在多种物种分布模型中对分类过程中的模拟异质性进行建模可以提高预测性能的性能
Kwaku Peprah Adjei1,2,3, Anders Gravbrøt Finstad2,4, Wouter Koch2,5
1Department of Mathematical Sciences Norwegian University of Science and Technology Trondheim Norway.
这项研究引入了一种新的模型,通过计算生物多样性数据中不同错误分类概率来改进物种分布映射. 这提高了保护工作的预测准确度.
科学领域:
- 生态生态学 生态生态学
- 生物多样性科学 生物多样性科学
- 保护生物学 保护生物学
背景情况:
- 物种分布模型 (SDM) 对保护至关重要,但生物多样性数据中的分类错误构成了重大挑战.
- 现有的方法经常假设恒定的错误分类概率,这可能不反映现实,并可能导致有偏见的预测.
- 受共同变量影响的分类概率的异质性是准确地绘制物种分布的关键问题.
研究的目的:
- 开发和评估一种新的多物种分布模型,该模型明确考虑异质分类概率.
- 在参数估计和预测准确性方面,比较这种新异质模型与传统同质模型的性能.
- 通过使用现实世界的数据,评估对分类异质性的计算对生态推理和预测性能的影响.
主要方法:
- 开发了一种多物种分布模型,该模型包含了对分类混矩阵的多项通用线性模型,以处理异质错误分类概率.
- 进行模拟研究,以比较异质模型与同质模型的参数估计和预测性能.
- 将模型应用于来自全球生物多样性信息设施 (GBIF) 的挪威,丹麦和芬兰海现象数据集.
- 研究了机器学习预测分数作为权重的使用,以告知物种分布模型中的分类过程.
主要成果:
- 模拟结果表明,考虑分类中的异质性显著提高了物种身份预测的精度30%和精度/回忆6%.
- 没有观察到对生态过程推断的重大影响,因为所有模型都在一定程度上解决了错误分类.
- 对海数据集的直接应用显示,由于小的错误分类样本大小,参数异质模型没有改善.
- 将机器学习分数作为权重增加了70%的精度,特别是在较小的错误分类样本大小时有效.
结论:
- 在处理大量错误分类数据时,建议使用多项多项回归来建模分类过程的变化.
- 机器学习预测分数作为物种分布模型的权重非常有效,当错误分类的样本相对较少时.
- 开发的异质分类模型为物种分布建模提供了更强大的方法,特别是当分类错误在观察之间有所不同时.
更多相关视频
12:26Integrating Remote Sensing with Species Distribution Models; Mapping Tamarisk Invasions Using the Software for Assisted Habitat Modeling SAHM
Published on: October 11, 2016
04:35Development of an Individual-Tree Basal Area Increment Model using a Linear Mixed-Effects Approach
Published on: July 3, 2020
相关概念视频
Multicompartment Models: Overview
These models offer a more comprehensive representation of drug behavior in the body than one-compartment models. They accommodate the complexity of drug distribution,...
Model Approaches for Pharmacokinetic Data: Distributed Parameter Models
The distributed parameter models are specifically designed to account for variations and differences in some drug classes. This model is particularly useful for assessing regional concentrations of anticancer or...
Distribution and Dispersion
Mechanistic Models: Compartment Models in Individual and Population Analysis
Distributions to Estimate Population Parameter
Model Approaches for Pharmacokinetic Data: Compartment Models
Two primary types of compartment models are recognized: mammillary and catenary. The more...
