Die Bewältigung der aktuellen globalen Herausforderungen wie dem Verlust der biologischen Vielfalt, dem globalen Wandel und der wachsenden Nachfrage nach Ökosystemleistungen erfordert eine verbesserte Umweltprognose. Die zunehmende Verfügbarkeit von Daten und die zunehmende Rechenleistung treiben die Entwicklung quantitativer ökologischer Ansätze voran. Um diese Entwicklungen in der Umweltprognose nutzen zu können, ist jedoch ein flexibler methodischer Rahmen erforderlich. Deep Learning (DL) ist ein schnell wachsender Zweig des maschinellen Lernens (ML), der jedoch heute in der Umwelt kaum Anwendung findet. Dies gilt auch für das Training von Deep Neural Networks (DNNs), d.h. künstliche neuronale Netze, bestehend aus vielen Schichten und einer großen Anzahl von Neuronen. Dieser Artikel enthält ein Beispiel (einschließlich Code und Daten) zum Erstellen vonSchulung und Anwendung von DNNs in der Umweltprognose. Am Beispiel von Borkenkäferausbrüchen in von Nadelbäumen dominierten Wäldern zeigen die Autoren, dass DNNs in der Lage sind, sowohl das kurzfristige als auch das lokale Infektionsrisiko und die längerfristige Dynamik in größerem Maßstab vorherzusagen. Der Artikel zeigt auch, dass DNNs im Vergleich zu Standardansätzen zur Vorhersage der Dynamik eines Borkenkäferausbruchs ein besseres Ergebnis erzielen und ein hohes Potenzial für die Bildung eines integrierten Prognosesystems in diesem Bereich haben.und langfristige Dynamik in größerem Maßstab. Der Artikel zeigt auch, dass DNNs im Vergleich zu Standardansätzen zur Vorhersage der Dynamik eines Borkenkäferausbruchs ein besseres Ergebnis erzielen und ein hohes Potenzial für die Bildung eines integrierten Prognosesystems in diesem Bereich haben.und langfristige Dynamik in größerem Maßstab. Der Artikel zeigt auch, dass DNNs im Vergleich zu Standardansätzen zur Vorhersage der Dynamik eines Borkenkäferausbruchs ein besseres Ergebnis erzielen und ein hohes Potenzial für die Bildung eines integrierten Prognosesystems in diesem Bereich haben.
EinfĂĽhrung
Ökologie ist eine relativ junge Disziplin, und viele ihrer theoretischen Grundlagen sind weniger als ein Jahrhundert alt. In den letzten Jahrzehnten wurden erhebliche Fortschritte in der Ökologie erzielt, was sich insbesondere in der aktiveren Anwendung von Umweltwissen, -daten und -methoden sowie in der Weiterentwicklung der prädiktiven Ökologie widerspiegelt. Umweltprognosen werden verwendet, um überprüfbare quantitative Schätzungen des zukünftigen Zustands eines Ökosystems zu erstellen. Der verstärkte Fokus auf Prognosen ist auf das wachsende Bewusstsein zurückzuführen, dass die Ökologie für einige der dringendsten Herausforderungen, denen sich die Menschheit im 21. Jahrhundert gegenübersieht, wie die Auswirkungen des Klimawandels und des Verlusts der biologischen Vielfalt, von zentraler Bedeutung ist.
Genaue Umweltvorhersagen sind realistischer als je zuvor. Dies ist das Ergebnis von drei Prozessen.
-, , .
-, .
.
— , , . , , . , , .
— 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 Ă— 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 Ă— 19 ( -: 30 Ă— 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 , . , , , , . , .
Hinweis
Übersetzung von "Deep Learning in der Ökologie nutzen: Ein Beispiel für die Vorhersage von Borkenkäfer-Ausbrüchen" von Werner Rammer und Rupert Seidl.