Βελτιστοποίηση μαθηματικών αλγορίθμων μάθησης στη θαλάσσια οικολογία

Abstract

Ο θαλάσσιος ευτροφισμός είναι ένα σύνθετο φαινόμενο που εξαρτάται από φυσικοχημικούς παράγοντες, βιολογικές διεργασίες, χωρική ετερογένεια, εποχικές διακυμάνσεις, τοπικές ιδιαιτερότητες και χαρακτηρίζεται από στοχαστικότητα. Στα παράκτια οικοσυστήματα ο ευτροφισμός σχετίζεται με ποικίλες διεργασίες που η διερεύνησή τους αποτελεί κρίσιμο ζητούμενο της σύγχρονης θαλάσσιας οικολογίας ιδίως μετά την θέσπιση της Ευρωπαϊκής οδηγίας για τα ύδατα (European Water Framework Directive). Στην παρούσα διατριβή η πρωτογενής παραγωγικότητα, η οικολογική κατάσταση των παράκτιων υδάτων καθώς και η βιοποικιλότητα των φυτοπλαγκτικών κοινοτήτων μοντελοποιήθηκαν χρησιμοποιώντας αποκλειστικά αβιοτικές παραμέτρους με χρήση διαφορετικών μεθόδων μηχανικής μάθησης (machine learning techniques). Συγκεκριμένα, για την πρόβλεψη της πρωτογενούς παραγωγικότητας χρησιμοποιήθηκαν δένδρα πρόβλεψης (model trees) που επέτρεψαν να περιγραφεί με επεξηγηματικό τρόπο η κατάσταση του οικοσυστήματος. Η οικολογική κατάσταση των υδάτων ταξινομήθηκε χρησιμοποιώντας τον συνδυαστικό αλγόριθμο ψηφοφορίας (voting ensemble method), ενώ ένας νέος δείκτης προτάθηκε προκειμένου να διευκολυνθεί η βελτιστοποίηση της απόδοσής του. Τέλος, τέσσερις βασικοί αλγόριθμοι μάθησης προέβλεψαν τη ποικιλότητα φυτοπλαγκτικών κοινοτήτων εκφρασμένη ως πλούτο ειδών, ισοκατανομή και επικράτηση, χρησιμοποιώντας φυσικές και προσομοιωμένες συναθροίσεις. Η παραπάνω μελέτη οδήγησε στην κατασκευή ενός ειδικού λογισμικού για την πρόβλεψη της ποικιλότητας των φυτοπλαγκτικών συναθροίσεων της Ανατολικής Μεσογείου χρησιμοποιώντας αποκλειστικά αβιοτικές μεταβλητές.

The exploration of processes leading to coastal eutrophication is a major challenge in ecological research, particularly in light of important new policies such as the European Water Framework Directive. In the present study primary production, water quality status and phytoplankton diversity are modeled based on exclusively abiotic parameters using different machine learning techniques. Specifically, model trees showed increased predictive power in primary production prediction offering an explanatory description of ecosystem status. The water quality status was sufficiently classified using a voting ensemble method and a novel index was proposed in order to facilitate the optimization procedure during voting training. Finally, phytoplankton biodiversity was predicted in terms of its three components (richness, evenness and dominance) using both field and noise-free simulated assemblages. Based on the optimization of biodiversity prediction, a software package was developed for phytoplankton diversity prediction for Eastern Mediterranean waters.The study resulted in the development of information technology tools offering useful insights into ecosystem processes affecting eutrophication in coastal ecosystems, constituting also useful components in integrated coastal zone management. Moreover, the proposed methodologies can be easily extended or adapted to any group of organisms either in marine or terrestrial ecosystems. Possible future applications include also the incorporation of community structure in ecological models and global change scenarios.