CAJ | 학술논문

物种分布与环境因子之间存在着紧密的联系,因此利用环境因子作为预测物种分布模型的变量是当前最普遍的建模思路,但是绝大多数物种分布预测模型都遇到了难以解决的"高维小样本"问题.该研究通过理论和实践证明,基于结构风险最小化原理的支持向量机(Support vector machine,SVM)算法非常适合"高维小样本"的分类问题.以20种杜鹃花属(Rhododendron)中国特有种为检验对象,利用标本数据和11个1 km×1 km的栅格环境数据层作为模型变量,预测其在中国的潜在分布区,并通过全面的模型评估--专家评估,受试者工作特征(Receiver operator characteristic,ROC)曲线和曲线下方面积(Area under the curve,AUC)--来比较模型的性能.我们实现了以SVM为核心的物种分布预测系统,并且通过试验证明其无论在计算速度还是预测效果上都远远优于当前广泛使用的规则集合预测的遗传算法(Algorithm for rule-set prediction,GARP)预测系统.
물충분포여배경인자지간존재착긴밀적련계,인차이용배경인자작위예측물충분포모형적변량시당전최보편적건모사로,단시절대다수물충분포예측모형도우도료난이해결적"고유소양본"문제.해연구통과이론화실천증명,기우결구풍험최소화원리적지지향량궤(Support vector machine,SVM)산법비상괄합"고유소양본"적분류문제.이20충두견화속(Rhododendron)중국특유충위검험대상,이용표본수거화11개1 km×1 km적책격배경수거층작위모형변량,예측기재중국적잠재분포구,병통과전면적모형평고--전가평고,수시자공작특정(Receiver operator characteristic,ROC)곡선화곡선하방면적(Area under the curve,AUC)--래비교모형적성능.아문실현료이SVM위핵심적물충분포예측계통,병차통과시험증명기무론재계산속도환시예측효과상도원원우우당전엄범사용적규칙집합예측적유전산법(Algorithm for rule-set prediction,GARP)예측계통.