Μοντέλα κατανομής ιχθυομάζας πελαγικών ειδών: αξιολόγηση των διαδεδομένων τεχνικών, εισαγωγή νέων, έλεγχος της αποτελεσματικότητάς τους σε αλιευτικά δεδομένα, διερεύνηση σχέσεων ειδώ...

Abstract

Accurate prediction of species distributions based on sampling and environmental data is essential for further scientific analysis, such as stock assessment, detection of abundance fluctuation due to climate change or overexploitation, and to underpin management and legislation processes. The evolution of computer science and statistics has allowed the development of sophisticated and well-established modelling techniques as well as a variety of promising innovative approaches for modelling species distribution. The appropriate selection of modelling approach is crucial to the quality of predictions about species distribution. In this study, modelling techniques based on different approaches are compared and evaluated in relation to their predictive performance, utilizing fish density acoustic data. Generalized additive models and mixed models amongst the regression models, associative neural networks and artificial neural networks ensemble amongst the artificial neural networks and ordinary Kriging amongst the geostatistical techniques are applied and evaluated. A verification dataset is used for estimating the predictive performance of these models. A combination of outputs from the different models is applied for prediction optimization to exploit the ability of each model to explain certain aspects of variation in species acoustic density. Neural networks and especially ANNs appear to provide more accurate results in fitting the training dataset while generalized additive models appear more flexible in predicting the verification dataset. The efficiency of each technique in relation to certain sampling and output strategies is also discussed. The accurate representation of species distribution derived from sampled data is essential for management purposes and to underpin population modelling. Additionally, the prediction of species distribution for an expanded area, beyond the sampling area can reduce sampling costs. Here, several well-established and recently developed habitat modelling techniques are investigated in order to identify the most suitable approach to use with presence–absence acoustic data. The fitting efficiency of the modelling techniques are initially tested on the training dataset while their predictive capacity is evaluated using a verification set. For the comparison among models, Receiver Operating Characteristics, Kappa statistics, correlation and confusion matrices are used. Boosted Regression Trees and Associative Neural Networks, which are both within the machine learning category, outperformed the other modelling approaches tested

Η ανάγκη για επιστημονικά τεκμηριωμένες μελέτες, σχετικά με το χαρακτηρισμό των θαλάσσιων οικοσυστημάτων, τη διακύμανση της βιοποικιλότητας και αφθονίας των ειδών και τις επιπτώσεις της αλλαγής του κλίματος στα θαλάσσια οικοσυστήματα, έχει οδηγήσει στην αύξηση των εργασιών που αφορούν στην πρόβλεψη της κατανομής των ειδών. Η επιλογή της κατάλληλης προσέγγισης μοντελοποίησης κατανομής ειδών έχει ιδιαίτερη σημασία στην ποιότητα των αποτελεσμάτων. Στα πλαίσια της παρούσας διατριβής, σε ένα πρώτο επίπεδο, πραγματοποιήθηκε μια ευρεία σύγκριση τεχνικών με μοντέλα που εκπαιδεύονται με δεδομένα αφθονίας. Κατά τη σύγκριση αξιολογήθηκαν τα μοντέλα κατανομής ειδών (ΜΚΕ) ως προς την ικανότητα πρόβλεψης χρησιμοποιώντας δεδομένα ακουστικής πυκνότητας μικρών πελαγικών ειδών. Ειδικότερα με τα δεδομένα αφθονίας αναπτύχθηκαν γενικευμένα προσθετικά μοντέλα και μεικτά μοντέλα στα πλαίσια των μοντέλων παλινδρόμησης, συνδετικά νευρωνικά δίκτυα και σύνολα τεχνιτών νευρωνικών δικτύων στα πλαίσια των νευρωνικών δικτύων και Kriging στα πλαίσια των γεωστατιστικών προσεγγίσεων. Τα νευρωνικά δίκτυα απέδωσαν ικανοποιητικότερα από τις άλλες τεχνικές στην προσομοίωση των δειγματοληπτικών δεδομένων, ενώ τα γενικευμένα προσθετικά μοντέλα ξεχώρισαν στην πρόβλεψη του "άγνωστου" συνόλου επαλήθευσης. Σε ένα δεύτερο επίπεδο της διατριβής πραγματοποιήθηκε μια ευρεία σύγκριση τεχνικών ΜΚΕ που αναπτύσσονται με δεδομένα παρουσίας-απουσίας από δειγματοληπτικά δεδομένα ακουστικής πυκνότητας. Εδώ πραγματοποιήθηκε η αξιολόγηση των ΜΚΕ ως προς την ικανότητα προσαρμογής τους στα δειγματοληπτικά δεδομένα, η σύγκριση των χαρτών πρόβλεψης σε πολύ υψηλή χωρική ανάλυση και ελέγχθηκε η ικανότητα πρόβλεψης τους με τη βοήθεια ενός νέου συνόλου δεδομένων αξιολόγησης. Για τις διαδικασίες σύγκρισης των ΜΚΕ χρησιμοποιήθηκαν τεχνικές όπως τα Receiver Operating Characteristics, τα στατιστικά Kappa, οι συντελεστές συσχέτισης και οι συνεκτικοί πίνακες. Τα ενισχυμένα δέντρα παλινδρόμησης και τα συνδετικά νευρωνικά δίκτυα, που αμφότερα ανήκουν στις τεχνικές μηχανικής εκμάθησης, ξεχώρισαν ως προς την απόδοση τους μεταξύ των ΜΚΕ που εφαρμόστηκαν. Στα στάδια ανάπτυξης και σύγκρισης των ΜΚΕ αναλύονται σημαντικά ζητήματα που άπτονται της ορθής εφαρμογής των ΜΚΕ, όπως η επιλογή των ανεξάρτητων μεταβλητών, η χωρική αυτοσυσχέτιση στα δεδομένα, η διαχείριση και εισαγωγή της αβεβαιότητας στα μοντέλα, η επεξήγηση της διακύμανσης των δειγματοληπτικών δεδομένων στη γεωγραφική, περιβαλλοντική και χρονική διάσταση.