文献

J-GLOBAL ID：201702225274649720   整理番号：17A1435799

個々の形質と機械学習技術を用いたReynolds植物プランクトン機能群の分類【Powered by NICT】

Classification of Reynolds phytoplankton functional groups using individual traits and machine learning techniques

著者 (9件)： Kruk Carla (Seccion Limnologia, Facultad de Ciencias, Universidad de la Republica, Montevideo, Uruguay) ,  Kruk Carla (Ecologia Funcional de Sistemas Acuaticos, Centro Universitario Region Este - Rocha, Universidad de la Republica, Rocha, Uruguay) ,  Devercelli Melina (Instituto Nacional de Limnologia, Universidad Nacional del Litoral, Consejo Nacional de Investigaciones Cientificas y Tecnicas (INALI, UNL, CONICET), Santa Fe, Argentina) ,  Huszar Vera L. M. (Laboratorio de Ficologia, Museu Nacional, Universidade Federal do Rio de Janeiro, Rio de Janeiro, Brazil) ,  Hernandez Esnedy (Grupo GAIA, Escuela de Medio Ambiente, Facultad de Ingenieria, Universidad de Antioquia, Medellin, Colombia) ,  Beamud Guadalupe (Instituto de Biodiversidad y Medio Ambiente, Consejo Nacional de Investigaciones Cientificas y Tecnicas - Universidad Nacional del Comahue, San Carlos de Bariloche, Argentina) ,  Diaz Monica (Instituto de Biodiversidad y Medio Ambiente, Consejo Nacional de Investigaciones Cientificas y Tecnicas - Universidad Nacional del Comahue, San Carlos de Bariloche, Argentina) ,  Silva Lucia H. S. (Laboratorio de Ficologia, Museu Nacional, Universidade Federal do Rio de Janeiro, Rio de Janeiro, Brazil) ,  Segura Angel M. (Modelizacion y Analisis de Recursos Naturales, Centro Universitario Region Este - Rocha, Universidad de la Republica, Rocha, Uruguay)
資料名： Freshwater Biology  (Freshwater Biology)
巻： 62  号： 10  ページ： 1681-1692  発行年： 2017年 
JST資料番号： B0030C  ISSN： 0046-5070  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： Reynolds官能基(RFG)分類スキームは,淡水植物プランクトンの生態学的研究における有益で広く使用されている方法である。類似特性だけでなく,一般的な環境感度と公差を持つクラスタ種。しかし,専門家の意見,分類学的知識と環境情報,常に酸化されないに依存しているために研究者は種を分類RFGに困難に直面している。前進は,種を分類RFGに一般的な統計モデルを構築することである。環境条件への生物の応答は,それらの機能的形質,RFGに代表されるを決定するという仮説の下で,広い分類群への形態と分類は環境情報と専門家の知識から独立してRFGを説明することを予測した。RFGの判別変数として形態学的形質(例えば体積)と分類学上の位置(例えばchroococcalシアノバクテリア)の予測能力を評価するために,1,300種(264水域)を収集し,ランダムフォレスト(RF)及び分類と回帰ツリー(CART)を適用した。モデルを訓練し,その性能を試験するために,データを分けた。RFは,84.6(範囲=33%~ 100%)の平均個々のRFG成功率で28RFG(c.10%試験誤差)に種を分類した。これは生態学的観点からの成功の比較的高い割合である。選択した変数であるRFGを再構成と環境選択性を良く表現できることを示唆し,分類器として局所環境条件に関する情報を用いていなかった。著者らの結果は,RFGの機能的基盤を強化し,環境条件に対する植物プランクトン応答の良好な代理として,形態学的特性と分類学的分類の両方を支持した。CARTに基づく二分式検索表を構築し,種を分類RFGにRコードは自由に利用できる。本研究では,ユーザがRFGに種を分類し,以前にReynolds分類システムにおけるリストされていなかったものを含むのに役立つ可能性がある。Copyright 2017 Wiley Publishing Japan K.K. All Rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 再構成 ,  形態 ,  淡水 ,  統計模型 ,  *プランクトン ,  藍藻類 ,  モルフォロジー ,  *植物プランクトン ,  生態学
準シソーラス用語： CART ,  分類群 ,  環境条件 ,  環境情報 ,  分類学 ,  淡水植物 , 【Automatic Indexing@JST】

著者キーワード (5件)： 分類と回帰木 ,  淡水生態系 ,  形態学的形質 ,  ランダムフォレスト ,  分類学的分類

分類 (5件)： 研究開発  (SA01040R) ,  災害・防災一般  (RA02010Q) ,  視覚  (EJ13020B) ,  科学技術政策・制度・組織  (MA01020P) ,  植物生態学  (EE02000E)

タイトルに関連する用語 (4件)： 形質 ,  機械学習技術 ,  植物プランクトン ,  分類