Enfrentar os desafios globais atuais, como a perda de biodiversidade, as mudanças globais e a crescente demanda por serviços ecossistêmicos, requer melhores previsões ambientais. O aumento da disponibilidade de dados e o aumento do poder de computação estão conduzindo o desenvolvimento de abordagens quantitativas para a ecologia. No entanto, para usar esses desenvolvimentos na previsão ambiental, é necessária uma estrutura metodológica flexível. Deep Learning (DL) é um ramo de rápido crescimento do Machine Learning (ML), no entanto, hoje tem pouco uso no ambiente. Isso também se aplica ao treinamento de Redes Neurais Profundas (DNNs), ou seja, redes neurais artificiais, consistindo em muitas camadas e um grande número de neurônios. Este artigo fornece um exemplo (incluindo código e dados) de criação,treinamento e aplicação de DNNs em previsões ambientais. Usando surtos de escaravelhos em florestas dominadas por coníferas como exemplo, os autores mostram que os DNNs estão bem posicionados para prever o risco de infecção local e de curto prazo e a dinâmica de longo prazo em uma escala maior. Além disso, o artigo mostra que as DNNs têm um resultado melhor em comparação com as abordagens padrão para prever a dinâmica de um surto do besouro da casca, e têm um alto potencial para formar um sistema de previsão integrado nesta área.e dinâmica de longo prazo em uma escala maior. Além disso, o artigo mostra que as DNNs têm um resultado melhor em comparação com as abordagens padrão para prever a dinâmica de um surto do besouro da casca, e têm um alto potencial para formar um sistema de previsão integrado nesta área.e dinâmica de longo prazo em uma escala maior. Além disso, o artigo mostra que as DNNs têm um resultado melhor em comparação com as abordagens padrão para prever a dinâmica de um surto do besouro da casca, e têm um alto potencial para formar um sistema de previsão integrado nesta área.
Introdução
A ecologia é uma disciplina relativamente jovem e muitos de seus fundamentos teóricos têm menos de um século. Nas últimas décadas, houve avanços significativos na ecologia, que, em particular, se refletem na aplicação mais ativa de conhecimentos, dados e métodos ambientais, bem como no avanço da ecologia preditiva. A previsão ambiental é usada para criar estimativas quantitativas verificáveis do estado futuro de um ecossistema. O maior foco na previsão se deve à crescente consciência de que a ecologia é central para alguns dos desafios mais urgentes que a humanidade enfrenta no século 21, como os impactos das mudanças climáticas e a perda da biodiversidade.
Fazer previsões ambientais precisas é mais realista do que nunca. Este é o resultado de três processos.
-, , .
-, .
.
— , , . , , . , , .
— 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
Tradução de "Aproveitando o Aprendizado Profundo em Ecologia: Um Exemplo Predizendo Surtos de Besouro de Casca", de Werner Rammer e Rupert Seidl.