Mengatasi tantangan global saat ini seperti hilangnya keanekaragaman hayati, perubahan global, dan meningkatnya permintaan akan jasa ekosistem memerlukan perkiraan lingkungan yang lebih baik. Meningkatkan ketersediaan data dan meningkatkan daya komputasi mendorong pengembangan pendekatan lingkungan kuantitatif. Namun, untuk menggunakan perkembangan ini dalam peramalan lingkungan, diperlukan kerangka metodologi yang fleksibel. Pembelajaran Mendalam (DL) adalah cabang Pembelajaran Mesin (ML) yang berkembang pesat, namun, saat ini hanya digunakan sedikit di lingkungan. Ini juga berlaku untuk pelatihan Jaringan Neural Dalam (DNN), mis. jaringan saraf tiruan, terdiri dari banyak lapisan dan sejumlah besar neuron. Artikel ini memberikan contoh (termasuk kode dan data) membuat,pelatihan dan penerapan DNN dalam peramalan lingkungan. Menggunakan wabah kumbang kulit kayu di hutan yang didominasi konifer sebagai contoh, penulis menunjukkan bahwa DNN cukup mampu memprediksi risiko infeksi jangka pendek dan lokal serta dinamika jangka panjang pada skala yang lebih besar. Selain itu, artikel tersebut menunjukkan bahwa DNN memiliki hasil yang lebih baik dibandingkan dengan pendekatan standar untuk memprediksi dinamika wabah kumbang kulit kayu, dan berpotensi tinggi untuk membentuk sistem prakiraan terintegrasi di wilayah ini.dan dinamika jangka panjang dalam skala yang lebih besar. Selain itu, artikel tersebut menunjukkan bahwa DNN memiliki hasil yang lebih baik dibandingkan dengan pendekatan standar untuk memprediksi dinamika wabah kumbang kulit kayu, dan berpotensi tinggi untuk membentuk sistem prakiraan terintegrasi di wilayah ini.dan dinamika jangka panjang dalam skala yang lebih besar. Selain itu, artikel tersebut menunjukkan bahwa DNN memiliki hasil yang lebih baik dibandingkan dengan pendekatan standar untuk memprediksi dinamika wabah kumbang kulit kayu, dan berpotensi tinggi untuk membentuk sistem prakiraan terintegrasi di wilayah ini.
pengantar
Ekologi adalah disiplin yang relatif muda, dan banyak landasan teoretisnya berusia kurang dari satu abad. Dalam beberapa dekade terakhir, telah terjadi kemajuan signifikan dalam ekologi, yang, khususnya, tercermin dalam aplikasi pengetahuan, data dan metode lingkungan yang lebih aktif, serta dalam kemajuan ekologi prediktif. Perkiraan lingkungan digunakan untuk membuat perkiraan kuantitatif yang dapat diverifikasi dari keadaan masa depan suatu ekosistem. Meningkatnya fokus pada prakiraan disebabkan oleh tumbuhnya kesadaran bahwa ekologi adalah pusat dari beberapa tantangan paling mendesak yang dihadapi umat manusia di abad ke-21, seperti dampak perubahan iklim dan hilangnya keanekaragaman hayati.
Membuat prakiraan lingkungan yang akurat menjadi lebih realistis daripada sebelumnya. Ini adalah hasil dari tiga proses.
-, , .
-, .
.
— , , . , , . , , .
— 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 , . , , , , . , .
Catatan
Terjemahan dari Memanfaatkan Pembelajaran Mendalam dalam Ekologi: Contoh Prediksi Wabah Kumbang Kulit oleh Werner Rammer dan Rupert Seidl.