Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.



Published on


Published in: Technology, Education
  • Be the first to comment


  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   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://   •  Also  included  in  OpenModeller   hfp://   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://  
  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://
  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://
  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 !" #$= π(x) fj (x) x∈X ∑ (1) hfp://
  14. 14. 最大エントロピーの推定   Maximum  Entropy  approxima@on  (Phillips  et  al.  2006:  236) •  π [fj] can be approximated using a set of sample points x1 … xm drawn independently from X. •  The empirical average of fj is 14 π fj !" #$= 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://
  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://
  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://
  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://
  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://
  19. 19. MaxEnt  parameter  seings 19hfp://
  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: 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://
  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://
  28. 28. Palaeoenvironmental  variables 28 Warmest  month  temperature Coldest  month  temperature Mean  annual  precipita@on  (mm  x100) Mean  annual  temperature hfp://
  29. 29. Results:  Neanderthal  vs.  AMH 29 Pre-­‐H4  (43.3  –  40.2  ka) hfp://
  30. 30. Results:  Neanderthal  vs.  AMH 30 H4  (40.2  –  38.6  ka) hfp://
  31. 31. Results:  Neanderthal  vs.  AMH 31 GI8  (38.6  –  36.5  ka) hfp://
  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://
  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