在全球范围内使用机器学习算法,气候变量指数和极端事件指数预测占主导地位的陆地生物群

科学领域:

• 生态与环境科学 生态与环境科学
• 计算生物学 计算生物学
• 气候科学 气候科学

背景情况:

• 全球生物群分布对于生物多样性保护,气候建模和土地利用规划至关重要.
• 传统的生物组模型往往简化了气候数据,而新的方法则探索极端气候事件.
• 不同的机器学习技术和气候数据表示对生物组建模的准确性和稳定性的影响仍然不清楚.

研究的目的:

• 评估机器学习算法选择,气候数据总结和极端气候指数如何影响全球生物组模型的准确性和稳定性.
• 为了比较随机森林 (RF),支持向量机 (SVM),天真贝叶斯 (NV) 和LeNet卷积神经网络 (CNN) 对于生物组建模型的性能.
• 在纳入极端气候数据时,评估准确度增加和稳定性减少之间的权衡.

主要方法:

• 四个机器学习算法 (RF,SVM,NV,CNN) 应用于全球生物群建模.
• 气候数据以总结形式分析,并添加了极端气候指数.
• 评估了模型准确性,并通过测量与观察到的气候值的预测一致性来评估稳定性.

主要成果:

• 随机森林 (RF) 和卷积神经网络 (CNN) 实现了最高的准确性,CNN显示的过拟合率较低.
• 总结气候数据将准确度降低1-2%;添加极端指数将准确度提高不到2% (除了NV).
• 极端气候数据导致了显著的不匹配,降低了预测的一致性和整体模型的稳定性.

结论:

• 卷积神经网络 (CNN) 和随机森林 (RF) 是全球生物群建模的有效算法.
• 包含极端气候指数提供了边际准确性的好处,但大大损害了模型的稳定性.
• 建议在将极端气候数据集成到生物组预测模型中时谨慎使用,因为这可能会对强度产生负面影响.