Modelagem da Biodiversidade Utilizando Redes Neurais Artificiais
Resumo
A conservação da biodiversidade é um dos grandes desafios contemporâneos. Técnicas e ferramentas que contribuam para o planejamento estratégico de ações relacionadas à conservação ambiental são fundamentais no processo de tomada de decisão. Este artigo apresenta um algoritmo de modelagem da biodiversidade baseado em Redes Neurais Artificiais, utilizado para criar modelos de distribuição geográfica de espécies biológicas. Durante os testes, foram alcançadas taxas de acuidade de até 94%, demonstrando que as Redes Neurais Artificiais são técnicas adequadas ao processo de modelagem.Referências
Canhos, V. P. (2003) Informática para biodiversidade: padrões, protocolos e ferramentas. Ciência e Cultura. [online]. v. 55, n. 2, pp. 45-47. [link].
Chopra, P. (2008) [link]. Downloaded in 2008.
Fielding, A. H. and Bell, J. F. (1997) A review of methods for the assessment of prediction errors in conservation presence/absence models, Environmental Conservation 24: 38 – 49.
Haykin, S. (2001) Redes Neurais – Princípios e Prática. Trad. Paulo Martins Engel. – 2. ed. – Porto Alegre: Bookman.
Hijmans, R. J., Cameron, S. E., Parra, J. L., Jones, P. G. and Jarvis, A. (2005) Very high resolution interpolated climate surfaces for global land areas. International Journal of Climatology 25: 1965 – 1978.
Lorena, A. C., Siqueira, M. F., Giovanni, R., Carvalho, A. C. P. L. F. and Prati, R. C. (2008) Potential Distribution Modelling Using Machine Learning. IEA/AIE '08: Proceedings of the 21st International Conference on Industrial, Engineering and Other Applications of Applied Intelligent Systems. Wroclaw, Poland. Lecture Notes in Computer Science, Springer-Verlag Berlin Heidelberg, v. 5027, p. 255–264.
Muñoz, M.E.S., Giovanni, R., Siqueira, M.F., Sutton, T., Brewer, P., Pereira, R.S., Canhos, D.A.L. & Canhos, V.P. (2009) "openModeller: a generic approach to species' potential distribution modelling". GeoInformatica. DOI: 10.1007/s10707-009-0090-7.
Phillips, S. J.; Anderson, R. P.; Schapire, R. E. (2006) Maximum entropy modeling of species geographic distributions. Ecological Modelling 190: 231 – 259.
Rodrigues, E. S. C., Rodrigues, F. A., Rocha, R. L. A. and Corrêa, P. L. P. (2010) An Adaptive Maximum Entropy Approach for Modeling of Species Distribution. Memórias do WTA 2010 – 4º Workshop de Tecnologia Adaptativa. Escola Politécnica da Universidade de São Paulo, São Paulo. ISBN 978-85-86686-56-6.
Rumelhart, D. E., Hinton, G. E. and Williams, R. J. (1986) Learning representations by back-propagating errors. Nature, 323:533-536.
Siqueira, M. F. (2005) Uso de modelagem de nicho fundamental na avaliação do padrão de distribuição geográfica de espécies vegetais. Tese de Doutorado. Escola de Engenharia de São Carlos da Universidade de São Paulo. São Carlos, São Paulo.
Stockwell, D.; Peters, D. (1999) The GARP modelling system: problems and solutions to automated spatial prediction. International Journal of Geographical Information Science, vol. 13, nº. 2, 143 – 158.
Vapinik, V. (1995) The Nature of Statistical Learning Theory. Springer-Verlag.
Thuiller, W., Lafourcade, B., Englerand, R. and Araújo, M. B. (2009). BIOMOD – a platform for ensemble forecasting of species distributions. Ecography 32: 369–373.
Mastrorillo, S., Lek, S., Dauba, F. and Belaud, A. (1997). The use of arti cial neuralfi networks to predict the presence of small-bodied sh in a river. FreshwaterBiologyfi 38, 237–246.
Ximenes, A. C., Amaral, S., Arcoverde, G. F. B., Monteiro, A. M. V. (2009). Redes neurais para a seleção de variáveis ambientais no processo de modelagem de distribuição de espécies na região Norte do Brasil. Anais XIV Simpósio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 5531–5538.
Joshi, C., de Leeuw, J., Skidmore, A. K., van Andel, J., Lekhak, H. D. and van Duren, I. C. (2005). Remote Sensing and GIS for Mapping and Management of Invasive Shrub Chromolaena odorata in Nepal. Proceedings of Eighth AGILE Conference on Geographic Information Science Estoril, Portugal (2005), pp. 71–80.
Jiménez-Valverde, A., Diniz, F., de Azevedo, E. B. and Borges, P. A. V. (2009) Species distribution models do not account for abundance: the case of arthropodes on Terceira Island. Ann. Zool. Fennici 46: 451-464.
Chopra, P. (2008) [link]. Downloaded in 2008.
Fielding, A. H. and Bell, J. F. (1997) A review of methods for the assessment of prediction errors in conservation presence/absence models, Environmental Conservation 24: 38 – 49.
Haykin, S. (2001) Redes Neurais – Princípios e Prática. Trad. Paulo Martins Engel. – 2. ed. – Porto Alegre: Bookman.
Hijmans, R. J., Cameron, S. E., Parra, J. L., Jones, P. G. and Jarvis, A. (2005) Very high resolution interpolated climate surfaces for global land areas. International Journal of Climatology 25: 1965 – 1978.
Lorena, A. C., Siqueira, M. F., Giovanni, R., Carvalho, A. C. P. L. F. and Prati, R. C. (2008) Potential Distribution Modelling Using Machine Learning. IEA/AIE '08: Proceedings of the 21st International Conference on Industrial, Engineering and Other Applications of Applied Intelligent Systems. Wroclaw, Poland. Lecture Notes in Computer Science, Springer-Verlag Berlin Heidelberg, v. 5027, p. 255–264.
Muñoz, M.E.S., Giovanni, R., Siqueira, M.F., Sutton, T., Brewer, P., Pereira, R.S., Canhos, D.A.L. & Canhos, V.P. (2009) "openModeller: a generic approach to species' potential distribution modelling". GeoInformatica. DOI: 10.1007/s10707-009-0090-7.
Phillips, S. J.; Anderson, R. P.; Schapire, R. E. (2006) Maximum entropy modeling of species geographic distributions. Ecological Modelling 190: 231 – 259.
Rodrigues, E. S. C., Rodrigues, F. A., Rocha, R. L. A. and Corrêa, P. L. P. (2010) An Adaptive Maximum Entropy Approach for Modeling of Species Distribution. Memórias do WTA 2010 – 4º Workshop de Tecnologia Adaptativa. Escola Politécnica da Universidade de São Paulo, São Paulo. ISBN 978-85-86686-56-6.
Rumelhart, D. E., Hinton, G. E. and Williams, R. J. (1986) Learning representations by back-propagating errors. Nature, 323:533-536.
Siqueira, M. F. (2005) Uso de modelagem de nicho fundamental na avaliação do padrão de distribuição geográfica de espécies vegetais. Tese de Doutorado. Escola de Engenharia de São Carlos da Universidade de São Paulo. São Carlos, São Paulo.
Stockwell, D.; Peters, D. (1999) The GARP modelling system: problems and solutions to automated spatial prediction. International Journal of Geographical Information Science, vol. 13, nº. 2, 143 – 158.
Vapinik, V. (1995) The Nature of Statistical Learning Theory. Springer-Verlag.
Thuiller, W., Lafourcade, B., Englerand, R. and Araújo, M. B. (2009). BIOMOD – a platform for ensemble forecasting of species distributions. Ecography 32: 369–373.
Mastrorillo, S., Lek, S., Dauba, F. and Belaud, A. (1997). The use of arti cial neuralfi networks to predict the presence of small-bodied sh in a river. FreshwaterBiologyfi 38, 237–246.
Ximenes, A. C., Amaral, S., Arcoverde, G. F. B., Monteiro, A. M. V. (2009). Redes neurais para a seleção de variáveis ambientais no processo de modelagem de distribuição de espécies na região Norte do Brasil. Anais XIV Simpósio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 5531–5538.
Joshi, C., de Leeuw, J., Skidmore, A. K., van Andel, J., Lekhak, H. D. and van Duren, I. C. (2005). Remote Sensing and GIS for Mapping and Management of Invasive Shrub Chromolaena odorata in Nepal. Proceedings of Eighth AGILE Conference on Geographic Information Science Estoril, Portugal (2005), pp. 71–80.
Jiménez-Valverde, A., Diniz, F., de Azevedo, E. B. and Borges, P. A. V. (2009) Species distribution models do not account for abundance: the case of arthropodes on Terceira Island. Ann. Zool. Fennici 46: 451-464.
Publicado
20/07/2010
Como Citar
RODRIGUES, Fabrício Augusto; RODRIGUES, Elisângela Silva da Cunha; CORRÊA, Pedro Luiz Pizzigatti; ROCHA, Ricardo Luis de Azevedo da; SARAIVA, Antonio Mauro.
Modelagem da Biodiversidade Utilizando Redes Neurais Artificiais. In: WORKSHOP DE COMPUTAÇÃO APLICADA À GESTÃO DO MEIO AMBIENTE E RECURSOS NATURAIS (WCAMA), 2. , 2010, Belo Horizonte/MG.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2010
.
p. 585-594.
ISSN 2595-6124.
