机器和深度学习方法可以理解和预测息地适合海鸟繁殖的情况

科学领域:

• 生态生态学 生态生态学
• 环境科学 环境科学
• 计算生物学 计算生物学

背景情况:

• 动物繁殖息地选择对个体健康有重大影响.
• 海鸟繁殖息地选择涉及整合陆地和海洋特征跨空间尺度.
• 对海鸟息地选择的精确信息收集和决策过程尚未完全理解.

研究的目的:

• 预测古巴虫可能适合的繁殖场所.
• 通过使用环境共变量来评估幼虫的宏观息地选择.
• 了解海鸟在热带地区的繁殖地点选择与有限的监测.

主要方法:

• 编制了49个历史性虫殖民地记录 (1980-2020年).
• 使用深度学习 (卷积神经网络) 来从Landsat卫星图像中预测嵌套适合性.
• 利用机器学习 (随机森林) 在多个空间尺度上分析18个陆地和海洋环境变量.

主要成果:

• 卷积神经网络模型实现了高性能 (F1分数>85%).
• 合适的繁殖场 (适度>0.75) 占研究区域的20.3%.
• 关键的宏观息地因素包括靠近岛屿,稀疏的植被,高的叶绿素-a (50-100公里离岸),以及在更大的尺度下降的海面温度.

结论:

• 卷积神经网络和随机森林的互补使用增强了对海鸟宏观息地选择的理解.
• 确定了古巴幼虫繁殖地点选择的关键环境驱动因素.
• 为热带海鸟保护提供了必要的知识,因为监测很少.