Korallenriffe weltweit sind durch die vom Klimawandel bedingten steigenden Meerwassertemperaturen bedroht. Obwohl viele Korallen aufgrund der anhaltenden Einwirkung ungewöhnlich hoher Temperaturen tatsächlich ausbleichen und absterben, weisen einige Arten (oder sogar Genotypen innerhalb einer Art) eine bemerkenswerte Klimaresistenz auf. Bisher wurden diese „Superkorallen“ erst im Nachhinein identifiziert: durch die Suche nach den Überlebenden in den Trümmern stark geschädigter Riffe. Für die Wiederherstellung von Korallenriffen und andere Zwecke wäre ein gezielteres, proaktives Verfahren zur Identifizierung klimaresistenter Korallen diesem „Nadel-im-Heuhaufen“-Ansatz vorzuziehen. Zu diesem Zweck präsentiere ich einen umfangreichen Datensatz zur Ökophysiologie von Korallen, der während einer einmonatigen Forschungsexpedition in die entlegensten Winkel des mikronesischen Inselstaates Palau erhoben wurde. Nach einer grundlegenden Datenverarbeitung und -visualisierung zeige ich anhand von JMP Pro 17, wie sich relativ einfach Vorhersagemodelle für die Korallenresistenz erstellen lassen. Anschließend zeige ich, wie sich aus den Vorhersageprofilen der Modelle abgeleitete grafische Benutzeroberflächen (GUIs) in Webseiten einbetten lassen, sodass sie von Wissenschaftlern als Planungsinstrument genutzt werden können. Konkret ermöglichen die modellbasierten Profile Forschern, die Umweltbedingungen (z. B. Tiefe, Korallenrifftyp, Salzgehalt) vorherzusagen, unter denen sie bei ihren Bioprospektionsuntersuchungen am ehesten widerstandsfähige Korallen finden werden. Dieses Analysewerkzeug wird Meeresbiologen somit dabei unterstützen, Korallen mit hoher Klimatoleranz zu lokalisieren, die im Rahmen von Maßnahmen zur Wiederherstellung geschädigter Riffe vermehrt werden sollten.
Hallo zusammen! Schön, dass ihr einschaltet. Mein Name ist Anderson Mayfield, und ich bin Korallenriff-Wissenschaftler sowie langjähriger Nutzer und Befürworter von JMP. In den nächsten 30–35 Minuten werde ich über die Modellierung der Widerstandsfähigkeit von Korallenriffen in der Republik Palau sprechen. Leider liegt die Hauptmotivation für fast meine gesamte Forschung zu Korallenriffen in den letzten rund 20 Jahren nicht nur in ihrer Schönheit und Faszination, sondern auch in ihrer starken Bedrohung, insbesondere durch die steigenden Meerwassertemperaturen infolge des Klimawandels.
Das Meer wird für diese Korallen zu warm. Sie leben in einer empfindlichen Symbiose mit Dinoflagellaten, die in ihren Zellen vorkommen. Wenn das Wasser zu lange zu heiß ist, bleichen die Korallen aus und verhungern. Leider ist die vierte globale Korallenbleiche bereits in vollem Gange.
Kernriffe sind tatsächlich noch nicht sehr gut erforscht. Sie machen weniger als ein Prozent der gesamten Meeresfläche aus, obwohl sie Regionen mit einer sehr hohen Artenvielfalt darstellen. Wir wissen also nicht einmal genau, wo sich einige der artenreichsten Korallenriffe befinden. Wir können zwar anhand von Satellitenbildern Vermutungen anstellen, aber wir müssen wirklich selbst unter Wasser gehen, am besten mit Taucherbrille und Schnorchel oder Tauchausrüstung, und sehen, was sich dort unten verbirgt. Doch uns fehlt die Zeit für eine umfassende und ganzheitliche Kartierung aller Korallenriffe der Erde. Wir müssen die Suche nach besonders korallenreichen Gebieten beschleunigen.
Obwohl die meisten Korallen sehr empfindlich auf hohe Temperaturen reagieren, gibt es auch Arten, die aus unbekannten Gründen widerstandsfähig bleiben, wenn sich die Wasserqualität verschlechtert. Wir müssen diese Korallen finden, um zu verstehen, was sie anders machen. Wir können sie vermehren, um Riffe wiederherzustellen, aber unser übliches Vorgehen gleicht der Suche nach der Nadel im Heuhaufen. Wir tauchen, durchsuchen den Schutt und hoffen einfach, einige dieser Korallen durch Zufall zu finden.
Wir brauchen eine gezieltere, datenbasierte Methode, um klimaresistente Korallen zu identifizieren. Genau solche Fragen versuche ich mit JMP zu beantworten. Ich nenne das „prädiktive Modellierung zur Schließung wichtiger Wissenslücken in JMP Pro“. Ich möchte Ihnen einige Fragen stellen. Die Fragen 3 und 4 sind besonders wichtig und liegen mir sehr am Herzen, aber wir werden heute keine Zeit haben, sie zu behandeln. Sie finden die Antworten in den Präsentationsfolien und in den Daten auf meiner Webseite. Gerne können Sie mir auch eine E-Mail schreiben, wenn Sie weitere Details wünschen. Ich habe außerdem Skripte in die Datentabellen eingebettet und eine Schritt-für-Schritt-Anleitung zur Beantwortung der Fragen bereitgestellt.
Stattdessen werde ich mich heute auf die Fragen 1 und 2 konzentrieren. Können wir anhand bereits vorhandener Daten vorhersagen, wo sich weitere Riffe mit einem sehr hohen Anteil lebender Korallen befinden? Diese Riffe sind besonders wertvoll, da sie wichtigen Fischarten als Lebensraum dienen und unsere Küsten vor Wellenenergie schützen. Sie sind vielleicht nicht die stabilsten, aber möglicherweise die wertvollsten.
Die zweite Frage hingegen zielt darauf ab, wo wir diese „Superkorallen“ finden werden – jene Korallen, die aus irgendeinem Grund trotz Klimawandel und anderer Belastungen widerstandsfähig zu sein scheinen. Deshalb möchte ich mich heute in meinem Vortrag auf die Daten aus Palau konzentrieren, da die Zusammenarbeit mit der Living Oceans Foundation eine wirklich großartige Gelegenheit bot. Ein großes Team von Wissenschaftlern erfasste mithilfe von Satellitenbildern, was ich als Molekül-zu-Satelliten-Daten bezeichne.
Das ist meine etwas hochtrabende Art zu sagen: Wir haben Daten in allen erdenklichen Maßstäben gesammelt. Wir haben Satellitendaten aus dem Weltraum. Wir haben das Schiff, das Transekte durchführt, filmt und die Benthosfauna den Meeresboden charakterisiert. Wir haben Taucher wie mich, die untersuchen, was auf dem Riff lebt. Meine Hauptaufgabe bestand darin, Korallenproben zu entnehmen, um einen Eindruck von ihrem Zustand und ihrer Widerstandsfähigkeit zu gewinnen. Es ist ein wirklich umfangreicher Datensatz, der, wie ich glaube, hilfreich sein wird, um einige der von mir aufgeworfenen Fragen zu beantworten.
Ich habe den Begriff Bioprospektion verwendet, weil wir versuchen, das Potenzial dieser Daten zu nutzen, um Vorhersagen über Riffe zu treffen, die wir vielleicht noch nicht untersucht haben. Da wir einen Monat dort waren, haben wir einen beeindruckenden Datensatz erhalten, aber wir haben dennoch nur an der Oberfläche dessen gekratzt, was dort existiert. Mithilfe von Vorhersagemodellen haben wir die Lücken geschlossen.
Im ersten Teil des Vortrags, oder besser gesagt, im nächsten großen Abschnitt, geht es darum, Gebiete mit hoher Korallenbedeckung zu identifizieren. Damit meinen wir Gebiete mit einer großen Anzahl riffbildender Korallen, also jener Korallen, die das Riff bilden. Wir möchten Riffe mit hoher Korallenbedeckung aufspüren, die wir bisher vielleicht noch nicht entdeckt haben. Als Umweltindikatoren verwenden wir unter anderem die Meerwasserqualität, die räumliche Lage und andere Habitatparameter.
Falls Sie sich fragen, warum diese Übung nötig ist: Können Sie nicht einfach Satellitenbilder ansehen oder Google Maps nutzen, um die Korallenriffe zu lokalisieren? Damit lägen Sie tatsächlich richtig. Sie erhalten so eine grobe Vorstellung von der Lage der Riffe, aber Sie erfahren nicht, welche davon tatsächlich leben. Ein lebendes und ein totes Riff sehen auf Satellitenbildern sehr ähnlich aus. Daher sind wir auf Taucherdaten angewiesen, um zu überprüfen, welche Korallen leben und welche nicht.
Die meisten von euch werden Palau wahrscheinlich nicht kennen, aber es ist ein wirklich wunderschöner kleiner Inselstaat in Mikronesien. Der einzige Grund, warum Westler ihn kennen, ist, dass er ein Tauchparadies ist, und das ist er auch heute noch. Ich will jetzt kein allzu düsteres Bild zeichnen und behaupten, alles sei in Schutt und Asche gelegt. Andererseits sind diese Riffe sicherlich nicht unberührt. Sie stehen vor denselben Herausforderungen wie Riffe weltweit, insbesondere vor den hohen Temperaturen. Nach dieser kurzen Vorrede öffnen wir nun endlich JMP.
Ich verwende JMP Pro 18. Als Erstes möchte ich – und darin ist JMP wirklich hervorragend – meine Daten erkunden. Sie werden sehen, dass diese vereinfachte Datentabelle nur fünf Spalten enthält. Ich habe die Standorte. Wir haben 86 Riffstandorte besucht. Ich habe die Breiten- und Längengrade. Ich habe einige repräsentative Fotos, die ich Ihnen gleich zeigen werde. Ich habe die Korallenbedeckung, die wir später vorhersagen wollen.
Um Ihnen einen Überblick zu geben, rufen wir Palau auf einer Karte auf. Ich habe hier den Graph Builder geöffnet, und Sie werden sehen, dass ich Längen- und Breitengrad nicht einmal auf der richtigen Achse positionieren muss. JMP weiß intuitiv, wo sie hingehört. Deaktivieren Sie diese Zeile. Palau ist aber noch nicht sichtbar, da ich noch keine Hintergrundkarte hinzugefügt habe. Da ich mich momentan in Saudi-Arabien befinde, hatte ich Probleme mit der Synchronisierung einiger Server, aber ich denke, dieser einfache Straßenkartenserver reicht vorerst aus.
Diese schwarzen Punkte markieren unsere Tauchplätze. Man sieht, dass es hier eine gewisse Verzerrung gibt. Aufgrund der vorherrschenden Windverhältnisse konnten wir tatsächlich nur die Westseite des Landes bereisen. Das sollte man unbedingt berücksichtigen. Jetzt möchte ich die Daten zur Korallenbedeckung auf die Karte übertragen. Ich bin bereit, dieses Fenster zu schließen, bin aber noch nicht ganz am Ziel.
Zum einen hatte ich die Legende deaktiviert. Schalten wir sie wieder ein. Ich möchte das Farbschema ändern. Nicht Rot soll im Vordergrund stehen, sondern Grün, um hervorzuheben, dass dichte Korallenriffe wünschenswert sind.
Sie werden bemerken, dass mir hier ein Fehler unterlaufen ist. Eigentlich brauche ich die Breitengradangaben gar nicht, also ziehe ich diese Heatmap hierher und entferne dann die Punkte, die die Breitengradangaben darstellten. Anschließend stelle ich die Korallenbedeckung wieder so ein, dass Grün die höchste Stufe ist. Wir kommen der Sache schon näher, aber die Insel ist jetzt fast verschwunden, weil die Pixel zu groß sind. Diesen Trick habe ich vor ein paar Jahren zufällig entdeckt.
Wenn Sie eine Heatmap verwenden, um Daten auf eine Karte zu legen, können Sie tatsächlich ein Raster erzwingen, indem Sie die Rasterinkremente auf die gewünschten Größen anpassen und anschließend die Rasterlinien aktivieren. Jetzt läuft es schon viel besser. Das Ergebnis sieht schon viel näher an dem aus, was ich mir vorstelle, und vielleicht könnte ich es sogar veröffentlichen. Allerdings sind noch zu viele Linien zu sehen, daher deaktiviere ich die Rasterlinien wieder. Ich zentriere das Ganze noch etwas besser. Das sieht schon ganz gut aus. Ich könnte die Achsen noch etwas anpassen und bereinigen.
Aber eigentlich geht es hier erst einmal um Erkundungen. Was Ihnen hier auffallen wird, ist, dass wir im hohen Norden etwas mehr Rot- und Orangetöne sehen. Das sind Gebiete mit geringerer Korallendichte. Hier drüben gibt es ein Gebiet mit deutlich weniger Korallen. Und hier im Süden herrscht eine beachtliche Vielfalt, oder besser gesagt, Variabilität.
Die korallenreichsten Riffe befinden sich in dieser Region im West-Südwesten. Das sollten Sie sich merken. Ich möchte Ihnen außerdem zeigen – ich weiß, es geht immer wieder um Korallenbedeckung –, dass dies für Nicht-Meeresbiologen vielleicht ein abstraktes Konzept ist. Für einige dieser Gebiete habe ich repräsentative Fotos hochgeladen. Hier sehen Sie ein Riff mit einer Korallenbedeckung von etwa 46 %. Das entspricht in etwa dem nationalen Durchschnitt, wie wir gleich sehen werden. Das Bild verdeutlicht dies vielleicht nicht optimal, da es für das ungeübte Auge so aussieht, als sei das Riff komplett mit Korallen bedeckt. Tatsächlich tragen einige dieser Korallen aber nicht zum Riffaufbau bei. Sie sind nicht Teil des Gerüsts. Das ist etwas irreführend. Das soll nicht heißen, dass dies kein schöner Ort ist, aber er ist nicht so korallenreich wie andere, wie wir noch sehen werden.
Schließen wir das fürs Erste. Kommen wir nun zum umfassenderen Datensatz. Er umfasst weiterhin 86 Zeilen und enthält nach wie vor Breiten- und Längengrad sowie die Korallenbedeckung. Hier sehen wir aber zusätzliche Umweltparameter, die meiner Meinung nach die Korallenbedeckung beeinflussen. Darauf gehen wir später noch genauer ein. Dazu gehört beispielsweise die Meerwasserqualität.
Meine Frage ist, ob ich Gebiete mit hoher Korallenbedeckung vorhersagen kann, die wir bisher noch nicht entdeckt haben. Neben der einfachen Darstellung auf einer Karte bietet sich die praktische Funktion „Prädiktoren-Bildschirm“ an. Ich verwende hier die Korallenbedeckung als Y-Achse und wähle dann eine Auswahl an Umweltfaktoren, die die Korallenbedeckung beeinflussen könnten, als X-Achse aus. Das Ergebnis ist ein sehr intuitives und leicht verständliches Diagramm. Der Prädiktor mit dem größten Einfluss auf die Variation der Korallenbedeckung war der Breitengrad, was plausibel ist. Wir beobachteten niedrigere Korallenbedeckungswerte im Norden und höhere im Süden. Im äußersten Süden war sie niedriger, aber in der Mitte gab es möglicherweise einen optimalen Bereich, was durch den Prädiktoren-Bildschirm bestätigt wird.
Ich sollte erwähnen, dass ich das jahrelang falsch interpretiert habe. Ich dachte, es bedeute den Anteil der durch den Breitengrad erklärten Varianz. Das stimmt so nicht ganz. Vielmehr gibt es an, wie oft der Breitengrad in einem Boosted-Tree-Modell berücksichtigt wurde. Das bedeutet nicht unbedingt, dass 33 % der Varianz durch den Breitengrad erklärt werden, aber man kann sagen, dass der Breitengrad beispielsweise etwa doppelt so viel Einfluss hat wie die Temperatur. Parameter, die ich im Vorfeld als signifikante Einflussfaktoren für die Varianz der Korallenbedeckung angenommen hätte, haben hingegen tendenziell nur einen geringen Einfluss. Um das hervorzuheben: Ich hätte diese Funktion beinahe nicht verwendet, da es sich im Grunde um negative Daten handelt, aber sie ist wirklich sehr hilfreich.
Um eine grafische Darstellung dessen zu erhalten, was wir gerade gesehen haben – neben der Kartendarstellung –, kann ich die Daten zu den Lebewesen am Meeresboden stapeln. Man kann alles, was die Taucher sehen, in vier Kategorien einteilen: Hartkorallen, Algen, andere Wirbellose (z. B. Schwämme) und den unbelebten Untergrund. Dieser ist nicht völlig unbelebt, sondern besteht aus Sand, Steinen und ähnlichem. Die Summe dieser vier Kategorien beträgt 100 %.
Ich werde die Daten stapeln, um ein besonders aussagekräftiges Diagramm zu erstellen. Nachdem ich alle Benthosdaten in einer Spalte angeordnet habe, ziehe ich sie als Y-Achse darüber. Ich füge eine Überlagerung hinzu, aktiviere die Legende und wandle das Diagramm in ein Balkendiagramm um. Wir sind aber noch nicht ganz fertig, denn ich möchte hervorheben, dass die Summe dieser vier Werte 100 % ergibt. Daher wandle ich das Diagramm in ein gestapeltes Balkendiagramm um. Die Summe von 100 unterstreicht einen Aspekt, den ich zuvor nicht erwähnt habe.
Ich hatte ja bereits erwähnt, dass die durchschnittliche Korallenbedeckung an den von uns untersuchten Standorten bei 45 % liegt. Das ist im internationalen Vergleich sogar sehr hoch, was für Palau positiv ist. Dort gibt es noch viele lebende Korallen. Die schlechte Nachricht ist jedoch, dass auch die Algenbedeckung von 40 % sehr hoch ist. Wer sich mit den Grundlagen der Meeresökologie eines Riffs auskennt, weiß, dass Korallen und Algen dort um Lebensraum konkurrieren. Man wünscht sich im Idealfall mehr Korallen, auch wenn das Algenwachstum darunter leidet. Das heißt nicht, dass Algen im Meer immer schlecht sind, aber in Korallenriffen konkurrieren sie mit den Korallen. Man muss also in diesem Fall die Nachteile in Kauf nehmen. Darum wollte ich Ihnen aber eigentlich gar nicht gehen. Ich wollte Ihnen lediglich zeigen, wie einfach ich die Unterschiede dieser Lebensgemeinschaft in Abhängigkeit von verschiedenen Umweltfaktoren, die für mich von Interesse sein könnten, analysieren kann. Das hat nur einen Moment gedauert, und ich könnte das Ganze problemlos in ein Word-Dokument einfügen und mit meiner Arbeit einreichen.
Hier sehen wir beispielsweise drei verschiedene Korallenrifftypen. Die Korallenbedeckung ist mit 45 % bei allen Rifftypen nahezu identisch, was mit den Ergebnissen der Prognosedarstellung übereinstimmt. Der Rifftyp und die Exposition erwiesen sich als wenig aussagekräftige Indikatoren. Hierbei handelt es sich im Wesentlichen um die Wellenenergie, die auf die Riffe trifft. Dies beeinflusst auch andere Faktoren, beispielsweise gibt es deutlich weniger Algen auf den geschützten Riffen. Dies steht im Gegensatz zu vielen anderen Teilen der Welt. Für einen Ökologen ist diese Grafik äußerst aufschlussreich und informativ. Ich habe sie in nur 30 Sekunden erstellt – nur so nebenbei. Ich finde diese Funktion wirklich gelungen: Daten zu stapeln und daraus sogenannte Benthos-Diagramme zu erstellen.
Denken Sie daran, wir tun das alles, um ein Modell für die Korallenbedeckung zu erstellen. Nachdem ich die Daten etwas genauer untersucht habe, verstehe ich die Einflussfaktoren auf die Variabilität. Ich werde mich nun dem Bereich für prädiktive Modellierung in JMP Pro zuwenden und eine Funktion nutzen, die vor einigen Versionen eingeführt wurde und mir sehr gut gefällt: den Modellbildschirm. Damit kann ich eine Vielzahl verschiedener Modelltypen gleichzeitig testen.
Ich versuche, die Korallenbedeckung vorherzusagen. Ich habe eine Validierungsspalte, die meine 86 Standorte effektiv in 75 % Trainingsdaten und 25 % Validierungsdaten aufteilt. Ich werde einige dieser zusätzlichen Optionen aktivieren. Manche dieser Zwei-Wege-Interaktionen in quadratischen Funktionen mögen nicht sinnvoll erscheinen, aber lassen wir sie vorerst aktiviert. Ich habe diese Prädiktoren für Faktoren, die wir bereits untersucht haben und die meiner Meinung nach die Korallenbedeckung beeinflussen könnten. Einige davon hätten wir wahrscheinlich schon entfernen können, da sie nicht sehr wichtig sind, aber darum kümmern wir uns jetzt nicht.
Schauen wir uns unser Validierungs-R² an, um zu sehen, wie gut das Modell die Korallenbedeckung in unserem Validierungsdatensatz vorhergesagt hat. Dabei fällt auf, dass die Ergebnisse nicht besonders gut waren. Wir sehen R²-Werte um 0,3, und diese Werte sind typisch für komplexe Modelle des maschinellen Lernens. Modellauswahl dient nicht unbedingt dazu, Ihnen das endgültige Modell für Ihre Veröffentlichung zu liefern, sondern vielmehr dazu, Ihnen eine grobe Richtung für Ihre weitere Forschung zu geben. Ich weiß, dass neuronale Netze bei einigen dieser sehr komplexen ökologischen Datensätze oft sehr gute Ergebnisse liefern.
Zuvor hatte ich ein neuronales Netz identifiziert – unser neuronales Netz mit nur sieben Umweltfaktoren –, dessen Validierungs-R² bei etwa 0,72 liegt. Für Vorhersagen im Ozean ist das meiner Meinung nach ein ziemlich guter Wert. Die Berechnung dauert ein paar Sekunden, daher wechsle ich zurück zu PowerPoint, um Ihnen das Modell zu zeigen. Dieses Modell wurde durch ein cleveres Add-on entdeckt, das von Diedrich Schmidt, einem versierten JMP-Nutzer, entwickelt wurde. Wer sich mit neuronalen Netzen auskennt, weiß, dass es unzählige Hyperparameter gibt, mit denen man experimentieren kann und die die Modellleistung erheblich beeinflussen. Schmidts Add-on bietet ein praktisches, generalisiertes Auto-Tuning-Tool, mit dem sich viele verschiedene Kombinationen dieser Hyperparameter testen lassen. Dazu gehören beispielsweise die Anzahl der verborgenen Schichten, der Grad des Boostings bei einer einzelnen Schicht und die Art der Aktivierungsknoten.
Mal sehen. Schauen wir uns dieses neuronale Netzwerk etwas genauer an. Dabei fällt auf, dass der Trainings-R²-Wert deutlich niedriger ist als der Validierungswert. Der Validierungswert könnte Sie beeindrucken und Sie denken: „0,88 ist fantastisch für einen ökologischen Datensatz.“ Das könnte durchaus ein Hinweis auf Überanpassung sein. Aber fürs Erste tun wir einfach so, als ob dieser Durchlauf nicht ganz so gut gelaufen wäre wie andere, und geben uns mit dem Modell zufrieden. Denn eigentlich möchte ich Ihnen ein paar Dinge zeigen.
Zunächst zum Vorhersageprofil: Ich deaktiviere die Bewertung der Variablenwichtigkeit, da ich sie wiederholen möchte. Hierbei werden die Umweltfaktoren in diesem Fall nach ihrem Einfluss im Modell geordnet. Die Ausgabe ähnelt der Prädiktoransicht. Da ich dieses Modell bereits zuvor ausgeführt habe, war die Reihenfolge bereits vorgegeben. Die Analyse der Variablenwichtigkeit ordnet die Prädiktoren im Vorhersageprofil jedoch neu, basierend auf ihrer Gesamteffektstärke. In diesem Fall hatte der Längengrad einen größeren Einfluss als der Breitengrad. Die Reihenfolge von oben nach unten entspricht daher der Reihenfolge hier.
Überraschenderweise stellten wir fest, dass die Exposition – obwohl wir in der vorherigen Grafik keinen großen Einfluss darauf gesehen hatten – dennoch einen höheren Wert als einige andere Faktoren aufweist. Das ist ein interessanter Befund. Die räumlichen Koordinaten sind, basierend auf den Kartendaten, plausibel. Wir haben die Riffbildung nicht eingehend untersucht, aber kurz dargestellt. Man konnte nur sehr geringe Auswirkungen auf die Korallenbedeckung erkennen, und der Wert liegt etwas unter dem Landesdurchschnitt.
Aber was ich tun möchte: Angenommen, ich bin mit diesem Modell zufrieden, es gibt keine Anzeichen von Überanpassung und es erfüllt meine verschiedenen Kriterien. Was ich nun – und das finde ich besonders spannend – tun möchte, ist eine Wünschbarkeitsanalyse durchzuführen. Das Programm merkt sich das, weil ich das schon einmal gemacht habe, aber ich möchte JMP anweisen, die Korallenbedeckung zu maximieren. Geben Sie mir die Bedingungen an, unter denen – zumindest basierend auf diesem Modell – eine maximale Korallenbedeckung zu erwarten wäre. Dann maximiere ich die Wünschbarkeit, und dieser Wert steigt auf 73 %.
Ich komme noch einmal auf die Folie zurück. Ich habe dieses Verteilungsdiagramm. Ich habe die Korallenbedeckung für das ganze Land dargestellt. Wir haben den bereits erwähnten Mittelwert von 45 %, aber die Spannweite ist tatsächlich sehr groß. Sie reicht von 2 bis 78 %. Sie fragen sich vielleicht, warum das Modell nicht einfach empfiehlt, zu dem Riff mit 78 % zurückzukehren. Der Grund dafür ist, dass wir den Standort und in diesem Fall die Insel aus dem Modell entfernt haben, weil wir es nicht verfälschen wollen… Wir möchten, dass es für das ganze Land besser verallgemeinert werden kann.
Andernfalls, wenn man einfach nur Standort, Insel und ähnliches einbezieht, könnte das System durchaus darauf hinweisen, zum Standort mit der höchsten Korallenbedeckung zurückzukehren. Das wäre zwar die wahrscheinlichste richtige Entscheidung, aber wir versuchen hier, ein allgemeineres Modell zu entwickeln, um auch bisher unentdeckte Gebiete zu identifizieren. 73 % ist eine erstaunlich hohe Korallenbedeckung, aber nicht völlig unrealistisch. Ich erwähne dies, weil bei solchen Analysen der Attraktivität von Umweltdaten die Extrapolation definitiv ein Problem darstellt.
In diesem Fall habe ich mir das im Vorfeld angesehen. Keine dieser Bedingungen erscheint mir abwegig. Ein Meeresbiologe würde sagen: „Hey, ich kann mir ein freiliegendes Vorriff außerhalb der Lagune, das bei dieser mittleren Wassertiefe aus dem Wasser ragt, durchaus vorstellen.“ Das ist für ein Korallenriff durchaus möglich. Ich habe schon andere Modelle erstellt, bei denen man ohne aktivierte Extrapolationssteuerung Bedingungen erhält, die auf unserem Planeten seit der Zeit vor der industriellen Revolution nicht mehr vorgekommen sind. Wenn man Vorhersagen treffen will, insbesondere in einem dynamischen System, ist es ratsam, diese Extrapolationssteuerung zu verwenden. Ich habe keine Warnung erhalten, als ich sie aktiviert habe, aber ich hätte es tun können. Falls Probleme mit der Extrapolation auftreten, kann man das Modell einfach neu ausführen.
In diesem Fall hat sich kaum etwas geändert, da keine Probleme vorliegen. Was Ihnen aber auffallen wird, ist, dass einige Linien korrigiert wurden. Wenn Sie sich mit Korallenriffen auskennen, wissen Sie, dass sich ein Vorriff immer außerhalb der Lagune befindet. Ich kann das Objekt gar nicht erst verschieben, da die Meldung lautet: „Wir lassen Sie keine Bedingung simulieren, die in Ihren Daten nicht existiert.“ Oder in diesem Fall: Sie existiert nicht in der Natur. Das ist wirklich faszinierend.
Wenn ich mit diesem Modell zufrieden wäre, würde ich Folgendes tun: Sie wissen ja, was ich vorhabe. Ich würde es – nicht schummeln, aber – einfach nochmal durchlaufen lassen, und der Grund dafür wird sich zeigen. Denn ich möchte dieses Modell auf meiner Website veröffentlichen. Ich weiß, dass eine Optimierungsanalyse diese Bedingungen im Prinzip behebt. Das mag zwar wünschenswert sein, aber in meinem Fall möchte ich, dass andere Nutzer ihre Daten eingeben können, beispielsweise zu Riffen, die sie untersuchen möchten, und das Modell ihnen dann die voraussichtliche Korallenbedeckung anzeigt.
Noch etwas, was ich vorhatte. Mal sehen. Nein. Ich habe die Karte weggenommen. Ich wollte eigentlich diese Koordinaten verwenden und nachsehen, wo genau diese Breiten- und Längengrade innerhalb von Palau liegen, aber ich denke, das heben wir uns für ein anderes Mal auf. Ich erinnere mich aber, dass ich diese Simulation schon einmal durchgeführt habe; sie lag irgendwo im Südwesten des Landes, wo wir zuvor eine höhere Korallenbedeckung beobachtet hatten.
Man sieht, dass diese Wiederholung des Modells recht ähnlich ist. Ich möchte aber einfach so tun, als wären wir mit diesem Modell zufrieden. Ich möchte es auf JMP Public veröffentlichen, und hoffentlich geht das schnell, da ich bereits angemeldet bin. Ich speichere es im JMP Discovery-Ordner. Hier könnte ich noch weitere Informationen hinzufügen. Wenn ich wollte, könnte ich auch ein Bild anhängen.
Mal sehen, wie das hier aussieht. Hoffentlich ist es interaktiv. Manchmal, wenn ich es ausführe und es sich noch merkt, dass ich die Korallenbedeckung maximieren möchte, bleibt die Optimierungsanalyse aktiviert. Das ist meistens super, solange es sich die Einstellung merkt, kann aber manchmal problematisch sein, wenn man den interaktiven HTML-Code veröffentlichen möchte. Es dauert einen Moment, bis der Bericht generiert ist, deshalb kommen wir gleich darauf zurück. Ich zeige Ihnen aber schon mal, wie er aussieht, da ich das vorher schon gemacht habe.
Das ist meine Website. Ich habe einen Palau-Bereich und eine spezielle Seite namens „Palau Bioprospecting“, auf der ich – und das ist nicht nur ein Machbarkeitsnachweis für JMP – tatsächlich Ergebnisse präsentiere, die mich sehr interessieren. Sie sehen, es ist nicht exakt dasselbe Modell, aber ein ähnliches wie das, das ich gerade verwendet habe. Angenommen, meine Kooperationspartner und Kollegen, die in Palau arbeiten, sagen: „Wir haben dieses Riff auf der Karte entdeckt. Es ist ein Unterwasserriff in der Lagune. Es ist ein Hinterriff oder, sagen wir, ein Lagunenriff. Es liegt flach und wäre daher geschützt. Wir haben festgestellt, dass es sich ungefähr hier befindet, und zwar genau hier.“
Das ist vielleicht kein optimales Beispiel, da es uns ungefähr den Durchschnitt für das ganze Land anzeigt. Die Vorhersage des Modells wäre also: „Hey, schau dir diesen Ort mal an.“ Es wäre ein genauso gutes Riff wie jedes andere, und man könnte das Modell optimieren und besser trainieren, indem man die tatsächlich gesehene Menge eingibt.
Ich habe hier eine statische Ansicht der optimierten Zielwerte eingefügt. Man sieht, dass sie sich von Lauf zu Lauf leicht unterscheiden. In diesem Fall sind dies die Bedingungen, die laut meinem Modell zu einem Riff mit 67 % Korallenbedeckung führen würden, was wiederum sehr hoch ist. Wie lässt sich das erreichen?
So sieht es aus. Das Modell ist zwar etwas anders, aber es wurde korrekt veröffentlicht. Es ist interaktiv. Ich muss nur noch… Mal sehen, ob das im Weg ist. Ich habe zwei Möglichkeiten: Entweder ich verwende den Einbettungscode des iFrames oder der Karte. Ich bevorzuge den iFrame, da die Karte im Grunde nur diesen kleinen Platzhalter einfügt – im Prinzip ein erweiterter Hyperlink, der zur JMP-Public-Seite führt. Das könnte schon reichen. Wenn Sie aber tatsächlich ein eingebettetes Fenster benötigen, in dem Benutzer ihre eigenen Daten eingeben können, dann sollten Sie den iFrame verwenden.
Ich nutze Squarespace, aber es ist wirklich kinderleicht: Entweder man verwendet Code oder man bettet ihn ein. Den Code füge ich hier ein. Ich habe ihn von der JMP-Website kopiert. Es dauert ein paar Sekunden, bis er geladen ist, und dann – zack! – speichert man ihn, aktualisiert die Seite und schickt den Link an die Kollegen. Wenn sie JMP nutzen, umso besser, dann erhalten sie deutlich mehr Details. Falls nicht, können sie direkt mit dem Testen von Hypothesen beginnen und versuchen, mithilfe dieser Funktion Schätzungen für Dinge wie die Korallenbedeckung zu erhalten.
Das ist etwas, was wahrscheinlich schon seit Jahren existiert und für JMP unmöglich war, aber ich war wirklich überwältigt, dass man so einfach einen interaktiven Vorhersage-Profiler auf einer Website anbieten kann. Da steckt ein riesiges Potenzial drin, um all die Fragen zu beantworten, die ich schon lange beantworten wollte.
Aus Zeitgründen werde ich das Beispiel der Superkorallen nicht weiter ausführen, da dies einige Minuten dauern würde. Nur so viel vorab: Es handelt sich im Wesentlichen um denselben Prozess. Wenn Sie Ihre Vorhersagemodelle erstellen, verwenden Sie anstelle der Korallenbedeckung den von mir vor einigen Jahren entwickelten Korallengesundheitsindex. Sie sehen, wie viele Faktoren darin stecken. Dieser Index liefert eine sehr hohe Auflösung, ist aber auch sehr aufwendig. Es ist unmöglich, all diese Faktoren bei Millionen von Korallen zu messen.
Auch hier ist der Einsatz von prädiktiven Modellen notwendig, um idealerweise kostengünstigere Alternativen zu nutzen. Anstatt Tausende von Dollar für die Messung komplexer molekularer Parameter auszugeben, stützen wir uns auf diese prädiktiven Modelle, die beispielsweise sagen: „Wenn Sie eine Koralle suchen, die in diesem Beispiel mit 99%iger Wahrscheinlichkeit eine ‚Superkoralle‘ ist, wird sie diese Größe auf einem Riff mit sehr hoher Korallenbedeckung und geringer Korallenvielfalt aufweisen usw.“ In JMP Pro wird ein sehr ähnlicher Analyseprozess angewendet, um eine andere Fragestellung zu beantworten.
Wo findet man diese Superkorallen? Ich könnte die Informationen natürlich auf meiner Website veröffentlichen, was anderen bei der Planung helfen würde. Wir haben bereits Projekte am Cord App Institute, mit dem ich zusammenarbeite. Dort arbeiten Menschen in Palau zusammen, die diese Superkorallen suchen, um sie in ihren Korallenaufzuchtstationen zu vermehren. Die Vorhersageprofile, die auf den JMP Pro-basierten Modellen beruhen, werden ihnen dabei sehr hilfreich sein, die Standorte dieser Riffe genauer zu bestimmen.
Wenn Sie sich für dieses Thema interessieren, empfehle ich Ihnen, sich die Präsentation anzusehen. Ich habe einige Folien übersprungen. Alle Skripte sind in der JMP-Datentabelle enthalten, sodass Sie diese Analyse selbst durchführen können. Ich denke, wir können mit den Daten, die von Korallenriffen eingehen, wirklich viel erreichen. Zum Beispiel die Planung von Meeresschutzmaßnahmen optimieren.
Ich denke, die Arbeit mit JMP und die Vertrautheit mit der Software haben mir sehr geholfen. Sie hat mir wirklich geholfen, einige der großen Fragen zu beantworten, die den Kern von Themen wie Klimawandel und dem Schicksal unseres Planeten berühren. Mit zunehmender Vertrautheit mit JMP, insbesondere mit JMP Pro, hat man das Gefühl, die Welt stehe einem offen, wenn man viel mit der Erstellung von Vorhersagemodellen arbeitet. Ich kann jedem nur empfehlen, sich damit auseinanderzusetzen und diese großen Fragen anzugehen, denn man wird überrascht sein, was alles möglich ist.
Damit möchte ich meinen Vortrag beenden. Vielen Dank für Ihre Aufmerksamkeit. Bei Fragen zu den besprochenen Themen können Sie mir jederzeit gerne eine E-Mail schreiben. Danke.
