Optimizing biodiversity prediction from abiotic parameters

یک روش یکپارچه برای پیش بینی مؤثر تنوع زیستی صرفا از پارامترهای ابیوتیک پیشنهاد شده است. تنوع زیستی فیتوپلانکتون به عنوان غنی بودن، رطوبت و شاخص های غالب بیان شده و پارامترهای آبیوتیک شامل دما، شوری، نیتروژن آلاینده و فسفات ها است. پیش بینی مبتنی بر سه تکنیک یادگیری ماشین بود: درختان مدل، چندپردازنده پیش ساز و یادگیری مبتنی بر نمونه. برای بهینه سازی پیش بینی تنوع، شاخص ها بر تعداد زیادی از مجموعه فیتوپلانکتون فیلد، و همچنین در مجموعه های شبیه سازی بدون سر و صدا متناظر محاسبه شد. تنوع زیستی با الگوریتم یادگیری مبتنی بر نمونه دقیق تر پیش بینی شده بود و بهره وری با مجموعه های شبیه سازی شده دو برابر شد. بر اساس الگوریتم بهینه، شاخص ها و مجموعه داده ها، یک بسته نرم افزاری برای پیش بینی تنوع فیتوپلانکتون برای آب های مدیترانه شرقی تهیه شده است. روش پیشنهادی می تواند برای هر گروه از موجودات در اکوسیستم های دریایی و زمین سازگار باشد، در حالی که برنامه های کاربردی مهم، ادغام ساختار جامعه در مدل های اکولوژیکی و در ارزیابی سناریوهای تغییر جهانی است.