生物多様性の喪失、世界的な変化、エコシステムサービスに対する需要の高まりなど、現在の世界的な課題に対処するには、環境予測を改善する必要があります。データの可用性の向上と計算能力の向上は、エコロジーへの定量的アプローチの開発を推進しています。ただし、これらの開発を環境予測に使用するには、柔軟な方法論的フレームワークが必要です。ディープラーニング（DL）は、急速に成長しているマシンラーニング（ML）の分野ですが、今日ではエコロジーではほとんど使用されていません。これは、ディープニューラルネットワーク（DNN）のトレーニングにも当てはまります。多くの層と多数のニューロンで構成される人工神経ネットワーク。この記事では、作成の例（コードとデータを含む）を提供します。環境予測におけるDNNのトレーニングと適用。針葉樹が優勢な森林での樹皮カブトムシの発生を例として使用して、著者は、DNNが感染の短期的および局所的リスクと、より大規模な長期的動態の両方を予測するのに適していることを示しています。また、この記事は、DNNが樹皮カブトムシの発生のダイナミクスを予測するための標準的なアプローチと比較してより良い結果をもたらし、この分野で統合された予測システムを形成する可能性が高いことを示しています。大規模な長期ダイナミクス。また、この記事は、DNNが樹皮カブトムシの発生のダイナミクスを予測するための標準的なアプローチと比較してより良い結果をもたらし、この分野で統合された予測システムを形成する可能性が高いことを示しています。大規模な長期ダイナミクス。また、この記事は、DNNが樹皮カブトムシの発生のダイナミクスを予測するための標準的なアプローチと比較してより良い結果をもたらし、この分野で統合された予測システムを形成する可能性が高いことを示しています。
前書き
エコロジーは比較的若い分野であり、その理論的基盤の多くは1世紀も経っていません。ここ数十年で、エコロジーは大幅に進歩しました。これは、特に、環境に関する知識、データ、方法のより積極的な適用、および予測エコロジーの進歩に反映されています。環境予測は、生態系の将来の状態の検証可能な定量的推定を作成するために使用されます。予測への注目が高まっているのは、気候変動や生物多様性の喪失の影響など、21世紀に人類が直面する最も差し迫った課題のいくつかの中心にエコロジーがあるという認識が高まっているためです。
正確な環境予測を行うことは、これまで以上に現実的です。これは3つのプロセスの結果です。
-, , .
-, .
.
— , , . , , . , , .
— 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 , . , , , , . , .
注意
エコロジーにおける深層学習の活用の翻訳：WernerRammerとRupertSeidlによる樹皮カブトムシの発生を予測する例。