过程引导提升神经网络在生态系统碳周转预测中的性能
应用统计
2022-09-29 v1
摘要
尽管深度学习已是数据驱动模型预测的最先进方法，但它在生态学中尚未得到频繁应用。鉴于许多环境研究领域典型的低样本量，生态系统及其功能建模的默认选择仍是过程模型。这些模型中编码的过程理解补充了稀疏数据，而神经网络即便在含噪数据中也能检测到隐藏动态。将过程模型嵌入神经网络增加了可供学习的信息，相较于仅用数据的神经网络和仅含机制的 process 模型，提升了组合模型的可解释性与预测性能。以森林生态系统中的碳通量为例，我们比较了引导神经网络趋向过程模型理论的多种方法。在四种经典预测情景下对结果进行评估，为过程引导神经网络的恰当选择提供决策支持。
引用
@article{arxiv.2209.14229,
title = {Process-guidance improves predictive performance of neural networks for carbon turnover in ecosystems},
author = {Marieke Wesselkamp and Niklas Moser and Maria Kalweit and Joschka Boedecker and Carsten F. Dormann},
journal= {arXiv preprint arXiv:2209.14229},
year = {2022}
}