使用公民科学数据的多种深度学习产生了更具信息性的植物社区模型

科学领域:

• 生态生态学 生态生态学
• 计算生物学 计算生物学
• 生物多样性信息学 生物多样性信息学

背景情况:

• 科学进步经常受到从大型数据集中提取关键信息的能力的限制.
• 公民科学倡议提供了大量的生态数据,但提取细粒度的时空信息仍然具有挑战性.

研究的目的:

• 开发和评估一种使用深度神经网络 (DNN) 绘制数千种物种细粒度的时空分布的新方法.
• 为了比较多物种DNN的准确性与用于预测物种分布和社区组成的常用方法.
• 探索DNN的多功能性,用于研究未被充分研究的生态方面,如表态学和物种主导.

主要方法:

• 利用了瑞士各地670万个公民科学观测数据的大量数据集.
• 采用了一组具有不同成本功能的深度神经网络 (DNN),共同模拟2477种植物和聚合物的分布.
• 将季节性观测概率和覆盖量数据纳入DNN模型.

主要成果:

• 多种类DNN在预测物种分布和特别是社区组成方面明显优于传统方法.
• 通过包括季节性观察变化,DNN方法成功地近似了开花的现象学.
• 重新加权的预测允许在全国范围内绘制潜在的树冠占主导地位的树种.

结论:

• 多种类DNN提供了一种强大而通用的工具,用于完善我们对植物分布和生态动态的理解.
• 这种方法有助于推进生态研究,特别是对精确采样的种群.
• 使用DNN的未来预测可以评估环境变化对物种分布,现象学和主导模式的影响.