生態文化ニッチモデリングによる	
  
遺物分布推定	
  
Eco-­‐cultural	
  niche	
  modelling
近 藤 康 久	
  
東京工業大学大学院情報理工学研究科	
  
日本学術振興会特別研究員(PD)	
  ...
生態ニッチモデリング	
  
Ecological	
  niche	
  modelling
ニッチ	
  (niche)	
  とは	
  
•  日本語では「生態的地位」	
  
•  “The	
  environmental	
  
...
ニッチの定義に2流派あり	
  
Grinnellian	
  niche	
  vs.	
  Eltonian	
  niche
•  Grinnellian	
  niche	
  (Grinnell	
  1917)	
  
Concep...
生態ニッチモデリングの定義	
  
Defini@on	
  of	
  ecological	
  niche	
  modelling	
  (ECNM)
“Es@ma@on	
  of	
  the	
  different	
  niche...
入力変数:位置情報と環境情報	
  
Model	
  inputs:	
  occurrence	
  and	
  environmental	
  data
生物の位置	
  
Occurrence	
  [x,	
  y]
生態ニッチモ...
ヒメゴジュウカラの生態ニッチ	
  
Si#a	
  pygmaea	
  predic@ons	
  in	
  North	
  America
6
生態ニッチモデリングの二大アルゴリズム
Two	
  major	
  algorithms	
  of	
  ecological	
  niche	
  modelling
GARP	
 MaxEnt	
遺伝的	
  
アルゴリズム
アルゴ...
遺伝的アルゴリズム法	
  
Gene@c	
  Algorithm	
  for	
  Rule-­‐Set	
  Produc@on	
  
•  “A	
  machine-­‐learning	
  gene@c	
  algorith...
遺伝的アルゴリズムの実際	
  
Stockwell	
  1999	
  in	
  Machine	
  Learning	
  Methods	
  for	
  Ecological	
  Applica9ons
1.  Start	
...
GARP	
  parameter	
  seings
•  1000	
  replicate	
  runs	
  
•  0.01	
  convergence	
  limit	
  
•  80%	
  for	
  training...
最大エントロピー法
Maximum	
  Entropy	
  (Jaynes	
  1957)	
  
The	
  best	
  approxima@on	
  is	
  to	
  ensure	
  that:	
  
1.  Th...
最大エントロピー原理	
  
Principle	
  of	
  maximum	
  entropy
12
H( ˆπ) = − ˆπ(x)ln ˆπ(x)
x∈X
∑
a	
  finite	
  set	
  of	
  points	
...
最大エントロピーの推定	
  
Maximum	
  Entropy	
  approxima@on	
  (Phillips	
  et	
  al.	
  2006:	
  236)
•  Formalize the constraints...
最大エントロピーの推定	
  
Maximum	
  Entropy	
  approxima@on	
  (Phillips	
  et	
  al.	
  2006:	
  236)
•  π [fj] can be approximate...
最大エントロピーの推定	
  
Maximum	
  Entropy	
  approxima@on	
  (Phillips	
  et	
  al.	
  2006:	
  236)
•  has an alternative charac...
最大エントロピーの推定	
  
Maximum	
  Entropy	
  approxima@on	
  (Phillips	
  et	
  al.	
  2006:	
  236)
•  Equivalently, qλ minimize...
最大エントロピーの推定	
  
Maximum	
  Entropy	
  approxima@on	
  (Phillips	
  et	
  al.	
  2006:	
  236)
•  The Maxent distribution c...
環境変数 f の調整法は5通り	
  
Five	
  feature	
  types	
  
1.  Linear feature
2.  Quadratic feature
3.  Product feature [for two var...
MaxEnt	
  parameter	
  seings
19hfp://www.cs.princeton.edu/~schapire/maxent/
生態文化ニッチモデリング	
  
Eco-­‐cultural	
  niche	
  modelling	
  (ECNM):	
  an	
  applica@on	
  to	
  human
•  過去の人類の生活が自然環境の影響を大き...
入力変数:遺跡情報と古環境情報	
  
Model	
  inputs:	
  archaeological	
  and	
  palaeoenvironmental	
  data
遺跡の位置	
  
archaeological	
  s...
交替劇のECNMは仏チームが先行	
  
Preceding	
  studies	
  by	
  Banks	
  et	
  al.	
  (2008b,	
  2013)
22
Humaneclimate interaction dur...
Banks	
  et	
  al.	
  2008:	
  Neanderthal	
  ex@nc@on	
  
by	
  compe@@ve	
  exclusion
23
Predic@ng	
  the	
  habitat	
  ...
Archaeological	
  data:	
  Pre-­‐H4
24
Archaeological	
  data:	
  H4
25
Archaeological	
  data:	
  GI8
26
Palaeoenvironmental	
  variables
27
•  Landscape	
  aspects	
  (slope,	
  aspect,	
  and	
  topographic	
  
index)	
  from...
Palaeoenvironmental	
  variables
28
Warmest	
  month	
  temperature	
 Coldest	
  month	
  temperature	
Mean	
  annual	
  p...
Results:	
  Neanderthal	
  vs.	
  AMH
29
Pre-­‐H4	
  (43.3	
  –	
  40.2	
  ka)	
hfp://dx.doi.org/10.1371/journal.pone.0003...
Results:	
  Neanderthal	
  vs.	
  AMH
30
H4	
  (40.2	
  –	
  38.6	
  ka)	
hfp://dx.doi.org/10.1371/journal.pone.0003972
Results:	
  Neanderthal	
  vs.	
  AMH
31
GI8	
  (38.6	
  –	
  36.5	
  ka)	
hfp://dx.doi.org/10.1371/journal.pone.0003972
Counterfactual	
  results	
  for	
  Neanderthals
32
If	
  the	
  Neanderthals	
  survived	
  as	
  they	
  
did	
  during	...
まとめ:生態文化ニッチモデリングの特徴	
  
ECNM:	
  Data-­‐driven	
  simula@on	
  of	
  the	
  human	
  past
•  データ駆動型のシミュレーション	
  
•  遺跡の分布の...
Upcoming SlideShare
Loading in...5
×

生態文化ニッチモデリングによる分布推定

1,161

Published on

科研費新学術領域「ネアンデルタールとサピエンス交替劇の真相」プロジェクトB01・B02班合同研究会発表スライドの一部

Published in: Technology, Education
0 Comments
6 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total Views
1,161
On Slideshare
0
From Embeds
0
Number of Embeds
2
Actions
Shares
0
Downloads
8
Comments
0
Likes
6
Embeds 0
No embeds

No notes for slide

生態文化ニッチモデリングによる分布推定

  1. 1. 生態文化ニッチモデリングによる   遺物分布推定   Eco-­‐cultural  niche  modelling 近 藤 康 久   東京工業大学大学院情報理工学研究科   日本学術振興会特別研究員(PD)   総括班/A01班/B02班研究協力者   kondo@archaeo.cs.@tech.ac.jp   1 交替劇B01/B02合同班会議   2013.7.22  明治大学中野キャンパス 遺跡と間違え ましたが...
  2. 2. 生態ニッチモデリング   Ecological  niche  modelling ニッチ  (niche)  とは   •  日本語では「生態的地位」   •  “The  environmental   requirements  (bio@c  or  abio@c)   that  need  to  be  fulfilled  for  a   popula@on  to  survive”   (Peterson  et  al.  2011:  276)   •  生息場所(空間)   •  資源利用パターン   2 Peterson  et  al.  2011   ISNN:  978-­‐0-­‐691-­‐13688-­‐2
  3. 3. ニッチの定義に2流派あり   Grinnellian  niche  vs.  Eltonian  niche •  Grinnellian  niche  (Grinnell  1917)   Concept  defined  on  the  basis  of  environmental  space  of   scenopoe@c  (noninterac@ng  and  nonlinking)  environmental   variables  and  focused  on  geographic  scales  and   requirements.   •  Eltonian  niche  (Elton  1927)   Concept  defined  at  small  spa@al  extents  at  which   experimental  manipula@ons  are  feasible,  emphasizing  the   func@onal  role  of  species  in  communi@es,  and  including   models  of  resource  consump@on  and  impacts.   (Peterson  et  al.  2011:  272–273)   3ISBN:  978-­‐0-­‐691-­‐13688-­‐2
  4. 4. 生態ニッチモデリングの定義   Defini@on  of  ecological  niche  modelling  (ECNM) “Es@ma@on  of  the  different  niches  (fundamental,   exis@ng,  poten@al,  occupied),  par@cularly  those  defined   using  scenopoe@c  [=noninterac@ng  and  nonlinking]   condi@ons.  In  prac@ce,  carried  out  via  es@ma@on  of   abio@cally  suitable  condi@ons  from  observa@ons  of  the   presence  of  a  species.”  (Peterson  et  al.  2011:  271)   →既知の生息地と環境情報から,機械学習によっ て生物種のニッチを推定する手法 4ISBN:  978-­‐0-­‐691-­‐13688-­‐2
  5. 5. 入力変数:位置情報と環境情報   Model  inputs:  occurrence  and  environmental  data 生物の位置   Occurrence  [x,  y] 生態ニッチモデリング   Ecological  niche  modelling 生物群系(植生)   Biome 気候指標(気温&降水量)   Clima@c  indices   標高由来の地形指標   DEM-­‐based  topological  indices 5
  6. 6. ヒメゴジュウカラの生態ニッチ   Si#a  pygmaea  predic@ons  in  North  America 6
  7. 7. 生態ニッチモデリングの二大アルゴリズム Two  major  algorithms  of  ecological  niche  modelling GARP MaxEnt 遺伝的   アルゴリズム アルゴリズム   algorithm 最大エントロピー モデル 在のみ   presence-­‐only サンプリング   sampling 在のみ   presence-­‐only 二値  [0,  1]   binary 出力   output 連続的  [0...1]   con@nuous 強い   calibrated バイアス補正   biased  data 弱い   biased 7どちらもオープンソースのソフトウェアを入手可能  
  8. 8. 遺伝的アルゴリズム法   Gene@c  Algorithm  for  Rule-­‐Set  Produc@on   •  “A  machine-­‐learning  gene@c  algorithm  originally   developed  for  determining  the  ecological  niches  of   plant  and  animal  species”   (Stockwell  &  Peters  1999)     •  Desktop  GARP  (open  source  soeware  package)   hfp://www.nhm.ku.edu/desktopgarp/   •  Also  included  in  OpenModeller   hfp://openmodeller.sourceforge.net   8
  9. 9. 遺伝的アルゴリズムの実際   Stockwell  1999  in  Machine  Learning  Methods  for  Ecological  Applica9ons 1.  Start  at  ini@al  @me  t  =  0   2.  Ini@alize  a  (usually  random)  popula@on  of  individuals  P(t)   3.  Evaluate  the  fitness  of  all  individuals   4.  Test  for  termina@on  criteria,  while  not  done  do:   5.  Increase  @me  counter   6.  Create  a  new  set  of  individuals  P’(t)   7.  Recombine  the  “genes”  of  selected  individuals   using  heuris@c  operators   8.  Evaluate  new  fitness  of  the  popula@on  P’(t)   9.  Select  the  survivors   10. Go  to  4 9ISBN:  978-­‐0-­‐412-­‐84190-­‐3
  10. 10. GARP  parameter  seings •  1000  replicate  runs   •  0.01  convergence  limit   •  80%  for  training   •  Hard,  0%  omission  error  (i.e.,   failure  to  predict  a  known   presence)   •  50%  commission  error  (i.e.,   areas  of  absence  that  are   incorrectly  predicted  present)   •  10  final  “best-­‐subset”  models   for  each  complex   10hfp://www.nhm.ku.edu/desktopgarp/  
  11. 11. 最大エントロピー法 Maximum  Entropy  (Jaynes  1957)   The  best  approxima@on  is  to  ensure  that:   1.  The  approxima@on  sa@sfies  any  constraints  on   the  unknown  distribu@on  that  we  are  aware  of;   2.  Subject  to  those  constraints,  the  distribu@on   should  have  maximum  entropy   11 Phillips  et  al.  2006 hfp://dx.doi.org/10.1016/j.ecolmodel.2005.03.026
  12. 12. 最大エントロピー原理   Principle  of  maximum  entropy 12 H( ˆπ) = − ˆπ(x)ln ˆπ(x) x∈X ∑ a  finite  set  of  points approxima@on  of  π   (unknown  probability   distribu@on)  to  point  x   entropy   hfp://dx.doi.org/10.1016/j.ecolmodel.2005.03.026
  13. 13. 最大エントロピーの推定   Maximum  Entropy  approxima@on  (Phillips  et  al.  2006:  236) •  Formalize the constraints on the unknown probability distribution π. •  Assume a set of known real-valued functions f1 … fn on X, known as “features” [=environmental variables]. •  Assume that the information we know about is characterized by the expectations (averages) of the features under π. •  Each feature fj assigns a real value fj(x) to each point x in X. •  The expectation of the feature fj under π is 13 π fj !" #$= π(x) fj (x) x∈X ∑ (1) hfp://dx.doi.org/10.1016/j.ecolmodel.2005.03.026
  14. 14. 最大エントロピーの推定   Maximum  Entropy  approxima@on  (Phillips  et  al.  2006:  236) •  π [fj] can be approximated using a set of sample points x1 … xm drawn independently from X. •  The empirical average of fj is 14 π fj !" #$= 1 m fj (xi ) i=1 m ∑ (2) an estimate of π [fj] •  By the maximum entropy principle, seek the probability distribution of subject to the constraint that each has the same mean under as observed empirically: ˆπ ˆπ ˆπ fj !" #$= π fj !" #$ for each feature fj (3) hfp://dx.doi.org/10.1016/j.ecolmodel.2005.03.026
  15. 15. 最大エントロピーの推定   Maximum  Entropy  approxima@on  (Phillips  et  al.  2006:  236) •  has an alternative characterization. •  Convex duality (Delle Pietra et al. 1997) shows that is exactly equal to the Gibbs probability distribution qλ that maximizes the likelihood of the m sample points: 15 qλ (x) = eλ⋅f (x) Zλ (4) where •  λ is a vector of n real-valued coefficients (feature weights). •  f denotes the vector of all n features. •  Zλ is a normalizing constant to ensure qλ sums to 1. ˆπ ˆπ hfp://dx.doi.org/10.1016/j.ecolmodel.2005.03.026
  16. 16. 最大エントロピーの推定   Maximum  Entropy  approxima@on  (Phillips  et  al.  2006:  236) •  Equivalently, qλ minimizes the negative log likelihood of the sample points (“log loss”) 16 π[−ln(qλ )]= lnZλ − 1 m λ ⋅ f (xi ) i=1 m ∑ (5) •  Maxent tends to over-fit the training data. •  Therefore, the means under should be close to their empirical values by relaxing the constraint in (3) ˆπ ˆπ fj !" #$− π fj !" #$ ≤ βj for each feature fj (6) for some constants βj. hfp://dx.doi.org/10.1016/j.ecolmodel.2005.03.026
  17. 17. 最大エントロピーの推定   Maximum  Entropy  approxima@on  (Phillips  et  al.  2006:  236) •  The Maxent distribution can now be shown to be the Gibbs distribution that minimizes 17 π[−ln(qλ )]+ βj λj j ∑ (7) where •  The first term is the log loss (5) •  The second term penalizes the use of large values for the weights λj. hfp://dx.doi.org/10.1016/j.ecolmodel.2005.03.026
  18. 18. 環境変数 f の調整法は5通り   Five  feature  types   1.  Linear feature 2.  Quadratic feature 3.  Product feature [for two variables] 4.  Threshold feature [not used] 5.  Binary feature [for categorical values v1 … vk] ith feature is 1 wherever the variable equals vi, otherwise 0. 18 ˆπ[ f ] ˆπ[ f 2 ]− ˆπ[ f ]2 ˆπ[ fg]− ˆπ[ f ] ˆπ[g] 1 0 ! " # if above a given threshold hfp://dx.doi.org/10.1016/j.ecolmodel.2005.03.026
  19. 19. MaxEnt  parameter  seings 19hfp://www.cs.princeton.edu/~schapire/maxent/
  20. 20. 生態文化ニッチモデリング   Eco-­‐cultural  niche  modelling  (ECNM):  an  applica@on  to  human •  過去の人類の生活が自然環境の影響を大きく   受けたという前提に立てば,先史人類にも   生態ニッチモデリングを適用できる。   •  人類は自然環境に対して他の生物とは異なる   ふるまいをする。   •  自然環境を克服するために,技術を容易に進化させる   •  自然環境を改変する(農耕,家畜化,森林伐採etc.)   →  生態ニッチをみずから変える能力をもっている   →  これこそが 文化  (culture)  の発現   20
  21. 21. 入力変数:遺跡情報と古環境情報   Model  inputs:  archaeological  and  palaeoenvironmental  data 遺跡の位置   archaeological  sites  [x,  y] 生態文化ニッチモデリング   Eco-­‐cultural  niche  modelling 生物群系(植生)   biome 古気候指標(気温&降水量)   palaeoclima@c  indices   標高由来の地形指標   DEM-­‐based  topological  indices 21
  22. 22. 交替劇のECNMは仏チームが先行   Preceding  studies  by  Banks  et  al.  (2008b,  2013) 22 Humaneclimate interaction during the Early Upper Paleolithic: testing the hypothesis of an adaptive shift between the Proto-Aurignacian and the Early Aurignacian William E. Banks a,b,*, Francesco d’Errico a,c , João Zilhão d a CNRS, UMR 5199-PACEA, Université Bordeaux 1, Bâtiment B18, Avenue des Facultés, 33405 Talence, France b Biodiversity Institute, University of Kansas, 1345 Jayhawk Blvd, Dyche Hall, Lawrence, KS 66045-7562, USA c Department of Archaeology, History, Cultural Studies and Religion, University of Bergen, Øysteinsgate 3, 5007 Bergen, Norway d University of Barcelona, Faculty of Geography and History, Department of Prehistory, Ancient History, and Archaeology, C/Montalegre 6, 08001 Barcelona, Spain a r t i c l e i n f o a b s t r a c t Contents lists available at SciVerse ScienceDirect Journal of Human Evolution journal homepage: www.elsevier.com/locate/jhevol Journal of Human Evolution 64 (2013) 39e55 PLoS  ONE  3/2:  e3972 64:  39-­‐55
  23. 23. Banks  et  al.  2008:  Neanderthal  ex@nc@on   by  compe@@ve  exclusion 23 Predic@ng  the  habitat  of  hunter-­‐gatherers   •  Who?  …Neanderthals  vs.  AMHs   •  Where?  …  Europe   •  When?  …  Three  sub-­‐stages  in  MIS  3     •  How?  …  ECNM  by  GARP   Pre-­‐Heinrich  event  4   (Pre-­‐H4) Heinrich  event  4   (H4) Greenland  Interstadial  8   (GI8) 43.3  –  40.2  ka 40.2  –  38.6  ka 38.6  –  36.5  ka hfp://dx.doi.org/10.1371/journal.pone.0003972
  24. 24. Archaeological  data:  Pre-­‐H4 24
  25. 25. Archaeological  data:  H4 25
  26. 26. Archaeological  data:  GI8 26
  27. 27. Palaeoenvironmental  variables 27 •  Landscape  aspects  (slope,  aspect,  and  topographic   index)  from  Hydro-­‐1K  (USGS)   •  Clima@c  simula@on  by  LMDZ3.3  Atmospheric  Gerenal   Circula@on  Model  (50km  final  resolu@on)   •  Ice-­‐sheet:  ICE-­‐4G  reconstruc@ons  for  14  kyr  BP  (Pel@er  1994)   •  SSTs  for  the  three  sub-­‐stages   •  GARP-­‐based  simula@ons  of   –  The  coldest  month/warmest  month/annual  temperature   –  Precipita@on   •  GARP  parameters  are  the  same  as  the  previous  study   hfp://dx.doi.org/10.1371/journal.pone.0003972
  28. 28. Palaeoenvironmental  variables 28 Warmest  month  temperature Coldest  month  temperature Mean  annual  precipita@on  (mm  x100) Mean  annual  temperature hfp://dx.doi.org/10.1371/journal.pone.0003972
  29. 29. Results:  Neanderthal  vs.  AMH 29 Pre-­‐H4  (43.3  –  40.2  ka) hfp://dx.doi.org/10.1371/journal.pone.0003972
  30. 30. Results:  Neanderthal  vs.  AMH 30 H4  (40.2  –  38.6  ka) hfp://dx.doi.org/10.1371/journal.pone.0003972
  31. 31. Results:  Neanderthal  vs.  AMH 31 GI8  (38.6  –  36.5  ka) hfp://dx.doi.org/10.1371/journal.pone.0003972
  32. 32. Counterfactual  results  for  Neanderthals 32 If  the  Neanderthals  survived  as  they   did  during  H4  in  the  GI8  clima@c   condi@ons,  their  niche  would  have   been  like  this…   hfp://dx.doi.org/10.1371/journal.pone.0003972
  33. 33. まとめ:生態文化ニッチモデリングの特徴   ECNM:  Data-­‐driven  simula@on  of  the  human  past •  データ駆動型のシミュレーション   •  遺跡の分布のバイアスを低減できる。むしろ, バイアスも教師データとして分布予測に活用で きる。   •  各環境変数の寄与度が評価尺度として重要。   •  静態的な分布を予測するツールなので,時系列 のような動態分析には不向き。   •  人類進化の「なぜ」「どのように」に直接答え るものではないが,問題発見のためのツールと 位置づけることができる。   33
  1. A particular slide catching your eye?

    Clipping is a handy way to collect important slides you want to go back to later.

×