . , ML , (. S1). — . .
S1. ()
, Scopus «deep learning», «deep neural networks» «dnn» : , , . «» (Other) , (Prediction) (Classification), DNN ( : 8.11.2018).
- . , . , . , , . , , .
, . DNN 2- :
•
• .
, . (), . (.1):
• ( , )
•
• ( ).
1. .
k . , (n), , (m). (w).
DNN . , (. 1). w. , .
, , (Convolutional Neural Network, CNN). CNN . . , . .
DNN , . , . , , , . S2 DNN, DNN.
23- (Ips typographus L.) (), 13 319 . , , Seidl et al., 2016.
, 30 × 30 m . DNN :
• (. . , 19 × 19 , , (Picea abies (L.) Karst.))
• , ,
• (.. )
• ( , ) , , 33- 66- .
, , , .
DNN 1,87 . xi 19 × 19 . , : . , xi 19 × 19 = 361 + 2 = 363 . 19 × 19 270 382 , 95% . yi — / .
1:
DNN . , , . , (1993, 1997, 2005). DNN. 1,58 , — 292 559 (15,7% ).
2:
DNN , . 373 817 (20%) . 80% DNN. , DNN .
(. 2) , . , . , 1 ( ). : ( ), , . , (accuracy) . 2. TensorFlow Intel QuadCore CPU (Intel i5-6600) NVidia GTX 1070 GPU.
2.
19 × 19 ( -: 30 × 30 ) , (focal cell) ( ) ( ).
. Accuracy ( ) , ( 3,48% ). Precision, Recall, F1 Score, Conditional Kappa, True Skill Statistic ( 1).
Conditional Kappa True Skill Statistic -1 +1, +1 , > 0 , , . 2- , , F1 Score .
Gleichlaeufigkeit, , ( 1).
DNN, 1 2 , , , , H2O.
1. DNN.
N —
tp —
tn —
fp —
fn —
DNN
, softmax; - , (weight decay), (dropout), - (batch normalization). S2 DNN. , () ( ) . 60 , . , (accuracy). GitHub , .
S2. (). .
1:
DNN , 1993, 1997 2005 (. 3). : Accuracy - 0.966, Precision - 0.652, Recall - 0.392 ( 2). Conditional kappa True skill statistic, , 0.637 0.626 . 2 , , -.
3. (Observed) (Predicted) 1993, 1997 2005 .
2. .
2:
2 Accuracy ( 2). 4 , . 23- DNN, ( 1990- ) , 2003–2007 . S3 , Seidl et al. (2016). Gleichlaeufigkeit DNN 0.750, , (0,727).
4. , 2 (N = 373 817).
S3. ().
DNN , ; (random forest) DNN 2 ( S1). , ( ) . .
S1. ().
DNN .
DNN — deep neural network /
DRM — distributed random forest /
GBM — gradient boosting machine /
GLM — generalized linear model /
— . . , . , , , Ecology, Journal of Ecology, Ecology Letters, BioScience, Ecological Applications, Journal of Applied Ecology, Diversity and Distributions Global Ecology and Biogeography. , , , .
, . DL — . , . process-based , .
ML DNN , « » — . , , . , , , . , . ML , .
DNNs - (, , ). , , , . , DNNs ( ).
- , , . , , . , DNNs . , , . , ( ), , DNN. , , . , , . DNN , .
— , DNNs , . DNN - , , , . , . , , , DNNs , . , , , . , ML , . , , , , . , .
Nota
Traducción de Aprovechar el aprendizaje profundo en ecología: un ejemplo que predice los brotes de escarabajos de la corteza por Werner Rammer y Rupert Seidl.