Yazar: Beren Su Girice
Dünyamızda yaşanan nüfus artışı, canlıların soyunun tükenmesi, doğal afetler, iklim değişikliği, küresel ısınma gibi olaylar insanoğlunun çevreyi gözlemlemesini, yaşanması olası durumları tahmin etmesini gitgide zorlaşıyor. Ekosistem modellemesi zorlukların üstesinden gelmemize yarayan yeni bir teknolojidir. Yapay zeka ve makine öğreniminin ekosistem modellemesine olan katkılarından önce ekosistem modellemesinin ne olduğu incelenecektir.
Ekosistem Modellemesi
Ekosistem modellerinde amaçlanan şey biyotik ve abiyotik bileşenlerin arasındaki ilişkiyi bulup bu ilişkiyi anlamak ve yorumlamaktır. Bu sistemler, modeli yapılan ekosistemde yaşanması mümkün olaylar neticesinde neler olacağının anlaşılmasına yardımcı olur. Bunun yanı sıra doğal ortamlarda yapılması etiğe uymayan veya çok maliyetli olan deneyler bu yöntem aracılığıyla hızlıca yapılıp sonuçları gözlemlenebilir (Woodstock, M. S. vd., 2022).
Ekosistem modellemeleri, analitik modeller ve simülasyon hesaplamalı modeller olarak ikiye ayrılır. Analitik modellemeler basit matematiksel denklemlere dayanır. Bu modeller genelde az sayıda değişkeni ele alıp karışık olmayan sonuçlar ortaya çıkarır. Simülasyon hesaplamalı modeller ise karmaşık ekosistemleri anlamak konusunda daha başarılıdır. Daha fazla değişkeni ele alarak daha kapsamlı ve gerçekçi sonuçların ortaya çıkmasını sağlayan bir yöntemdir. Analitik modellemeden daha zahmetli bir yöntem olmasına karşın daha gerçekçi sonuçlar elde edildiği için simülasyon hesaplamalı modellemer daha çok tercih edilir.
Figür 1: Somon stoklamaya dair ekosistem modellemesi örneği (academic.oup.com, 2000)
Bir sonraki bölümde yapay zeka ve makine öğreniminin ekosistem modellemesine olan katkılarını incelenecektir.
Yapay Zeka ve Makine Öğreniminin Ekosistem Modellemesindeki Rolü
Ekosistem modellemelerinde gerçeklik ve geçerliliği yakalamak ciddi bir sorundur. Bu sorunun sebebi ise birçok farklı değişkenin, özel durumun ve hesaplanması zor etkenlerin varlığıdır. Bu etkenler gerçekçiliği yakalamayı bir hayli zor kılar. Fakat yapay zeka ve makine öğreniminin kullanımı bu noktada sorunların çözümü için kullanılır. (Recknagel, F., 2001)
Yapay zeka ve makine öğreniminin kullanımı karmaşık verileri olabilecek en hızlı şekilde sentezleyebilir, çözümleyebilir ve yorumlayabilir. Ekosistemlerin arasındaki ilişki çoğunlukla doğrusal değildir ve makine öğrenimi bu ilişkileri modelleyebilir. Anlaşılabilirliği arttırmakta önemli bir rol oynar. Aynı zamanda yapay zeka yardımıyla geçmiş verilerden yararlanılıp gelecek için daha geniş kapsamlı tahminlerde bulunulabilir, bu doğrultuda önlemler alınılabilir.
Yapay zeka ve makine öğrenimi tabanlı algoritmalar ve araçlar vardır, bu yazıda bunlardan iki tanesi ele alınacaktır.
1. Rastgele Orman Algoritması
Random Forest (Rastgele Orman) algoritması; birden çok karar ağacı üzerinden her bir karar ağacını farklı bir gözlem örneği üzerinde eğiterek çeşitli modeller üretip, sınıflandırma oluşturmanızı sağlamaktadır (Öztürk, M., 2022). Bu algoritma, kullanım kolaylığı ve esnekliği sayesinde regresyon ve sınıflandırma problemlerini çözmeyi sağlar.
Karar ağaçları temel bir sorudan oluşur ardından bu sorulara bağlı olarak yeni sorular eklenebilir. Program uygun olan seçeneklerde evet dalını izlerken uygun olmayan seçeneklerde alternatiflere başvurur ve bunun sonucunda bir karara varır. Rastgele orman algoritması ise bu karar ağaçlarından oluşan bir bütündür, esneklik sağlar ve verilerdeki tüm olabilecek değişkenleri hesaba katarak daha doğru tahminlere ulaşılmasını mümkün kılar (IBM,2024).
Rastgele orman algoritmasının avantajlarının yanı sıra bir takım dezavantajları vardır. Algoritma sayısız veriyi işlediği için daha fazla zamana ve yeterli kaynaklara ihtiyaç duyar. Bunun yanı sıra bir rastgele orman algoritmasını yorumlamak yalnız bir karar ağacını yorumlamaktan daha zor ve karmaşıktır (IBM, 2024).
Sonuç olarak rastgele orman algoritması ekosistem modellemesine çok katkı sağlayan bir araçtır. Ekosistem modellemelerinde hesaba katılması gereken birçok değişkeni ele alarak karmaşık verileri çözümleyebilir ve gerçekçi tahminlerde bulunabilir, çok değişkenli ekosistemlerin açıklanmasına yardımcı olabilir.
Figür 2: (ibm.com, 2024)
Rastgele Orman Algoritması (Random Forest Algoritm) hakkında bir örnek
2. Destek Vektör Makineleri
Destek vektör makineleri (support vector machines) genellikle sınıflandırma problemlerinde kullanılan bir yöntemdir. Bir düzlem üzerindeki noktaları ayırmak amacıyla bir çizgi çizer, bu çizgi iki grubun noktalarına da maksimum uzaklıkta olmayı amaçlar (AKCA, M., F., 2020).
Marj (margin) iki sınıf arasındaki veri noktalarının birbirine olan mesafesidir, bu mesafe arttıkça sınıflar birbirinden o kadar iyi ayrışır (AKCA, M., F., 2020). Marjı hesaplamak için sert marj ve yumuşak marj adı verilen iki farklı yola başvurulur. Sert marj aykırı değerlere karşı duyarlıdır, veri noktalarını mükemmel denecek şekilde ayırır fakat yumuşak marj biraz daha esnektir, birkaç yanlış sınıflandırılmış veriye izin verir (IBM, 2023).
3. Kernel Trick
Destek vektör sistemlerinde, doğrusal olmayan verileri sınıflandırmak için kernel trick yöntemlerini kullanabiliriz, elimizdeki verileri kernel fonksiyonlarıyla çarparak daha geniş bir kullanım alanı sağlayabiliriz, bu yazıda popüler yöntemlerden bir tanesine değinilecektir (IBM, 2023).
4. Polynomial Kernel
Bu yöntemde veri grupları üç boyutlu bir düzlemdeymiş gibi düzenleniyor. Bir doğru ile ortadan ayrılamayan veriler bir düzlem ile ayrılıyor ve bu şekilde veriler düzgün bir şekilde sınıflandırılmış oluyor (AKCA, M., F., 2020).
Destek vektör makinelerinin de bir takım dezavantajları vardır, kernel seçimi önemlidir ve yanlış kernel seçimi durumunda sonuç etkilenebilir. Bunun yanı sıra program daha çok iki sınıf üzerinde çalışması yönünde tasarlanmıştır, sınıf yani veri grubu sayısı arttıkça işlem süresi artacak ve sonuç olarak çıkan model daha karmaşık olacaktır. Bunların haricinde destek vektör makineleri sınıflandırma problemleri için güzel bir çözüm olduğundan ve ekosistem modellemesinde biyoçeşitliliğin korunması, ani değişimlerin kolayca gözlemlenmesi için kullanılabileceğinden oldukça yararlıdır.
Sonuç
Sonuç olarak yapay zeka ve makine öğreniminin ekosistem modellemeye büyük katkılarının olduğu aşikar. Ekosistem modellemesi çevreyi korumak ve bu yönde önlemler almak için kullanılan önemli bir araçtır. Biyoçeşitliliğin korunması, yaşanabilecek iklim krizlerine, doğal afetlere ve dahasına önlem alınması gibi konularda şimdi olduğu gibi gelecekte de fayda sağlayacaktır. Zaman içerisinde gelişen teknolojiyle birlikte daha yenilikçi yaklaşımlar sağlanabilir, yeni algoritmalarla birlikte daha etkili çözümler sağlanabilir.
Referanslar
Woodstock, M., S., Zhang, Y., (2022), Towards ecosystem modeling in the deep sea: A review of past efforts and primer for the future, ScienceDirect, Towards ecosystem modeling in the deep sea: A review of past efforts and primer for the future - ScienceDirect
Recknagel, F., (2001), Applications of machine learning to ecological modelling, ScienceDirect, Applications of machine learning to ecological modelling - ScienceDirect
Öztürk, M., (2022), Phyton ile Sınıflandırma Analizleri Rastgele Orman Algoritması, Mirac Ozturk,
Python ile Sınıflandırma Analizleri – Rastgele Orman (Random Forest) Algoritması – Miraç ÖZTÜRK (miracozturk.com)
What is random forest?, IBM, (2024.08.29), What Is Random Forest? | IBM
Akca, M., F., (2020), Nedir Bu Destek Vektör Makineleri? (Makine Öğrenmesi Serisi-2), Medium, Nedir Bu Destek Vektör Makineleri? (Makine Öğrenmesi Serisi-2) | by Mehmet Fatih AKCA | Deep Learning Türkiye | Medium
What are support vector machines (SVMs)?, (2023), IBM, What Is Support Vector Machine? | IBM
Jackson, L., J., Trebitz, A., S., Cottingham, K., L., (2000), An Introduction to the Practice of Ecological Modeling, Oxford Academic, Introduction to the Practice of Ecological Modeling | BioScience | Oxford Academic (oup.com)
Commenti