Trainingsdaten vorbereiten
Sie treffen Schätzungen für globale Seegras-Lebensräume mit einem Ansatz der räumlichen Statistiken, der verschiedene Positionen, an denen das Vorhandensein von Seegras bekannt ist, und verschiedene Ozeanmessungen verwendet. Von diesen Daten ausgehend schätzt das Werkzeug "Auf Vorhandensein beschränkte Vorhersage" – das eine Technik des maschinellen Lernens, die als maximale Entropie (oder MaxEnt) bekannt ist, anwendet – die Wahrscheinlichkeit des Vorhandenseins von Seegras an anderen Positionen anhand der Ozeanmessungen. Um diese Analyse durchzuführen, müssen Sie die Daten bereinigen und vorbereiten. Zunächst erstellen Sie Punkte, die das Vorhandensein von Seegras an der Küste der Vereinigten Staaten darstellen. Dann erstellen Sie Interpolationsoberflächen, die die Ozeanmessungen darstellen und als Einflussvariablen für das Modell dienen.
Die Daten herunterladen und analysieren
Zuerst müssen Sie die Seegras-Daten herunterladen und analysieren.
- Laden Sie das ArcGIS Pro-Projektpaket Seagrass Habitat Prediction herunter.
- Doppelklicken Sie auf die Datei SeagrassPrediction.ppkx, um das Projekt in ArcGIS Pro zu öffnen.
Eine globale Karte wird geöffnet. Der Bereich Inhalt enthält vier Feature-Classes:
- Global ocean measurements: EMU-Punktdaten (Ecological Marine Unit), die Ozeanmessungen bis zu einer Wassertiefe von 90 Metern enthalten
- USA seagrass: Polygondaten zum Seegrasaufkommen. Jedes Polygon in "USA seagrass" ist als Seegras-Lebensraum ausgewiesen.
- USA shallow waters: Flaches Tiefenmessungspolygon für die kontinentalen USA, das als Untersuchungsgebiet für das Trainieren des Modells verwendet wird
- Global shallow waters: Globales, flaches Tiefenmessungspolygon zur Vorhersage weltweiter Seegrasvorkommen
Die Daten-Layer befinden sich im projizierten Koordinatensystem Equal Earth, das für die globale Analyse geeignet ist.
- Deaktivieren Sie im Bereich Inhalt den Layer Global ocean measurements.
Die hellblauen Gebiete stellen flache Gewässerzonen auf der ganzen Welt dar, in denen die Wassertiefe einen Seegras-Lebensraum erlaubt.
- Klicken Sie auf dem Menüband auf der Registerkarte Karte im Abschnitt Navigieren auf Lesezeichen und dann auf Florida.
Die leuchtend grünen Bereiche sind solche, in denen ein Seegras-Lebensraum ermittelt wurde. Sie verwenden die Informationen über bekannte Positionen mit Seegrasvorkommen in den Küstengebieten der kontinentalen USA, um Vorhersagen darüber zu treffen, wo Seegras-Lebensräume an anderen Orten in der Welt existieren könnten. Da es sich um eine Vorhersage mit globalem Maßstab handelt, ist sie für das Ermitteln von Seegras-Lebensräumen in kleineren Gebieten, z. B. in einer bestimmten Bucht, in der die Wahrscheinlichkeit für das Vorhandensein von Seegras am größten ist, weniger gut geeignet. Später lernen Sie, wie Sie ein Modell für andere Vorhersage-Szenarien abändern können.
- Aktivieren Sie im Bereich Inhalt den Layer Global ocean measurements, um ihn wieder anzuzeigen.
Diese Punkte von Global ocean measurements zeigen dekadische EMU-Durchschnittsdatenwerte als 50-Jahres-Mittelwerte. Die meisten der Datenpunkte befinden sich außerhalb des Seegrasbeobachtungs-Layers. Um ein gutes Vorhersagemodell mit dem Werkzeug "Auf Vorhandensein beschränkte Vorhersage" zu entwickeln, benötigen Sie viele Punkte in bekannten Seegras-Gebieten mit entsprechenden Ozeanmessdaten. Wenn Sie nur die Teilprobe der Punkte von "EMU_Global_90m" verwenden, die innerhalb des Seegraspolygons liegt, haben Sie zu wenige Beobachtungen.
Um dieses Problem zu lösen, erstellen Sie eine Reihe zufälliger Punkte innerhalb des bekannten Seegras-Lebensraums, um das Modell zu trainieren. Sie interpolieren außerdem Oberflächen aus den Variablen von "Global ocean measurements" und verwenden zufällige Punkte des Seegras-Lebensraums, um eine Stichprobe der Werte der interpolierten Messungen zu nehmen. Die Variablen von Global ocean measurement sind: temp (Temperatur), salinity, dissO2 (Sauerstoffgehalt), nitrate, phosphate, silicate und srtm30 (Tiefe).
Zunächst führen Sie die Polygone von "USA seagrass" in ein einzelnes Multipart-Feature zusammen und erstellen 5.000 verschiedene zufällige Punkte innerhalb der Gebiete bekannter Seegrasvorkommen.
Trainingspunkte erstellen
Als Nächstes erstellen Sie die Trainingsdaten, die das Werkzeug "Auf Vorhandensein beschränkte Vorhersage" benötigt, um die Beziehung zwischen dem Seegrasaufkommen und den Meeresbedingungen zu modellieren. Es gibt zwei Arten von Trainingsdaten: die Punkte, die bekannte Positionen von Seegrasvorkommen darstellen, und die Raster, die die sieben Einflussvariablen (Ozeanmessungen) darstellen. Sie erstellen die zufälligen Punkte innerhalb der Ausdehnung der Polygone "USA seagrass". Da Sie eine bestimmte Anzahl an zufälligen Punkten über das Gebiet erstellen möchten, das von diesen Lebensraum-Gebieten abgedeckt ist, werden Sie die vielen Polygone in diesem Layer in ein einzelnes Polygon zusammenführen, bevor Sie die Punkte erstellen.
- Klicken Sie auf dem Menüband auf Analyse und im Abschnitt Geoverarbeitung auf Werkzeuge.
- Geben Sie im Suchfeld des Bereichs Geoverarbeitung den Text paarweise zusammenführen ein.
- Klicken Sie in den Suchergebnissen auf das Werkzeug Paarweise zusammenführen, um es zu öffnen.
- Klicken Sie für Eingabe-Features auf die Dropdown-Liste und dann auf den Layer USA seagrass.
- Übernehmen Sie für Ausgabe-Feature-Class den Standardnamen USAseagrass_PairwiseDissolve.
- Übernehmen Sie für die anderen Parameter die Standardwerte, und stellen Sie sicher, dass das Kästchen Multipart-Features erstellen aktiviert ist.
- Klicken Sie auf Ausführen.
Wenn die Ausführung des Werkzeugs beendet ist, wird der neue Feature-Layer USAseagrass_Dissolve zur Karte hinzugefügt und im Bereich Inhalt aufgeführt. Sie arbeiten mit dieser Version des Seegras-Layers, weshalb Sie den ursprünglichen Layer entfernen sollten, um Ihren Workspace übersichtlich zu halten und Verwechslungen vorzubeugen.
- Klicken Sie mit der rechten Maustaste auf den Layer USA seagrass, und klicken Sie auf Entfernen.
Sie erstellen jetzt die zufälligen Positionspunkte für das Seegrasvorkommen.
- Klicken Sie im Bereich Geoverarbeitung auf den Zurück-Pfeil, und geben Sie im Suchfeld Zufällige Punkte erstellen ein.
- Klicken Sie in den Suchergebnissen auf das Werkzeug Zufällige Punkte erstellen.
- Geben Sie für Ausgabe-Point-Feature-Class den Text USA_Train ein.
- Klicken Sie für Feature-Class-Beschränkung auf die Dropdown-Liste, und wählen Sie USAseagrass_PairwiseDissolve aus.
- Ändern Sie für Anzahl Punkte [Wert oder Feld] den Wert in 5000.
- Klicken Sie auf Ausführen.
Die zufälligen Punkte werden auf der Karte angezeigt.
Jetzt verfügen Sie über eine neue Feature-Class mit 5000 Punkten, die innerhalb des bekannten Seegras-Lebensraums an der Küste der Vereinigten Staaten liegen, die Sie für das Trainieren Ihres Modells der auf Vorhandensein beschränkten Vorhersage verwenden werden. Zurzeit gibt es keine mit diesen Positionen verknüpften Umgebungsvariablen. Diese Informationen werden an den Positionen der Punkte von Global ocean measurements gespeichert. Um das anzugehen, erstellen Sie kontinuierliche Interpolationsoberflächen für die Umgebungsvariablen, die an den Punkten von "Global ocean measurements" erfasst wurden.
Die Umgebungsraster interpolieren
Die Feature-Class Global ocean measurements enthält Daten aus dem Dataset Ecological Marine Units. Dieser Layer verfügt über Attribute, die Sie als Vorhersagevariablen in der auf Vorhandensein beschränkten Vorhersage benötigen. Zu diesen Variablen gehören u. a. Salzgehalt, Meerestemperatur und Nitratgehalt. Sie verwenden die geostatistische Methode "Emperical Bayesian Kriging" (EBK), um die Raster-Oberflächen für die im Layer Global ocean measurements gespeicherten Umgebungswerte zu interpolieren. Danach werden Sie Stichproben aus den Werten dieser Raster an den USA_Train points nehmen, damit das Modell der auf Vorhandensein beschränkten Vorhersage Zugang zu erklärenden Daten an der Position jedes Trainingspunktes hat.
- Klicken Sie im Bereich Geoverarbeitung auf den Zurück-Pfeil, und geben Sie im Suchfeld Empirical Bayesian Kriging ein.
- Klicken Sie in den Suchergebnissen mit der rechten Maustaste auf das Werkzeug Empirical Bayesian Kriging und dann auf Batch.
Die Seite Batch Empirical Bayesian Kriging wird angezeigt.
- Klicken Sie für Batch-Parameter auswählen auf die Dropdown-Liste, und wählen Sie Z-Wert-Feld aus.
- Verwenden Sie für die anderen Parameter die Standardwerte, und klicken Sie auf Weiter.
- Klicken Sie für Eingabe-Features auf die Dropdown-Liste und dann auf Global ocean measurements.
- Klicken Sie für Batch Z-Wert-Feld auf die Schaltfläche Viele hinzufügen.
Eine Liste mit Feldern wird angezeigt.
- Aktivieren Sie die Kontrollkästchen für die folgenden sieben Ozeanmessvariablen: temp, salinity, dissO2, nitrate, phosphate, silicate und srtm30, und klicken Sie dann auf Hinzufügen.
Wenn Sie auf Hinzufügen klicken, werden die Felder zum Werkzeugbereich hinzugefügt.
- Ändern Sie das Ausgabe-Raster in EBK_%Name%.
Dadurch wird für jedes der Felder ein Raster mit dem Namen EBK_ plus den Namen des Feldes erstellt.
- Ändern Sie den Wert für Ausgabe-Zellengröße in 25000.
- Klicken Sie für Semivariogramm-Modelltyp auf die Dropdown-Liste, und wählen Sie Linear aus.
- Erweitern Sie den Abschnitt Zusätzliche Modellparameter, und legen Sie die Maximale Anzahl Punkte in jedem lokalen Modell auf 50 fest.
- Legen Sie Anzahl simulierter Semivariogramme auf 50 fest.
Durch diese Einstellung wird die Geschwindigkeit der EBK-Vorhersage durch die Beschränkung der Anzahl von Punkten in jedem Modell und der Anzahl der simulierten Semivariogramme beschleunigt. Eine Erhöhung dieser Werte kann die Genauigkeit der Vorhersagen erhöhen, steigert aber auch die Verarbeitungszeit des Werkzeugs. Hilfe zum besseren Verständnis dieser Parameter finden Sie auf der Hilfeseite Was ist Empirical Bayesian Kriging?
- Erweitern Sie den Abschnitt Suchnachbarschaftsparameter, und legen Sie Suchnachbarschaft auf Standard: Kreisförmig fest, und reduzieren Sie Minimale Anzahl von Nachbarn auf 3.
Durch die Verwendung einer kreisförmigen Standardsuchnachbarschaft wird die Verarbeitungszeit des Werkzeugs reduziert. Durch das Beschränken der Anforderung für die minimale Anzahl von Nachbarn wird sichergestellt, dass Werte an unbekannten Positionen geschätzt werden, auch wenn dort nur wenige Nachbarn vorhanden ist. Weitere Informationen über diese und andere Parameter finden Sie in der Dokumentation des Werkzeugs Empirical Bayesian Kriging.
- Klicken Sie auf Ausführen.
Da dieses Werkzeug im Batch-Modus ausgeführt wird, um sieben separate globale Interpolations-Raster zu erstellen, wird die Ausführung einige Zeit benötigen (ungefähr fünf Minuten).
Die Ausführung des Werkzeugs wird mit Warnungen abgeschlossen, die darauf hinweisen, dass NODATA-Werte für mehrere Features ignoriert wurden. Dies stellt kein Problem dar.
Sobald die Ausführung des Werkzeugs Batch Empirical Bayesian Kriging abgeschlossen ist, wird jede Oberfläche der Ozeanmessung zu der Karte hinzugefügt. Sie sollten so aussehen wie im nachstehenden EBK-Modell für den Nitratgehalt.
- Klicken Sie auf Projekt speichern.
Sie haben Daten für die Modellierung vorbereitet, indem Sie zufällige Punkte, die Positionen von Seegrasvorkommen in Seegras-Lebensräumen an der Küste der Vereinigten Staaten darstellen, und erklärende Raster mit Empirical Bayesian Kriging erstellt haben. Als Nächstes verwenden Sie die Trainingsdaten, um ein Modell zum Vorhersagen des weltweiten Vorkommens von Seegras-Lebensräumen zu erstellen.
Lebensräume vorhersagen und Ergebnisse verfeinern
Nachdem Sie die Daten vorbereitet haben, verwenden Sie das Werkzeug "Auf Vorhandensein beschränkte Vorhersage" zum Erstellen eines Modells und zum Treffen einer Vorhersage. "Auf Vorhandensein beschränkte Vorhersage" verwendet die Methode der maximalen Entropie (MaxEnt), bei der es sich um einen Ansatz des maschinellen Lernens handelt, der besonders gut für die Modellierung der Verbreitung von Arten geeignet ist, da er mit Szenarien umgehen kann, in denen Daten des Fehlens nicht verfügbar sind.
Eine auf Vorhandensein beschränkte Vorhersage ausführen
Sie verwenden das Geoverarbeitungswerkzeug Auf Vorhandensein beschränkte Vorhersage (MaxEnt), um Seegras-Lebensräume vorherzusagen und ein Vorhersage-Raster zu erstellen, in dem die Wahrscheinlichkeit von Seegras-Lebensräumen an den Küsten der ganzen Welt dargestellt wird. Sie evaluieren die Modelldiagnose und durchlaufen den Modellierungsvorgang, um Ihr Modell zu verbessern.
- Klicken Sie im Bereich Geoverarbeitung auf den Zurück-Pfeil, und geben Sie im Suchfeld Vorhandensein ein.
- Klicken Sie in den Suchergebnissen auf Auf Vorhandensein beschränkte Vorhersage (MaxEnt).
- Klicken Sie für Eingabe-Punkt-Features auf die Dropdown-Liste und dann auf den Layer USA_Train.
- Klicken Sie für Erklärende Trainings-Raster auf die Schaltfläche Viele hinzufügen.
Es wird eine Liste der Raster-Layer angezeigt.
- Aktivieren Sie die Kästchen für die folgenden sieben Ozeanmessraster: EBK_dissO2, EBK_nitrate, EBK_phosphate, EBK_salinity, EBK_silicate, EBK_srtm30 und EBK_temp, und klicken Sie dann auf Hinzufügen.
Wenn Sie auf Hinzufügen klicken, werden die Raster zum Werkzeugbereich hinzugefügt.
Es handelt sich um kontinuierliche Messraster, daher ist das Kontrollkästchen Kategorie nicht aktiviert. Das Werkzeug akzeptiert als Trainingsvariablen auch Kategorievariablen, für die Sie das Kästchen aktivieren müssten.
- Aktivieren Sie für Erweiterungen von erklärenden Variablen (Basisfunktionen) die Kontrollkästchen Original (Linear), Squared (Quadratic), Paarweise Interaktion (Product) und Geglätteter Schritt (Hinge).
Mit den Basisfunktionen werden die erklärenden Variablen transformiert (bzw. erweitert), um komplexere Beziehungen zwischen Seegrasvorkommen und der relevanten Variablen in das Modell einzubinden. Durch das Auswählen mehrerer Basisfunktionen werden alle transformierten Versionen der Variablen in das Modell eingebunden, von denen die Variablen mit der besten Leistung mittels Normalisierung ausgewählt werden. In diesem Fall werden Sie alle Optionen außer "Einzelschritt" auswählen, da "Geglätteter Schritt" und "Einzelschritt" recht ähnlich sind und die Auswahl von nur einer der beiden Optionen Verarbeitungszeit spart. Weitere Informationen über alle Basisfunktionen finden Sie in der Dokumentation zum Werkzeug.
- Übernehmen Sie für Anzahl von Knoten und Untersuchungsgebiet die Standardwerte 10 und Konvexe Hülle.
Anzahl von Knoten ist eine Einstellung in Verbindung mit der Basisfunktion Geglätteter Schritt (Hinge), die die Anzahl der gleichen Intervalle zwischen den Minimal- und Maximalwerten der Variable angibt, wobei sowohl mit "Forward Hinge" als auch mit "Reverse Hinge" transformierte Variablen erstellt werden. Die Einstellung Konvexe Hülle bedeutet, dass das Untersuchungsgebiet als konvexe Hülle aller Eingabe-Trainings-Punkte angegeben wird. Das Werkzeug erstellt Hintergrundpunkte, die das potenzielle Fehlen von Seegras in Bereichen der Untersuchungsgebiete darstellen, die keine Punkte des Vorhandenseins enthalten.
- Aktivieren Sie das Kontrollkästchen Räumliche Ausdünnung anwenden. Legen Sie Minimale Entfernung zum nächsten Nachbarn auf 2 fest, und wählen Sie als Einheit Kilometer aus. Stellen Sie sicher, dass Anzahl der Iterationen für die Ausdünnung auf 10 festgelegt ist.
Mit diesen Einstellungen kann eine potenzielle Stichprobenverzerrung durch das Entfernen von Punkten des Vorhandenseins und Hintergrundpunkten, die sich innerhalb der angegebenen Entfernung voneinander befinden, minimiert werden, sodass das räumlich notwendige Maß an Stichproben für diese Gebiete nicht überschritten wird. Die Entfernung zwischen Hintergrundpunkten wird durch die räumliche Auflösung des erklärenden Rasters beeinflusst, daher wird die Verwendung einer Entfernung von 2 Kilometern in diesem Fall die Überschreitung von dem erforderlichen Maß an Stichproben von Hintergrundgebieten im Vergleich zu Gebieten des Vorhandenseins von Seegras verhindern. Durch die Verwendung mehrerer Durchläufe für die Ausdünnung kann das Werkzeug Ausdünnungsverfahren mehrfach erneut durchführen und die Option auswählen, die die meisten Trainingspunkte erhält.
- Lassen Sie das Feld Trainierte Ausgabe-Modelldatei leer.
Sie werden später eine Modelldatei speichern, um Ihre Analyse freizugeben, jedoch erst, nachdem Sie sicher sind, dass Ihr Modell gut funktioniert.
- Erweitern Sie den Abschnitt Erweiterte Modelloptionen, und vergewissern Sie sich, dass Relative Gewichtung von Vorhandensein zu Hintergrund auf 100, Transformation der Wahrscheinlichkeit für Vorhandensein (Kopplungsfunktion) auf C-log-log und der Grenzwert für Wahrscheinlichkeit für Vorhandensein auf 0,5 festgelegt sind.
Der Wert für Relative Gewichtung von Vorhandensein zu Hintergrund von 100 weist darauf hin, dass es unbekannt ist, ob an den vom Werkzeug generierten Positionen der Hintergrundpunkte Seegras vorhanden sein könnte.
Es empfiehlt sich, C-log-log in diesem Szenario für die Transformation der Wahrscheinlichkeit für Vorhandensein zu verwenden, da Seegras über eine minimale Mehrdeutigkeit im Hinblick auf die Position verfügt (d. h. bei Seegras muss Mobilität oder Migration nicht berücksichtigt werden). Der Grenzwert für Wahrscheinlichkeit für Vorhandensein von 0,5 bedeutet, dass Positionen mit Wahrscheinlichkeiten über 0,5 als vorhanden eingestuft werden.
- Erweitern Sie den Abschnitt Trainingsausgaben, und geben Sie für Trainierte Ausgabe-Features die Bezeichnung trainfeatures1 ein.
Dabei handelt es sich um eine Ausgabe-Feature-Class, die trainierte Features (in diesem Fall Punkte des Vorhandenseins und Hintergrundpunkte) enthält, die zum Erstellen des Modells verwendet werden.
- Geben Sie für Ausgabe-Antwortkurventabelle den Text rc1 ein.
- Geben Sie für Ausgabe-Empfindlichkeitstabelle den Text sensitivity1 ein.
Die Ausgabe-Antwortkurventabelle und die Ausgabe-Empfindlichkeitstabelle sind hilfreich, um die Performance des Modells zu verstehen.
- Erweitern Sie den Abschnitt Vorhersageoptionen, und geben Sie für Ausgabe-Vorhersage-Raster den Text seagrass_predict1 ein.
Dies ist das Ausgabe-Raster, das die Vorhersagen des Modells zur Wahrscheinlichkeit des Vorhandenseins von Seegras-Lebensräumen anzeigt.
- Stellen Sie sicher, dass die Tabelle Erklärende Raster abgleichen übereinstimmende Werte für die Raster Vorhersage und Training enthält.
Zuvor haben Sie die erklärenden Raster für das Trainieren des Modells mit den Datenpunkten der Küsten der Vereinigten Staaten verwendet, und jetzt verwenden Sie dieselben Raster, um eine globale Vorhersage zu treffen. Möglicherweise möchten Sie in manchen Fällen eine Vorhersage unter Verwendung verschiedener erklärender Raster treffen. Sie können z. B. dieselben Ozeanmessvariablen verwenden, jedoch mit projizierten Werten für 50 Jahre in der Zukunft, um zu bewerten, wie der Klimawandel sich auf den Lebensraum und die Ausbreitung von Seegras auswirken kann.
- Lassen Sie das Kontrollkästchen Vorhersagen außerhalb von Datenbereichen zulassen aktiviert.
Da Sie nur Daten von den Küsten der Vereinigten Staaten verwenden, um Ihr Modell zu trainieren, müssen Sie Vorhersagen außerhalb der Datenbereiche zulassen, um weltweite Vorhersagen zu treffen.
Hinweis:
Eine solche Vorhersage außerhalb der Datenbereiche kann zu weniger zuverlässigen Vorhersagen führen, insbesondere in Regionen, in denen die Werte weit außerhalb der Trainingsdatenbereiche liegen.
Beachten Sie dies später, wenn Sie sich Vorhersage-Ergebnisse für Orte, wie die Antarktis, ansehen, wo die Bedingungen von denen der Küste der Vereinigten Staaten deutlich verschieden sind.
- Erweitern Sie den Abschnitt Validierungsoptionen, klicken Sie für Resampling-Schema auf die Dropdown-Liste, wählen Sie Zufällig aus, und übernehmen Sie den Standardwert von 3 für Gruppenanzahl.
Diese Parameter weisen das Werkzeug an, eine k-fache Kreuzvalidierung des Modells durchzuführen.
Das Werkzeug ist jetzt beinahe für die Ausführung bereit. Fügen Sie eine Einstellung Umgebungen hinzu, um das Gebiet zu beschränken, das verarbeitet wird, bevor sie das Werkzeug ausführen.
- Klicken Sie oben im Bereich des Werkzeugs auf die Registerkarte Umgebungen.
- Führen Sie einen Bildlauf nach unten durch, klicken Sie im Abschnitt Raster-Analyse für Maske auf die Dropdown-Liste, und wählen Sie den Layer Global shallow waters aus.
Da Seegras in flachem Wasser wächst, wird es Zeit sparen, die Verarbeitung auf Gebiete mit flachem Wasser zu beschränken.
- Klicken Sie auf Ausführen.
Die Ausführung des Werkzeugs dauert einige Zeit (ungefähr zwei Minuten).
- Deaktivieren Sie im Bereich Inhalt die Kontrollkästchen, um alle Layer mit Ausnahme des Layers seagrass_predict1 und der Grundkarte auszublenden.
Hinweis:
Sie können die Strg-Taste drücken und ein Kontrollkästchen aktivieren, um mehrere Layer zur gleichen Zeit zu aktivieren oder zu deaktivieren. Weitere Tastenkombinationen finden Sie in der Dokumentation.
Die Karte zeigt Gebiete vorhergesagter Seegras-Lebensräume an, die in Dunkelviolett symbolisiert sind und die Gebiete mit der höchsten Wahrscheinlichkeit des Vorhandenseins von Seegras darstellen. Die Vorhersage ist möglicherweise in bestimmten Gebieten, wie z. B. der Antarktis, in denen die erklärenden Variablen außerhalb des Bereichs liegen, der für das Trainieren verwendet wurde, nicht so genau.
Die Vorhersage auswerten
Nach der Durchführung der Vorhersage werten Sie die Ergebnisse aus und bestimmen, ob Änderungen an Ihrem Vorhersagemodell vorgenommen werden müssen. Nach dem Überprüfen der Modelldiagnose und dem Aktualisieren der Vorhersage speichern Sie eine Modelldatei, die Sie für andere freigeben, die Ihre Analyse replizieren oder ausweiten möchten.
Wenn Sie die vorhergesagten Gebiete von Seegras-Lebensräumen anschauen, wie wissen Sie, ob das von Ihnen erstellte Modell gültig ist oder die Vorhersage der relevanten Variable gut funktioniert?
In vielen Fällen ist dies nicht ausschließlich durch das Betrachten der Vorhersage-Ergebnisse möglich. Um das Modell zu bewerten, müssen Sie die Trainingsdaten und die Modelldiagnose anschauen.
- Aktivieren Sie im Bereich Inhalt das Kontrollkästchen zum Aktivieren des Layers trainfeatures1.
- Klicken Sie mit der rechten Maustaste auf trainfeatures1, und klicken Sie auf Auf Layer zoomen.
Die grauen und grünen Punkte stellen Hintergrund-Trainingspunkte dar, die vom Werkzeug zum Erfassen von Daten zu Positionen erstellt wurden, an denen Seegras-Lebensräume möglicherweise existieren.
Es gibt ein erhebliches Problem mit diesen Datenpunkten. Eine große Mehrheit befindet sich über Land, was für ein Modell, das Seegras-Lebensräume vorhersagen soll, keinen Sinn ergibt. Dies ist ein konzeptionelles Problem bei dem Modell, wodurch die Bedeutung bereichsspezifischen Wissens und des Verständnisses für jeden Werkzeugparameter für das Sicherstellen der korrekten Einrichtung des Modells hervorgehoben wird.
Überprüfen Sie als Nächstes die Modelldiagnose, um die Performance des Modells zu ermitteln.
- Klicken Sie am unteren Rand des Bereichs Geoverarbeitung auf Details anzeigen.
Hinweis:
Sie können auf das Fenster Details auch zugreifen, indem Sie den Bereich Verlauf öffnen, mit der rechten Maustaste auf Auf Vorhandensein beschränkte Vorhersage (MaxEnt) und dann auf Details anzeigen klicken.Das Fenster Details enthält wichtige Informationen über das von Ihnen erstellte Modell und seine Performance. Außerdem enthält es Warnungen vom Ausführen des Werkzeugs. In diesem Fall stellen die Warnungen kein Problem für Ihre Analyse dar.
- Klicken Sie auf Meldungen, und führen Sie dann einen Bildlauf nach unten zur Tabelle Modellzusammenfassung durch.
In dieser Tabelle wird die Auslassungsrate des Modells unter dem vorgegebenen Grenzwert für die Wahrscheinlichkeit für Vorhandensein (in diesem Fall 0,5) und dem AUC-Wert angezeigt. Die AUC ist die Fläche unter der ROC-Kurve (Receiver Operating Characteristic), die die Performance des Modells misst, indem sie die Anteile der True Positives und der False Positives vergleicht. Eine bessere Modell-Performance zeigt sich durch eine niedrigere Auslassungsrate und AUC-Werte, die sich 1 nähern.
Hinweis:
Aufgrund geringfügiger EBK-Interpolationsunterschiede abhängig von der Hardware des Computers können kleine Unterschiede in der Auslassungsrate und den AUC-Werten in den Ergebnissen auftreten.Die AUC des Modells (beinahe 1) ist sehr hoch, was vielversprechend ist, aber die Auslassungsrate (größer als 0,15) ist ebenfalls etwas hoch. Sie können auch andere Informationen in dem Fenster Details überprüfen, um das Modell besser zu verstehen, einschließlich der Regressionskoeffizienten und der Zusammenfassung der Kreuzvalidierung.
In der Tabelle Zusammenfassung der Kreuzvalidierung ist zu sehen, dass % Vorhandensein: richtig klassifiziert im Bereich zwischen 82 und 86 Prozent lag.
Die letzten Aspekte des Modells, die Sie analysieren, sind die Antwortkurven- und Empfindlichkeitstabellen.
- Schließen Sie das Fenster mit den Details.
- Führen Sie im Bereich Inhalt einen Bildlauf zum Abschnitt Standalone-Tabelle durch, und doppelklicken Sie unter der Tabelle rc1 im Abschnitt Diagramme auf das Diagramm Teilantwort von kontinuierlichen Variablen.
Das Diagramm Teilantwort von kontinuierlichen Variablen visualisiert die Auswirkungen von Änderungen der Werte in jeder erklärenden Variable auf die Wahrscheinlichkeit des Vorhandenseins, während alle anderen Variablen konstant bleiben.
- Klicken Sie auf das Diagramm EBK_SALINITY.
Wenn Sie auf die kleineren Diagramme klicken, erhalten Sie eine bessere Ansicht ihrer Variablen in dem größeren Diagramm auf der rechten Seite. Das Diagramm EBK_SALINITY zeigt, dass die Wahrscheinlichkeit des Vorhandenseins von Seegras-Lebensräumen über eine scharfe Spitze in einem engen Bereich von Werten des Salzgehalts verfügt.
- Schließen Sie das Diagramm Teilantwort von kontinuierlichen Variablen.
- Doppelklicken Sie im Abschnitt Standalone-Tabelle unter der Tabelle sensitivity1 im Abschnitt Diagramme auf das Diagramm Auslassungsraten und auf das Diagramm ROC-Plot.
- Klicken Sie auf die Registerkarten für die Diagrammbereiche, und ziehen Sie sie, um die Diagramme so zu arrangieren, dass Sie sie zusammen ansehen können.
Durch diese beiden Diagramme erhalten Sie zusätzlichen Kontext zu der Auslassungsrate und den AUC-Diagnosen, die Sie sich zuvor angeschaut haben.
- Klicken Sie auf das Diagramm Auslassungsraten, und ziehen Sie einen Rahmen auf, um Punkte in der Nähe des Grenzwertes von 0,5 auszuwählen.
Der Grenzwert von 0,5 ist der Standardwert, den Sie im Modell verwendet haben.
Sie können untersuchen, wie sich Änderungen des Grenzwerts für die Wahrscheinlichkeit für Vorhandensein auf die Klassifizierung der Hintergrundpunkte auswirken, indem Sie Punkte durch Klicken und Ziehen im Diagramm "Auslassungsraten" auswählen.
Die Verringerung des Grenzwertes erhöht den Anteil der Hintergrundpunkte, die als potenzielles Vorhandensein klassifiziert sind.
- Schließen Sie die Diagramme.
Sie haben die Ergebnisse des Modells überprüft und einige der kontextbezogenen Diagnosedaten untersucht. Sie passen das Modell nun an, um das konzeptionelle Problem anzugehen, dass Trainings-Punkte auf dem Land vorhanden sind.
Das Modell mit einem besseren Untersuchungsgebiet erneut ausführen
Bei der ersten Ausführung des Modells wurden trainierte Klassifizierungspunkte innerhalb der Ausdehnung der konvexen Hülle der Punkte im Feature-Layer USA_Train erstellt. Die Punkte liegen zwar im flachen Wasser, aber ein Großteil des Gebiets zwischen den Punkten ist von Land bedeckt. Jetzt führen Sie das Modell erneut aus, aber Sie beschränken die Platzierung trainierter Klassifizierungspunkte auf Gebiete, die im flachen Wasser liegen.
- Klicken Sie auf der Registerkarte Analyse im Abschnitt Geoverarbeitung auf Verlauf.
- Doppelklicken Sie im Bereich Verlauf auf den obersten Eintrag, Auf Vorhandensein beschränkte Vorhersage (MaxEnt).
Wird das Werkzeug auf diese Art geöffnet, wird der Werkzeugbereich mit allen zuvor genutzten Parametern ausgefüllt.
Hinweis:
Es kann einige Zeit in Anspruch nehmen, alle Parameterwerte im Bereich Geoverarbeitung erneut auszufüllen.Sie ändern nur wenige der Werkzeugparameter.
- Führen Sie im Werkzeug Auf Vorhandensein beschränkte Vorhersage (MaxEnt) einen Bildlauf nach unten zum Parameter Untersuchungsgebiet durch, klicken Sie auf die Dropdown-Liste und dann auf Polygon-Untersuchungsgebiet.
Nach Abschluss der Validierung des Werkzeugs wird ein neuer Parameter angezeigt.
- Klicken Sie für Untersuchungsgebiet-Polygon auf die Dropdown-Liste und dann auf USA shallow waters.
Dadurch wird das Gebiet für Positionen zum Prüfen des möglichen Vorhandenseins oder Fehlens von Seegras-Lebensräumen auf Küstengebiete der kontinentalen USA mit flachem Wasser beschränkt.
- Geben Sie für Trainierte Ausgabe-Modelldatei den Text seagrass_model ein.
Nach einigen Augenblicken wird der Pfad in Ihrer Projektordner-Struktur ausgefüllt, und die Dateierweiterung .ssm wird dem Modellnamen hinzugefügt.
Im nächsten Abschnitt des Lernprogramms arbeiten Sie mit dieser Modelldatei.
Hinweis:
Normalerweise würden Sie das neue Modell analysieren, um sicherzustellen, dass die Ergebnisse geeignet sind, bevor Sie die Modelldatei speichern. Aus Gründen der Zeitersparnis geben Sie die Datei jedoch jetzt aus. - Erweitern Sie den Abschnitt Trainingsausgaben, und aktualisieren Sie die Ausgabenamen mit einer 2, um anzugeben, dass es sich um die zweite Ausführung handelt.
- Trainierte Ausgabe-Features: trainfeatures2
- Ausgabe-Antwortkurventabelle: rc2
- Ausgabe-Empfindlichkeitstabelle: sensitivity2
- Erweitern Sie den Abschnitt Vorhersageoptionen, und aktualisieren Sie den Namen des Ausgabe-Vorhersage-Rasters mit einer 2, um anzugeben, dass es sich um die zweite Ausführung handelt.
- Ausgabe-Vorhersage-Raster: seagrass_predict2
- Klicken Sie auf Ausführen.
Die Ausführung des Werkzeugs dauert einige Zeit (ungefähr zwei Minuten).
Nachdem das Werkzeug ausgeführt wurde, werden die Layer dem Bereich Inhalt hinzugefügt.
- Deaktivieren Sie im Bereich Inhalt die Kontrollkästchen, um alle Layer mit Ausnahme des Layers seagrass_predict2 und der Grundkarte auszublenden.
- Aktivieren Sie im Bereich Inhalt das Kontrollkästchen, um den Layer trainfeatures2 zu aktivieren.
- Klicken Sie mit der rechten Maustaste auf den Layer trainfeatures2, und klicken Sie auf Auf Layer zoomen.
Die Trainings-Features (Positionen des Vorhandenseins und des Hintergrunds) sind angemessen in Küstengebieten positioniert, die nicht auf dem Land liegen.
- Klicken Sie im Werkzeug Auf Vorhandensein beschränkte Vorhersage (MaxEnt) auf Details anzeigen.
- Klicken Sie auf Meldungen, und führen Sie dann einen Bildlauf nach unten zur Tabelle Modellzusammenfassung durch.
Überprüfen Sie die Werte Auslassungsrate und AUC. Beachten Sie, dass der Wert für AUC dem des vorherigen Modells ähnelt, aber dass die Auslassungsrate viel niedriger ist, was auf eine bessere Modell-Performance hindeutet.
In der Tabelle Zusammenfassung der Kreuzvalidierung ist zu sehen, dass % Vorhandensein: richtig klassifiziert im Bereich zwischen 95 und 96 Prozent lag.
Sie können auch die Empfindlichkeits- und Antwortkurvendiagramme für dieses neue Modell analysieren und sie mit denen des vorherigen Modells vergleichen.
- Schließen Sie das Fenster mit den Details.
Die Vorhersagen vergleichen
Als Nächstes vergleichen Sie die Vorhersagen der beiden Modelle visuell.
- Klicken Sie auf dem Menüband auf der Registerkarte Karte im Abschnitt Navigieren auf Lesezeichen und dann auf Europe.
- Deaktivieren Sie im Bereich Inhalt die Sichtbarkeit aller Layer mit Ausnahme von seagrass_predict2, seagrass_predict1 und Light Gray Base.
- Klicken Sie im Bereich Inhalt auf den Layer seagrass_predict2.
Die kontextbezogene Registerkarte Raster-Layer wird auf dem Menüband angezeigt. Diese Registerkarte ist verfügbar, wenn ein Raster-Layer im Bereich Inhalt ausgewählt ist.
- Klicken Sie auf dem Menüband auf die Registerkarte Raster-Layer.
- Klicken Sie in der Gruppe Vergleichen auf das Werkzeug Ausblenden.
- Klicken Sie im Bereich "Karte" auf das Werkzeug Ausblenden, und ziehen Sie es hinunter über die Karte.
Das Werkzeug Ausblenden blendet den ausgewählten Layer interaktiv aus und macht darunter liegende Layer sichtbar. Sie können dieses Werkzeug verwenden, um die Unterschiede zwischen den ersten und zweiten Vorhersagen zu analysieren.
Beachten Sie die Unterschiede im Raum der Ostsee. Mit dem ursprünglichen Modell war die vorhergesagte Wahrscheinlichkeit des Vorhandenseins von Seegras-Lebensräumen in der Ostsee sehr gering, insbesondere z. B. rund um Kopenhagen, Dänemark. Die vorhergesagte Wahrscheinlichkeit in dieser Region nahm im zweiten Modell zu. Seegraswiesen sind wichtige CO2-Hot-Spots in der Ostsee, insbesondere in bestimmten geschützten Buchten rund um Dänemark, weswegen sich dadurch die Konfidenz in die Performance des neueren Modells erhöht.
Im Normalfall würden Sie die Modellvorhersagen weiter analysieren und mit anderen bekannten Seegraspositionen außerhalb der Küstengewässer der Vereinigten Staaten vergleichen, aber für die Zwecke dieses Lernprogramms fahren Sie mit der Freigabe des Modells fort.
Sie haben die Verteilung von Seegras-Lebensräumen in Küstengebieten auf der ganzen Welt mit MaxEnt vorhergesagt und dabei das Werkzeug Auf Vorhandensein beschränkte Vorhersage mehrfach durchlaufen, um die Parameter anzupassen und sicherzustellen, dass Ihr Modell angemessen eingerichtet wurde. Als Nächstes dokumentieren Sie das Modell und geben es frei.
Das Modell freigeben
Die Vorhersage ist nun abgeschlossen und die Ergebnisse wurden bewertet. Der nächste Schritt ist es, die Modellierung selbst transparenter und reproduzierbar zu machen. Bei der zweiten Ausführung des Werkzeugs Auf Vorhandensein beschränkte Vorhersage haben Sie eine Modelldatei für räumliche Statistiken (.ssm) erstellt.
Sie fügen dieser Datei Variablenbeschreibungen und -einheiten hinzu, damit das Modell vollständig dokumentiert ist und freigegeben werden kann. Unabhängig davon, ob Sie planen, die Modelldatei freizugeben oder nicht, ermöglicht Ihnen das Beibehalten einer dokumentierten Modelldatei in Ihren Datensätzen das erneute Aufrufen vorheriger Analysen und das Verstehen der erwarteten Eingabevariablen und ihrer Einheiten sowie die Überprüfung der Modell-Performance. Möglicherweise möchten Sie das Modell für andere freigeben, wie für Kollegen, die Ihre Analyse in ihrer Region replizieren oder auf Ihrer Arbeit aufbauen möchten, indem sie ein lokales Gebiet mit höher aufgelösten Daten analysieren.
Die Modelldatei dokumentieren
Führen Sie zum Dokumentieren der Modelldatei die folgenden Schritte aus:
- Klicken Sie im Bereich Geoverarbeitung auf den Zurück-Pfeil, und geben Sie im Suchfeld Modelldatei ein, und klicken Sie dann in den Ergebnissen auf Modelldatei für räumliche Statistiken beschreiben.
- Klicken Sie für Eingabe-Modelldatei auf die Schaltfläche "Durchsuchen", und erweitern Sie die Ordner Project, Folders, SeagrassPrediction und p30.
- Klicken Sie auf die Datei seagrass_model.ssm und dann auf OK.
Eine Informationsmeldung mit grundlegenden Informationen über das Modell, einschließlich des Modelltyps und der vorherzusagenden Variable, wird angezeigt.
- Klicken Sie auf Ausführen.
- Klicken Sie nach der Ausführung des Werkzeugs auf Details anzeigen.
- Blenden Sie das Fenster Details ein, um seinen Inhalt zu prüfen.
Es werden viele Details zum Modell bereitgestellt, unter anderem das Datum der Erstellung des Modells, der Modelltyp, Einflussvariablen und Antworten sowie Eigenschaften und Diagnosen des Modells, einschließlich AUC und Auslassungsrate.
Es ist wichtig, dass Eingabepositionen und -werte nicht in einer Modelldatei offengelegt werden, damit Sie das Modell auch dann freigeben können, wenn die Eingabedaten sensibel sind, wie z. B. Positionen von Nistplätzen gefährdeter Vogelarten.
Es gibt keine Informationen in den Feldern Description und Unit für die vorherzusagende Variable und die erklärenden Training-Raster. Ohne das Verständnis dafür, was jede Variable und deren Einheiten darstellen, wird ein anderer Benutzer nicht in der Lage sein, diese Modelldatei zu nutzen. Stellen Sie sich vor, ein Benutzer würde annehmen, dass die Temperatur für dieses Modell in Fahrenheit gemessen wurde, während es tatsächlich in Celsius gemessen wurde – seine Vorhersagen wären falsch.
Als Nächstes geben Sie diese fehlenden Informationen ein.
- Schließen Sie das Fenster mit den Details.
- Klicken Sie im Bereich Geoverarbeitung auf den Zurück-Pfeil, und geben Sie im Suchfeld räumliche Statistiken festlegen ein. Klicken Sie dann auf Eigenschaften der Modelldatei für räumliche Statistiken festlegen.
- Klicken Sie für Eingabe-Modelldatei auf die Schaltfläche "Durchsuchen", klicken Sie dann auf die Datei seagrass_model.ssm und dann auf OK.
Die in dem Modell verwendeten Variablen- und Rasternamen werden aufgelistet. In den Feldern Beschreibung und Einheit können Sie Informationen zur Dokumentation des Modells hinzufügen.
- Geben Sie im Abschnitt Vorherzusagende Variable unter Auf Vorhandensein beschränkt für Beschreibung Seagrass habitat presence ein.
- Geben Sie im Abschnitt Vorherzusagende Variable unter Auf Vorhandensein beschränkt für Einheit den Text None ein.
- Füllen Sie im Abschnitt Erklärende Trainings-Raster die Beschreibung und Einheit jeder Variable folgendermaßen aus:
- Für: EBK_DISSO2, Beschreibung: Dissolved oxygen, Einheit: ml/l
- Für: EBK_NITRATE, Beschreibung: Nitrates, Einheit: μmol/l
- Für: EBK_PHOSPHATE, Beschreibung: Phosphates, Einheit: μmol/l
- Für: EBK_SALINITY, Beschreibung: Salinity, Einheit: None
- Für: EBK_SILICATE, Beschreibung: Silicates, Einheit: μmol/l
- Für: EBK_SRTM30, Beschreibung: Depth, Einheit: Meters
- Für: EBK_TEMP, Beschreibung: Temperature, Einheit: °C
- Führen Sie einen Bildlauf zurück zum oberen Bereich des Werkzeugs durch, und klicken Sie in das Feld Eingabe-Modelldatei.
Dadurch sollte die Validierung der von Ihnen eingegebenen Variablen ausgelöst werden. Es kann vorkommen, dass diese Werte verloren gehen, wenn die Validierung des Werkzeugs nicht ausgelöst wird, bevor es ausgeführt wird.
- Klicken Sie auf Ausführen.
- Klicken Sie auf Details anzeigen.
Das Werkzeug meldet, dass die Felder aktualisiert wurden.
- Schließen Sie das Fenster mit den Details.
- Doppelklicken Sie im Verlauf der Geoverarbeitung auf das Werkzeug Modelldatei für räumliche Statistiken beschreiben.
- Klicken Sie auf Ausführen und dann auf Details anzeigen.
Die Details werden aktualisiert.
Sie haben bestätigt, dass die Variablenbeschreibungen und -einheiten jetzt korrekt dokumentiert sind und die Modelldatei für die Freigabe per E-Mail, auf einem freigegebenen Laufwerk oder online bereit ist. Sie können diese Modelldatei zur Ausführung einer anderen Vorhersage in der Zukunft behalten oder sie für andere freigeben, die zusätzliche Vorhersagen durchführen möchten. Diese Vorhersage verwendet z. B. dekadische EMU-Durchschnittsdaten (50-Jahres-Mittelwerte), aber ein anderer Forscher möchte möglicherweise Vorhersagen unter Verwendung projizierter Ozeanmessungen treffen, um zu verstehen, wie sich die Seegras-Verbreitung unter wärmer werdenden Ozeanbedingungen verändern könnte.
- Schließen Sie das Fenster mit den Details.
In diesem Lernprogramm haben Sie Trainings-Daten vorbereitet und ein Modell für das maschinelle Lernen erstellt, um Seegras-Lebensräume in Küstenregionen auf der ganzen Welt vorherzusagen. Sie haben Ihre Analyse außerdem reproduzierbar und erweiterbar gemacht, indem Sie die Modelldatei dokumentiert haben, sodass sie für andere freigegeben werden kann, die sie replizieren oder auf Ihrer Arbeit aufbauen möchten. Die Förderung einer offenen Wissenschaft ist ein wichtiger Teil der Naturschutzbemühungen, unter anderem für Seegräser und die Ökosysteme, die sie unterstützen. In diesem Lernprogramm wurde ein vereinfachter Ansatz für die Modellierung von Seegras verwendet und in einigen Fällen wurden die Einstellungen der Werkzeugparameter für die Verarbeitungsgeschwindigkeit optimiert. In den folgenden Ressourcen finden Sie weitere Informationen zu konkreten Bemühungen der Modellierung von Seegras-Lebensräumen:
- Aydin, Orhun, Carlos Osorio-Murillo, Kevin A. Butler, und Dawn Wright. 2022. "Conservation Planning Implications of Modeling Seagrass Habitats with Sparse Absence Data: A Balanced Random Forest Approach." Journal of Coastal Conservation 26 (3): 22. https://doi.org/10.1007/s11852-022-00868-1.
- Bertelli, Chiara M., Holly J. Stokes, James C. Bull, und Richard K. F. Unsworth. 2022. "The Use of Habitat Suitability Modelling for Seagrass: A Review." Frontiers in Marine Science 9. https://www.frontiersin.org/articles/10.3389/fmars.2022.997831.
- McKenzie, Len J., Lina M. Nordlund, Benjamin L. Jones, Leanne C. Cullen-Unsworth, Chris Roelfsema, und Richard K. F. Unsworth. 2020. "The Global Distribution of Seagrass Meadows." Environmental Research Letters 15 (7): 074041. https://doi.org/10.1088/1748-9326/ab7d06.
- Wang, Ming, Yong Wang, Guangliang Liu, Yuhu Chen, und Naijing Yu. 2022. "Potential Distribution of Seagrass Meadows Based on the MaxEnt Model in Chinese Coastal Waters." Journal of Ocean University of China 21 (5): 1351–61. https://doi.org/10.1007/s11802-022-5006-2.
