REPOZITORIJ > REZULTATI

Povzetek

Ekološke, kmetijske in biološke discipline se soočajo z vse večjimi izzivi, kot so izguba
biotske raznovrstnosti, motnje v prehranjevalnih verigah in podnebne spremembe, zato
postaja uporaba strojnega učenja za obdelavo kompleksnih in heterogenih podatkov vse
bolj pomembna. Disertacija raziskuje potencial strojnega učenja v kombinaciji z razlagalnimi
pristopi za izboljšanje raziskav v znanostih o življenju, s posebnim poudarkom
na ekologiji. Raziskava si prizadeva doprinesti k uporabi strojnega učenja na področju
spremljanja ekosistemov, ekološkega modeliranja in napovednih analiz, pri čemer poudarja
potrebo po razložljivi umetni inteligenci, da se bolje uravnoteži napovedno zmogljivost z
razložljivostjo modela.
Disertacija poudarja potencial razložljivih modelov strojnega učenja. Čeprav napredni
modeli strojnega učenja lahko zajamejo nelinearne odnose in kompleksne sisteme, je njihova
uporabnost v znanosti omejena zaradi njihove slabše razložljivosti. Delo zagovarja uporabo
metod razložljive umetne inteligence za pojasnitev notranjega delovanja teh modelov in s
tem povečuje njihovo uporabnost in sprejemljivost v znanstvenih raziskavah.
Prispevki disertacije vključujejo:
• Modeliranje pojavnosti toksičnosti školjk: Pristop razložljive umetne inteligence za
napovedovanje toksičnosti školjk zaradi škodljivega cvetenja alg v Jadranskem morju.
Z uporabo 28-letnega nabora podatkov študija poudarja pomembnost predobdelave
podatkov in dokazuje, da modeli naključnega gozda v kombinaciji z metodami razložljivosti
zagotavljajo ključne vpoglede v dinamiko morskih ekosistemov in lahko
služijo kot stroškovno učinkovit opozorilni sistem.
• Nenadzorovano strojno učenje v kmetijstvu: Uporaba gručenja za identifikacijo ovir
in spodbud za uporabo sistemov za podporo odločanja pri integriranem varstvu rastlin.
Študija je odkrila različne skupine med kmeti in svetovalci, pri čemer so bile
identificirane skupne ovire in spodbude, ki lahko usmerjajo prihodnje raziskave za
izboljšanje uporabe sistemov za podporo odločanja.
• Identifikacija in kvantifikacija fitoplanktona: Sistem računalniškega vida za avtomatizirano
identifikacijo, oceno velikosti in izračun biovolumna vrst fitoplanktona. Z
uporabo učenja s prenosom znanja sistem obdeluje vzorce učinkoviteje kot ročne metode,
kar omogoča natančnejšo analizo morskih ekosistemov. Vizualne razlage so
uporabljene za izboljšanje zaupanja in zanesljivosti rešitev strojnega učenja.
• Programska oprema BEFANA: Odprtokodno orodje za analizo omrežij in uporabe
strojnega učenja v ekoloških omrežjih. Ekologom omogoča interaktivno vizualizacijo,
kvantifikacijo topologij omrežij, preizkušanje hipotez in vključevanje eksperimentalnih
podatkov, kar obogati analizo in modeliranje dinamike ekosistemov.
Disertacija prispeva k izboljšanju uporabe metod strojnega učenja v raziskavah v znanostih
o življenju. Načela odprte in ponovljive znanosti so upoštevana z odprtim dostopom
do programske kode, podatkov in publikacij, povezanih s to raziskavo.