GARP
Genetic Algorithm
for Rule-set Production
Sob o ponto de vista
computacional
Modelagem de Espécies
Temperatura
Ecologia
Modelo do Nicho Ecológico
Precipitação
Geografia
Algoritmo
Projeção sobre
Projeção outra região
sobre clima
alterado
Pontos de Ocorrência
Previsão da
Distribuição
Nativa
Projeção sobre
Clima Modificado
Previsão de
Invasão
GARP - Procedimento Geral



Divide o conjunto de pontos em training data set
(para construir modelos) e test data set (para
avaliação da eficácia do modelo)
Aplica um algoritmo ao training data set
– BIOCLIM
– regressão logística
– etc.
Avalia a eficácia do modelo, perguntando quando a
omissão e a sobreprevisão são significantemente
menores que num modelo aleatório
GARP - Dados e Resultados
Pontos de ocorrência
vegetação
temperatura
precipitação
relevo
Dimensões
ambientais
(coberturas
geográficas)
Distribuição
prevista
Vamos por partes
GARP = GA + RP
GA: Introdução aos Algoritmos Genéticos
RP: Rule-set Production
GA: Algoritmos Genéticos

Aplicação da Inteligência Artificial

Conceito de genética e da evolução das
espécies aplicado à resolução de problemas
genéricos em computação:
- Genes, cromossomos, mutações, inserções, deleções,
crossing over, genótipo, fenótipo, indivíduos, população,
sobrevivência do mais adaptado.

Vejamos um exemplo prático...
RP: Rule-set Production


Regra: Proposição lógica
Formato:
Se A é verdade então B
A: precondição
B: resultado ou previsão

Exemplo:
Se Tmin_inv in [5,10] e Tmed_inv in [10,22] e Elev in [1k,2k]
Então taxon está presente

R: Conj. de regras no GARP
Pontos de Treinamento

P: Conjunto de pontos de teste (spp)
Elementos de P: pi = (a, b)
a: valor das variáveis ambientais no ponto
b: presença ou ausência observada

Exemplo: p1 = (10, 12, 2k, Presente)



Avaliação das Regras

P é usado para testar regras em R:
Se a in A:
Se b=B então regra prevê corretamente
Se b≠B então regra NÃO prevê corretamente
Se a not in A:
Regra não se aplica ao ponto: testa próxima
regra

f(ri): fitness function
–
Porcentagem de pontos que a regra prevê
corretamente
Por dentro do GARP

Codificação das regras:
r1: Se Tmin_inv in [5,10] e Tmed_inv in [10,22] e Elev in [1k,2k] então presente
r2: Se Tmin_inv in [0,15] e Tmed_inv in [0,50] e Elev in [0,20k] então ausente
r3: Se [Tmin_inv x 0.80 + Tmed_inv x (-0.2) + Elev x 0.45] então ausente
regra Tmin_inv
Tmin_inv
Tmed_inv
Tmed_inv
Elev
Elev
P/A
f(r)
r1
5
10
10
22
1k
2k
P
50%
r2
0
15
0
50
0k
20k
A
12%
r3
0.8
---
-0.2
---
0.45 ---
A
95%
Operadores Heurísticos

Mutação: modificação aleatória de um gene
Antes:
r2
0
15
0
50
0k
20k
A
12%
15
0
28
0k
20k
A
15%
Depois:
r4
0
Operadores Heurísticos
Crossing over: permutação de dois segmentos de
cromossomo:
Antes:

r1
5
10
10
22
1k
2k
P
50%
r2
0
15
0
50
0k
20k
A
12%
10
15
10
0
50
22
0k
1k
20k
2k
P
A
87%
9%
Depois:
r5
r6
5
0
Sobrevivência do mais adaptado
regra f(r)
r3
95%
r5
87%
r1
50%
r4
15%
r2
12%
r6
9%
Regras
ordenadas
por f(r)
Sobrevivência do mais adaptado
regra f(r)
r3
95%
r5
87%
r1
50%
r4
15%
r2
12%
r6
9%
Sobrevivem e
se reproduzem
Threshold
Perecem
Resultado

Após <n> interações:
regra f(r)
r3
95%
r5
87%
r1
50%
Sobreviventes formam o
conjunto de regras que
representa o modelo de
nicho ecológico da espécie
Resultado

Modelo de nicho ecológico da espécie:
r3: Se [Tmin_inv x 0.80 + Tmed_inv x (-0.2) + Elev x 0.45] então ausente
r5: Se Tmin_inv in [5,10] e Tmed_inv in [10,50] e Elev in [0,20k] então ausente
r1: Se Tmin_inv in [5,10] e Tmed_inv in [10,22] e Elev in [1k,2k] então ausente


Projeção das regras de volta ao espaço geográfico
Teste do modelo, sobrepondo pontos de teste e
avaliando como o modelo os prevê