Modelli di previsione dei popolamenti ittici nei fiumi: sviluppo e ottimizzazione mediante reti neurali artificiali

The use of artificial intelligence methods for ecosystems modeling has had a considerable development in the last 20 years, due to their specific ability, in several conditions and once supported by suitable “learning” algorithms, to build from the data more effective representations of ecological systems than traditional methods (based on indexes or multivariate statistics). The main purpose of this work was an experimental examination of five hypotheses about as many potential strategies for the optimization of supervised artificial neural networks (perceptrons) which reconstruct the relations between the abiotic (environmental variables) and biological components (presence values of the species within fish assemblages) in river ecosystems. The themes we dealt with included the prevision of binary variables (species presence/absence), the variation of the performance as a function of the output discretization threshold, the prevision of rare species, the prevision of single species or group of species, data pre-processing and specifically the partitioning required by the early stopping technique. The results prove the practical and theoretical interest in working with predictive models, for both the effectiveness of the models and the possibility of giving hints to ecological research. Beyond the hypotheses studied here, the work produced a method and a computer tool that can test other optimization strategies and operate with different data set.

Negli ultimi venti anni l’uso di metodi basati sull’intelligenza artificiale per la costruzione di modelli in ecologia si è diffuso e sviluppato grazie alla capacità di questi metodi di dar luogo, in base ad opportuni algoritmi di apprendimento e alle informazioni contenute nei dati (quindi empiricamente), a rappresentazioni dei sistemi ecologici che spesso sono più efficaci rispetto a quelle fornite dai metodi tradizionali (basati su indici o sulla statistica multivariata). Lo scopo principale di questo lavoro è stato un esame sperimentale di cinque ipotesi circa altrettante potenziali strategie di ottimizzazione di modelli costituiti da reti neurali artificiali supervisionate (percettroni) che ricostruiscono le relazioni tra componenti abiotiche (descrittori ambientali) e biotiche (presenza di specie all’interno di popolamenti ittici) in ecosistemi fluviali. I temi toccati hanno riguardato la previsione di variabili binarie (presenza/assenza delle specie), le variazioni di performance in funzione della soglia di discretizzazione dell’output, la previsione di specie rare, la previsione di specie singole o di gruppi di specie, la pre-elaborazione dei dati con particolare riferimento al partizionamento richiesto dalla tecnica dell’early stopping. I risultati dimostrano l’interesse pratico e teorico di lavorare con modelli predittivi di questo tipo, sia per l’efficacia dei modelli costruiti, che per la possibilità di suggerire nuove idee alla ricerca ecologica. Al di là dell’analisi delle ipotesi studiate, il lavoro ha prodotto un metodo e uno strumento informatico che possono essere riutilizzati per testare altre strategie di ottimizzazione e per operare con diversi data set.