LiuPengWorkEtAl2018

Référence

Liu, Z., Peng, C., Work, T.T., Candau, J.-N., DesRochers, A., Kneeshaw, D.D. (2018) Application of machine-learning methods in forest ecology: recent progress and future challenges. Environmental Reviews, 26(4):339-350. (URL )

Résumé

L’apprentissage automatique, une branche importante de l’intelligence artificielle, est de plus en plus mis en application dans le domaine des sciences comme l’écologie forestière. Ici, nous examinons et faisons le point sur trois méthodes d’apprentissage automatique généralement utilisées incluant l’apprentissage par arbre de décision, le réseau de neurones artificiels et la machine à vecteurs de support, ainsi que leurs applications au niveau de quatre aspects différents de l’écologie forestière au cours de la dernière décennie. Ces applications incluent : (i) les modèles de répartition des espèces, (ii) les cycles de carbone, (iii) l’évaluation et la prédiction des dangers et (iv) d’autres applications en gestion forestière. Alors que les approches d’apprentissage automatique sont utiles au niveau de la classification, de la modélisation et de la prédiction en recherche dans le domaine de l’écologie forestière, le développement accru des technologies d’apprentissage automatique est limité par le manque de données pertinentes et le « seuil relativement plus élevé » des applications. Cependant, l’utilisation combinée d’algorithmes multiples et de communication et coopération améliorées entre les chercheurs en écologie et les concepteurs d’apprentissage automatique présente toujours des défis importants et des tâches en vue de l’amélioration de la recherche écologique à l’avenir. Nous laissons entendre que les applications futures d’apprentissage automatique en écologie deviendront un outil de plus en plus intéressant pour les écologistes face aux « données massives » et que les écologistes auront accès à plus de types de données tel que le son et la vidéo dans un proche avenir ce qui ouvrira probablement de nouvelles avenues en matière de recherche en écologie forestière. [Traduit par la Rédaction]

Format EndNote

Vous pouvez importer cette référence dans EndNote.

Format BibTeX-CSV

Vous pouvez importer cette référence en format BibTeX-CSV.

Format BibTeX

Vous pouvez copier l'entrée BibTeX de cette référence ci-bas, ou l'importer directement dans un logiciel tel que JabRef .

@ARTICLE { LiuPengWorkEtAl2018,
    AUTHOR = { Liu, Z. and Peng, C. and Work, T.T. and Candau, J.-N. and DesRochers, A. and Kneeshaw, D.D. },
    TITLE = { Application of machine-learning methods in forest ecology: recent progress and future challenges },
    JOURNAL = { Environmental Reviews },
    YEAR = { 2018 },
    VOLUME = { 26 },
    NUMBER = { 4 },
    PAGES = { 339-350 },
    ABSTRACT = { L’apprentissage automatique, une branche importante de l’intelligence artificielle, est de plus en plus mis en application dans le domaine des sciences comme l’écologie forestière. Ici, nous examinons et faisons le point sur trois méthodes d’apprentissage automatique généralement utilisées incluant l’apprentissage par arbre de décision, le réseau de neurones artificiels et la machine à vecteurs de support, ainsi que leurs applications au niveau de quatre aspects différents de l’écologie forestière au cours de la dernière décennie. Ces applications incluent : (i) les modèles de répartition des espèces, (ii) les cycles de carbone, (iii) l’évaluation et la prédiction des dangers et (iv) d’autres applications en gestion forestière. Alors que les approches d’apprentissage automatique sont utiles au niveau de la classification, de la modélisation et de la prédiction en recherche dans le domaine de l’écologie forestière, le développement accru des technologies d’apprentissage automatique est limité par le manque de données pertinentes et le « seuil relativement plus élevé » des applications. Cependant, l’utilisation combinée d’algorithmes multiples et de communication et coopération améliorées entre les chercheurs en écologie et les concepteurs d’apprentissage automatique présente toujours des défis importants et des tâches en vue de l’amélioration de la recherche écologique à l’avenir. Nous laissons entendre que les applications futures d’apprentissage automatique en écologie deviendront un outil de plus en plus intéressant pour les écologistes face aux « données massives » et que les écologistes auront accès à plus de types de données tel que le son et la vidéo dans un proche avenir ce qui ouvrira probablement de nouvelles avenues en matière de recherche en écologie forestière. [Traduit par la Rédaction] },
    DOI = { 10.1139/er-2018-0034 },
    EPRINT = { https://doi.org/10.1139/er-2018-0034 },
    OWNER = { Daniel Lesieur },
    TIMESTAMP = { 2018-12-03 },
    URL = { https://doi.org/10.1139/er-2018-0034 },
}

********************************************************** ***************** Facebook Twitter *********************** **********************************************************

Abonnez-vous à
l'Infolettre du CEF!

********************************************************** ***************** Pub - Mycorhizes_2019 ****************** **********************************************************

********************************************************** ***************** Pub - Symphonies_Boreales ****************** **********************************************************

********************************************************** ***************** Boîte à trucs *************** **********************************************************

CEF-Référence
La référence vedette !

Jérémie Alluard (2016) Les statistiques au moments de la rédaction 

  • Ce document a pour but de guider les étudiants à intégrer de manière appropriée une analyse statistique dans leur rapport de recherche.

Voir les autres...