RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia
Publicación
Artículo científico (JournalArticle)
A comparison of artificial neural networks and random forests to predict native fish species richness in Mediterranean rivers
[EN] Machine learning (ML) techniques have become important to support decision
making in management and conservation of freshwater aquatic
ecosystems. Given the large number of ML techniques and to improve the
understanding of ML utility in ecology, it is necessary to perform comparative
studies of these techniques as a preparatory analysis for future model
applications. The objectives of this study were (i) to compare the reliability
and ecological relevance of two predictive models for fish richness, based
on the techniques of artificial neural networks (ANN) and random forests
(RF) and (ii) to evaluate the conformity in terms of selected important variables
between the two modelling approaches. The effectiveness of the
models were evaluated using three performance metrics: the determination
coefficient (R2), the mean squared error (MSE) and the adjusted determination
coefficient (R2adj) and both models were developed using a k-fold
crossvalidation procedure. According to the results, both techniques had
similar validation performance (R2 = 68% for RF and R2 = 66% for ANN).
Although the two methods selected different subsets of input variables,
both models demonstrated high ecological relevance for the conservation
of native fish in the Mediterranean region. Moreover, this work shows how
the use of different modelling methods can assist the critical analysis of
predictions at a catchment scale., [FR] Les techniques d’apprentissage automatique (ML) sont devenues importantes
pour aider à la décision dans la gestion et la conservation des écosystèmes aquatiques
d’eau douce. Étant donné le grand nombre de techniques ML pour améliorer
la compréhension de l’utilité des ML en écologie, il est nécessaire de réaliser
des études comparatives de ces techniques comme analyse préparatoire pour
des applications de modèles futurs. Les objectifs de cette étude étaient : (i) de
comparer la fiabilité et la pertinence écologique de deux modèles prédictifs pour
la richesse de poisson, basé sur les techniques de réseaux de neurones artifi-
ciels (ANN) et les forêts aléatoires (RF) et (ii) d’évaluer la conformité en termes
de sélection des variables importantes entre les deux approches de modélisation.
L’efficacité des modèles a été évaluée au moyen de trois indicateurs de performance : le coefficient de détermination (R2), l’erreur quadratique moyenne
(MSE) et le coefficient de détermination ajusté (R2
adj) et les deux modèles ont été
développés en utilisant une procédure de validation croisée k-fold. Selon les résultats,
les deux techniques ont des performances de validation similaires (R2 = 68 %
pour RF et R2 = 66 % pour ANN). Bien que les deux méthodes aient choisi différents
sous-ensembles de variables d’entrée, les deux modèles ont démontré la
pertinence écologique pour la conservation des poissons indigènes dans la région
méditerranéenne. En outre, ce travail montre comment l’utilisation de différentes
méthodes de modélisation peut aider à l’analyse critique des prévisions à l’échelle
du bassin versant., This study was partially funded by the Spanish Ministry of Economy and Competitiveness with the projects SCARCE (Consolider-Ingenio 2010 CSD2009-00065) and POTECOL "Evaluacion del Potencial Ecologico de R os Regulados por Embalses y Desarrollo de Criterios para su mejora segun la Directiva Marco del Agua" (CGL2007-66412). In addition, the RF analysis was developed in the frame of the EU-funded HolRiverMed project (IEF, Marie Curie Actions). We thank the Confederacion Hidrografica del Jucar (Spanish Ministry of Agriculture, Food and Environment) for the data provided to develop this study and we also owe our gratitude to Sasa Plestenjak for the collaboration in building the first fish database for this research. We owe our gratitude to Chris Holmquist-Johnson and Leanne Hanson (USGS, Fort Collins Science Center) for the scientific review of the paper.