Distribution of North American tree species under climatic change: An ecological niche modeling study using artificial neural networks

Abstract

Bu çalışmada popular bir makine öğrenmesi yöntemi olan yapay sinir ağları tekniği Kuzey Amerika'daki ağaç türlerinin uzaysal dağılımlarının modellenmesi amacıyla kullanılımıĢtır. Bu maksatla, ileri beslemeli bir sinir ağı yapısı, geriye yayınım öğrenme algoritması yardımıyla bir türün dağılımı ile çevre koşulları arasındaki ilişkileri ortaya çıkarmakta kullanılmıştır. İklim verisi olarak üç temel iklim değişkeni; ortalama sıcaklık, günlük sıcaklık değişimi ve yağış değişkenleri alınmıştır. Yapay sinir ağı, bir girdi katmanı, bir saklı katman ve de bir çıktı katmanı olacak şekilde üç katmandan oluşturulumuştur. Ağın en uygun şekilde eğitilmesini sağlayacak parametrelerin bulunabilmesi için ayrıntılı bir araştırma yürütülmüştür. Elde edilen 'en iyi' parametreler daha sonra ağın 100,000 devir boyunca eğitilmesinde kullanılmıştır. Sonuçlar Kappa ve ROC analizlerine tabi tutulmuĢ ve modelin baĢarılı sonuçlar ürettiği gözlemlenmiştir. Buna ek olarak elde edilen model sonuçları, GenelleĢtirilmiĢ Doğrusal Modelleme ve Karar Ağaçları teknikleriyle elde edilen sonuçlar ile karĢılaĢtırılmıĢtır. Bulgular, yapay sinir ağlarının bu yöntemlere kıyasla daha baĢarılı sonuçlar ürettiğini ortaya koymak- tadır. Daha sonra ağ, en iyi ve en kötü sera gazı salınım senaryolarına göre üç iklim mo- deliyle oluĢturulmuĢ 2050 ve 2100 yıllarına ait iklim girdilerini kullanılarak, bu yıllara ait dağılım tahminleri üretmekte kullanılmıĢtır.

In this study, a popular machine learning method, artificial neural networks, is employed to model spatial distribution of tree species in North America. A feed-forward neural network with back-propagation learning algorithm is used to identify relationships between environmental conditions and species distribution. Three main climatic variables are used: mean temperature, diurnal temperature range and precipitation. Artificial network is comprised of one input layer, one hidden layer and one output layer. To determine optimal network parameters, an exhaustive search is carried out then; best parameters are used to train the network for 100,000 epochs. Results are accessed with Cohen's Kappa measure and ROC analysis which exposes that model has good performance. In addition, Generalized Linear Modelling and Classification-Regression Trees techniques are applied on to the same data set. Then, their performance compared with the performance of the ANNs technique and comparison shows that ANNs technique has the highest performance. Finally, the network is used to predict species distribution with respect to projected climate conditions of 2050 and 2100 years with the best and worst SRES emissions scenarios and three common models.