Pour relever les défis mondiaux actuels tels que la perte de biodiversité, le changement planétaire et la demande croissante de services écosystémiques, il faut améliorer les prévisions environnementales. L'accroissement de la disponibilité des données et l'augmentation de la puissance de calcul stimulent le développement d'approches quantitatives de l'écologie. Cependant, pour utiliser ces développements dans les prévisions environnementales, un cadre méthodologique flexible est nécessaire. Le Deep Learning (DL) est une branche en croissance rapide du Machine Learning (ML), mais aujourd'hui, il est peu utilisé dans l'environnement. Cela s'applique également à la formation des réseaux de neurones profonds (DNN), c.-à-d. réseaux de neurones artificiels, composés de plusieurs couches et d'un grand nombre de neurones. Cet article fournit un exemple (y compris du code et des données) de création,formation et application des DNN à la prévision environnementale. Prenant à titre d'exemple les épidémies de scolytes dans les forêts dominées par les conifères, les auteurs montrent que les DNN sont bien placés pour prédire le risque d'infection à court terme et local et la dynamique à plus long terme à plus grande échelle. En outre, l'article montre que les DNN ont un meilleur résultat par rapport aux approches standard pour prédire la dynamique d'une épidémie de scolytes et ont un fort potentiel pour former un système de prévision intégré dans ce domaine.et dynamique à long terme à plus grande échelle. En outre, l'article montre que les DNN ont un meilleur résultat par rapport aux approches standard pour prédire la dynamique d'une épidémie de scolytes et ont un potentiel élevé pour former un système de prévision intégré dans ce domaine.et dynamique à long terme à plus grande échelle. En outre, l'article montre que les DNN ont un meilleur résultat par rapport aux approches standard pour prédire la dynamique d'une épidémie de scolytes, et ont un fort potentiel pour former un système de prévision intégré dans ce domaine.
introduction
L'écologie est une discipline relativement jeune, et bon nombre de ses fondements théoriques ont moins d'un siècle. Au cours des dernières décennies, il y a eu des progrès significatifs en écologie, qui, en particulier, se reflètent dans l'application plus active des connaissances, données et méthodes environnementales, ainsi que dans l'avancement de l'écologie prédictive. Les prévisions environnementales sont utilisées pour créer des estimations quantitatives vérifiables de l'état futur d'un écosystème. L'attention accrue accordée aux prévisions est attribuée à la prise de conscience croissante que l'écologie est au cœur de certains des défis les plus urgents auxquels l'humanité est confrontée au 21e siècle, tels que les impacts du changement climatique et la perte de biodiversité.
Faire des prévisions environnementales précises est plus réaliste que jamais. C'est le résultat de trois processus.
-, . , , NEON Fluxnet .
-, , .
-, .
.
— , , . , , . , , .
— 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.
, , . , 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. ().
, Seidl et al., 2016.
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 , . , , , , . , .
Remarque
Traduction de "Exploiter l'apprentissage en profondeur en écologie: un exemple de prévision des épidémies de scolytes" par Werner Rammer et Rupert Seidl.
Lien vers l'original
Lien vers l'application
Lien vers GitHub