使用神经常微分方程从种群密度数据预测复杂的生态动态
摘要：使用简单的数学模型来描述生态过程已有一个多世纪的历史。然而，生态系统固有的复杂性使得简单模型容易因简化假设或未考虑的因素而出现建模偏差，从而限制了它们对复杂生态群落的预测能力。神经常微分方程（NODEs）作为一种保留数据动态性质的机器学习算法近年来崛起。NODEs由动力学模型组成，其中人口使用神经网络而不是参数化函数进行建模。相比其他最先进的方法，这种数据动态性的保留是对于建模生态时间序列的一个优势。然而，NODEs作为生态群落预测工具的表现问题仍未得到解答。在本文中，我们使用模拟的种群密度时间序列来探讨这个问题，这些时间序列描述了多个竞争物种在一个时变环境中的变化。我们通过使用不同社群大小和不同训练数据大小的时间序列对NODEs进行拟合，探索其性能。我们发现，NODEs相比标准的ARIMA模型提供更不确定的预测。此外，我们发现将NODEs与参数化模型相结合可以更好地恢复模拟时间序列的最终社群大小，而不是ARIMA或NODE模型。我们还讨论了改进NODEs预测性能的方法。NODEs作为一种预测工具的力量在于它可以提供对种群动态的洞察，并且应该扩宽研究生态群落时间序列的方法。 标题：神经常微分方程与参数化模型结合在生态群落预测中的效果评估
作者：Jorge Arroyo-Esquivel and Christopher A Klausmeier and Elena Litchman
论文ID：2305.00338
分类：Quantitative Methods
分类简称：q-bio.QM
提交时间：2023-08-29