《Ecological Modelling》:Integration of expert knowledge with data-driven insights to develop an interpretable beekeeping suitability model
编辑推荐:
该研究旨在提升养蜂栖息地适宜性模型的可解释性,此类模型对生态系统服务与可持续发展目标具有重要意义。研究人员提出一种依托人工智能特别是专家系统构建更具可解释性模型的框架,开发了三类模型:基础扁平模糊推理系统(Flat-FIS)、优化版模型及Simpli-FIS模
该研究旨在提升养蜂栖息地适宜性模型的可解释性,此类模型对生态系统服务与可持续发展目标具有重要意义。研究人员提出一种依托人工智能特别是专家系统构建更具可解释性模型的框架,开发了三类模型:基础扁平模糊推理系统(Flat-FIS)、优化版模型及Simpli-FIS模型,采用融合天气、地形、邻近特征与景观质量的时空数据。最终Simpli-FIS模型在预测性能相当的前提下,相较Flat-FIS将均方根误差(RMSE)降低55%,且输入变量与规则数更少。研究凸显了融合专家知识与数据驱动途径对增强传粉者栖息地适宜性模型的价值。
研究背景方面,养蜂作为千年人类活动通过提供关键生态系统服务持续贡献全球生计,但养蜂适宜区位判定受众多生物与非生物因子影响,现有多标准分析(MCA)与模糊推理系统(FIS)方法常面临可解释性不足与规则爆炸问题。层级化Tree-FIS虽能处理复杂度,却因中间合成变量阻碍从原始输入到适宜性梯度的因果追溯,沦为实质黑箱。为兼顾精度与透明性,研究人员在《Ecological Modelling》发表该研究,旨在将已验证的Tree-FIS转化为以专家知识库为基础的可解释扁平结构模型。
关键技术方法上,研究人员以加拿大魁北克Jacques-Cartier与Portneuf区域县市镇为研究区,提取13个时空变量(气象、地形、土地覆盖质量指数LCQ、邻近距离),利用已验证Tree-FIS在约10000个空间点×90天蜂季气象场景中生成养蜂适宜性指数作为响应变量,构建(n×m)×(f×k)维训练集;借助FISPRO工具箱实施三阶段:定义Flat-FIS并基于数据洞察自动调整论域(UoD),采用Glorennec局部搜索算法优化输入输出隶属度函数与规则结论,继而通过变量选择与规则归并(相似前提合并为不完全规则)得到Simpli-FIS。
研究结果部分,引言指出FIS可解释性分低层(隶属函数优化)与高层(规则精简)两级,此前研究缺乏将专家知识与数据驱动融合的系统简化路径。上下文与方法论章节说明研究继承Kamga等(2024)的Tree-FIS架构,但将其展开为直接映射原始变量的Flat-FIS以避免中间变量黑箱化。材料与方法章节确立13输入变量体系与Tree-FIS模拟标签生成策略,数据集经75%训练与25%测试切分。模糊模型设计、优化与简化章节中,Flat-FIS以三角与梯形隶属函数设5级输出(VLS至HS),初拟规则由文献与养蜂问卷构建;优化后模型(Opt-FIS)调整论域与结论参数;Simpli-FIS进一步删减冗余变量与合并同构规则。结果显示Simpli-FIS在测试集RMSE较Flat-FIS降55%,输入由13维降至更少,规则数显著压缩,预测相关性保持相当。讨论部分强调结构可解释性(低层)与语义可解释性(高层)双轨达成,FISPRO实现专家语言项与数据分布的对齐;结论翻译为:融合专家知识与数据驱动洞察所开发的Simpli-FIS,在减少输入变量与规则规模的同时维持预测效能,将RMSE降低55%,为传粉者栖息地适宜性建模提供兼具透明性与迁移性的白盒方案,证明层级模糊系统可经扁平化与规则归并重构为可解读决策工具。