Le barriere coralline di tutto il pianeta sono minacciate dall'aumento della temperatura dell'acqua marina causato dai cambiamenti climatici. Sebbene molti coralli si sbianchino e, di conseguenza, muoiano a causa della prolungata esposizione a temperature anormalmente elevate, alcune specie (o persino genotipi all'interno di una singola specie) mantengono un notevole livello di resilienza climatica. Storicamente, abbiamo identificato questi "super coralli" a posteriori : cercando tra le macerie di una barriera corallina gravemente danneggiata per trovare i sopravvissuti. Per il ripristino delle barriere coralline e per altri scopi, sarebbe preferibile un metodo più mirato e proattivo per identificare i coralli resilienti al clima, piuttosto che questo approccio "cerca l'ago nel pagliaio". A tal fine, presento un ricco set di dati ecofisiologici sui coralli, acquisito durante una spedizione di ricerca di un mese negli angoli più remoti della nazione micronesiana di Palau. Dopo alcune rudimentali elaborazioni e visualizzazioni dei dati, mostro, utilizzando JMP Pro 17, come sia possibile costruire modelli predittivi di resilienza dei coralli in modo relativamente semplice. Dimostro quindi come le interfacce grafiche derivate dai profili predittivi dei modelli possano essere integrate nelle pagine web, in modo da poter essere utilizzate dagli scienziati come strumento di pianificazione. Nello specifico, i profili basati su modelli consentono ai ricercatori di prevedere le condizioni ambientali (ad esempio, profondità, tipo di barriera corallina, salinità) in cui è più probabile trovare coralli resistenti durante le loro indagini di bioprospezione. Questo strumento analitico aiuterà quindi i biologi marini a individuare i coralli con elevata tolleranza climatica che dovrebbero essere propagati negli sforzi per ripristinare le barriere coralline degradate.
Ciao a tutti. Grazie per esservi sintonizzati. Mi chiamo Anderson Mayfield, sono uno scienziato specializzato in barriere coralline e un utente e sostenitore di lunga data di JMP. Nei prossimi 30-35 minuti vi parlerò della modellizzazione della resilienza delle barriere coralline nella Repubblica di Palau. Purtroppo, la motivazione principale di quasi tutte le ricerche che ho condotto negli ultimi 20 anni sulle barriere coralline non è solo la loro bellezza e la loro incredibile bellezza, ma anche la forte minaccia che rappresentano, in particolare a causa dell'aumento della temperatura dell'acqua marina associato ai cambiamenti climatici.
Quello che succede è che l'oceano diventa troppo caldo per questi coralli. Hanno una delicata simbiosi con i dinoflagellati che vivono all'interno delle loro cellule e, quando l'acqua rimane troppo calda per troppo tempo, questo provoca lo sbiancamento dei coralli, che di fatto muoiono di fame. Purtroppo, proprio in questo momento, il quarto evento globale di sbiancamento dei coralli è in pieno svolgimento.
Le barriere coralline centrali non sono state studiate a fondo. Rappresentano meno dell'uno per cento dell'intera superficie oceanica, nonostante siano regioni ad altissima biodiversità. Quindi, in realtà, non sappiamo nemmeno dove si trovino alcune delle aree coralline più ricche. Possiamo fare delle ipotesi basandoci sulle immagini satellitari, ma per farlo davvero dobbiamo immergerci, magari con maschera e boccaglio o, meglio ancora, con l'attrezzatura da sub, e vedere cosa si nasconde laggiù. Tuttavia, il tempo a nostra disposizione per censire in modo completo e olistico tutte le barriere coralline del pianeta è ormai scaduto. Dobbiamo accelerare i metodi per individuare le aree particolarmente ricche di coralli.
Allo stesso modo, anche se ho detto che la maggior parte dei coralli è molto sensibile alle alte temperature, ce ne sono altri che, per qualche ragione, mantengono la loro resilienza quando la qualità dell'acqua di mare si deteriora. Dobbiamo trovare questi coralli per capire cosa fanno di diverso. Possiamo propagarli per cercare di ripristinare le barriere coralline, ma il nostro approccio abituale è quello che io chiamo "cercare un ago in un pagliaio". Ci immergiamo, setacciamo i detriti e speriamo di trovarne qualcuno, per pura fortuna.
Abbiamo bisogno di un metodo più mirato e basato sui dati per identificare i coralli resistenti ai cambiamenti climatici. Sono proprio questo tipo di domande a cui ho cercato di rispondere utilizzando JMP. Chiamo questo approccio "utilizzo della modellazione predittiva per colmare le principali lacune di conoscenza in JMP Pro". Ho un paio di domande da porre. Le domande 3 e 4 sono estremamente importanti e mi stanno molto a cuore, ma non avremo tempo di approfondirle oggi. Le troverete nelle slide e nei dati che fornirò sulla mia pagina web, quindi potete anche contattarmi via email se desiderate maggiori dettagli, ma ho incluso degli script nelle tabelle dei dati e una guida passo passo su come rispondere.
Oggi mi concentrerò invece sulle domande 1 e 2. Possiamo utilizzare dati preesistenti per prevedere dove si trovano altre barriere coralline con percentuali molto elevate di coralli vivi? Queste barriere saranno più preziose in termini di habitat per importanti specie ittiche e di protezione delle nostre coste dall'energia delle onde. Non saranno necessariamente le più resistenti, ma forse le più preziose.
La seconda domanda, invece, riguarda la ricerca di questi "super coralli", ovvero quelli che, per qualche ragione, sembrano mantenere la loro resilienza di fronte ai cambiamenti climatici e ad altri fattori di stress. Il motivo per cui oggi voglio concentrare il mio intervento su questo set di dati di Palau è che si è trattato di un'opportunità davvero straordinaria, grazie alla Living Oceans Foundation. Un folto team di scienziati ha raccolto quello che io chiamo un set di dati "dalle molecole ai satelliti".
Questo è il mio modo un po' pretenzioso di dire che abbiamo raccolto dati da ogni scala immaginabile. Abbiamo dati satellitari dallo spazio. Abbiamo la nave, che effettua transetti, filma, studia il benthos che caratterizza il fondale marino. Abbiamo subacquei come me, che osservano cosa vive sulla barriera corallina. Il mio compito principale è stato quello di prelevare campioni di corallo per cercare di farmi un'idea della sua salute e della sua resilienza. Si tratta di un insieme di dati davvero ricco che credo sarà utile per rispondere ad alcune delle domande che ho posto.
Ho usato il termine bioprospezione perché stiamo cercando di sfruttare la capacità di questi dati per fare previsioni sulle barriere coralline che forse non abbiamo studiato. Dato che siamo stati lì per un mese, abbiamo raccolto un set di dati straordinario, ma in realtà abbiamo solo scalfito la superficie di ciò che c'è, usando la modellazione predittiva per colmare le lacune.
La prima parte della presentazione, o forse la prossima sezione più consistente, consisterà nell'identificare le aree ad alta copertura corallina. Con questo intendiamo le aree con una grande abbondanza di coralli costruttori di barriera, quelli che effettivamente costituiscono la barriera corallina. Vogliamo cercare di individuare barriere coralline ad alta copertura corallina che magari non abbiamo ancora visto. I parametri ambientali che utilizziamo sono, ad esempio, la qualità dell'acqua di mare, la posizione geografica e altri parametri relativi all'habitat.
Vorrei precisare, nel caso ve lo stiate chiedendo, perché è necessario fare tutto questo? Non basterebbe guardare un'immagine satellitare o usare Google Maps per stimare la posizione dei coralli? In realtà avreste ragione. Questo vi darebbe un'idea approssimativa della posizione delle barriere coralline, ma non vi direbbe quali sono effettivamente vive. Una barriera corallina viva e una morta, infatti, appaiono molto simili nelle immagini satellitari, quindi dobbiamo affidarci ai dati dei subacquei per verificare cosa è vivo e cosa no.
Probabilmente molti di voi non conoscono Palau, ma si tratta di una splendida piccola nazione insulare in Micronesia. L'unico motivo per cui gli occidentali la conoscono è che è un paradiso per le immersioni, e lo è ancora. Non voglio dipingere un quadro troppo cupo e dire che tutto è ridotto in macerie. Ma d'altra parte, queste barriere coralline non sono certo incontaminate. Devono affrontare le stesse sfide che affrontano le barriere coralline di tutto il mondo, in particolare le alte temperature. Fatta questa premessa, apriamo finalmente JMP.
Sto usando JMP Pro 18. La prima cosa che voglio fare, e in questo JMP eccelle davvero, è esplorare i miei dati. Noterete che in questa tabella dati semplificata ci sono solo cinque colonne. Ho i siti. Abbiamo visitato 86 siti di barriera corallina. Ho latitudine e longitudine. Ho alcune foto rappresentative che vi mostrerò tra un attimo. Ho la copertura corallina, che è ciò che cercheremo di prevedere in seguito.
Apriamo Palau su una mappa per darvi un po' di contesto. Ho aperto Graph Builder e noterete che non ho nemmeno bisogno di posizionare latitudine e longitudine sull'asse corretto. JMP sa intuitivamente dove metterle. Chiudete questa riga. Ma non vedete ancora Palau perché devo ancora aggiungere una mappa di sfondo. Dato che ora mi trovo in Arabia Saudita, ho avuto qualche problema di sincronizzazione con alcuni di questi server, ma penso che per ora questo semplice server di mappe stradali sia sufficiente.
Questi punti neri ci mostrano i nostri siti di immersione. Noterete che c'è una certa distorsione. Siamo riusciti ad attraversare solo la parte occidentale del paese a causa delle condizioni di vento prevalenti, quindi tenetelo presente. Quello che vorrei fare ora è sovrapporre i dati sulla copertura corallina alla mappa. Sono pronto a chiudere questa finestra, ma non sono ancora dove vorrei essere.
Innanzitutto, avevo disattivato la legenda. Riattiviamola. In realtà, vorrei cambiare la combinazione di colori. Vorrei che non fosse il rosso a indicare un'alta copertura corallina, ma il verde, perché voglio evidenziare il concetto che una barriera corallina con un'elevata copertura corallina è un ambiente desiderabile.
Noterete che ho commesso un errore qui. In realtà non mi interessa visualizzare la latitudine, quindi trascinerò questa mappa di calore e rimuoverò i punti che rappresentavano la latitudine. Tornerò alla copertura corallina e la modificherò, riportandola al verde per indicare l'altitudine. Ci stiamo avvicinando, ma ormai l'isola è quasi scomparsa perché i pixel sono troppo grandi. Questo è un trucco che ho scoperto qualche anno fa.
In realtà, se si utilizza una mappa di calore per sovrapporre i dati a una mappa, è possibile forzare una griglia modificando gli incrementi alle dimensioni desiderate e attivando le linee della griglia. Ora sì che ci siamo. Stiamo ottenendo qualcosa che assomiglia di più a quello che vorrei, e forse anche a una pubblicazione. Però vedo ancora troppe linee, quindi disattiverò di nuovo le linee della griglia. Centriamo un po' meglio. Sembra abbastanza buono. Potrei sistemare un po' gli assi, per renderli più puliti.
Ma, in realtà, il punto di tutto questo ora è esplorare. Quello che noterete è che qui, nell'estremo nord, vediamo un po' più di rosso e arancione. Si tratta di aree con una minore abbondanza di coralli. C'è una zona qui dove vediamo meno coralli. E abbiamo una discreta varietà, o meglio, variabilità, qui a sud.
Le barriere coralline più ricche di coralli si trovano in questa regione a ovest-sudovest. Voglio che teniate bene a mente questo concetto. Voglio anche mostrarvi, ok, so che il concetto è quello di copertura corallina, copertura corallina, copertura corallina. Questo potrebbe essere un concetto astratto per chi non è un biologo marino. Quello che ho fatto qui è caricare, per un paio di questi siti, quella che considero una foto rappresentativa. Come potete vedere, questa è una barriera corallina con circa il 46% di copertura corallina. Questa è più o meno la media nazionale, come vedremo tra un attimo. Forse questa non è l'immagine migliore per evidenziare questo punto, perché a un occhio inesperto sembra completamente ricoperta di coralli, ma alcune di queste formazioni in realtà non contribuiscono alla costruzione della barriera corallina. Non contribuiscono alla struttura di questa struttura. È un po' ingannevole. Non che questo non sia un sito bellissimo, ma non è ricco di coralli come lo è in altri posti, come vedremo.
Chiudiamo questa sezione per ora. Passiamo ora al set di dati più completo, che è sempre composto da 86 righe, con latitudine, longitudine e copertura corallina, ma qui vedremo anche parametri ambientali aggiuntivi che, a mio avviso, influenzano la copertura corallina, e ne parleremo più avanti. Si tratta, ad esempio, di elementi come la qualità dell'acqua di mare.
Se la mia domanda è: voglio essere in grado di prevedere dove si trovano le aree con un'elevata copertura corallina che non abbiamo ancora osservato. Un modo, oltre alla semplice rappresentazione su una mappa, che potreste voler esplorare è tramite questa pratica funzione chiamata schermata di previsione. Quello che farò qui è prendere la copertura corallina come Y e poi scegliere un sottoinsieme di questi fattori ambientali che prevedo possano influenzare la copertura corallina come X. Si ottiene questo grafico molto intuitivo e facile da interpretare. Il predittore che ha contribuito maggiormente alla variazione della copertura corallina è stata la latitudine, e questo ha senso. Abbiamo osservato livelli di copertura corallina più bassi a nord e più alti a sud. Scusate, più bassi nell'estremo sud, ma forse un punto ottimale al centro, e questo è confermato da questa schermata di previsione.
Devo precisare che per anni ho interpretato male questo dato. Pensavo che rappresentasse la proporzione della variazione spiegata dalla latitudine. In realtà non è del tutto vero. Credo che si tratti piuttosto della proporzione di volte in cui la latitudine è stata inclusa in un modello ad albero potenziato. Questo non significa che il 33% della variazione sia spiegato dalla latitudine, ma si può affermare che la latitudine, ad esempio, ha circa il doppio dell'influenza della temperatura. Mentre questi parametri, che avrei ipotizzato a priori come fattori determinanti della variazione nella copertura corallina, tendono a non avere una grande influenza. A dire il vero, stavo quasi per non includere questo dato perché è essenzialmente negativo, ma è una funzionalità davvero utile.
Se volessi ottenere una sorta di rappresentazione grafica di ciò che abbiamo appena visto, oltre a guardare la mappa, un'altra cosa che potrei fare è raggruppare i dati relativi agli organismi che vivono sul fondale marino. In pratica, si può suddividere tutto ciò che i subacquei vedono in queste quattro categorie: coralli duri, alghe, altri invertebrati, quindi altre cose come le spugne, e poi il substrato sterile. Non è propriamente sterile, ma questa è la parte del substrato che non è vivente, quindi sabbia, rocce e cose di questo tipo. La somma di queste quattro categorie darà il 100%.
Quello che farò è impilarli, e il motivo per cui voglio impilarli è perché questo mi permetterà di creare quello che considero un grafico davvero efficace. Ora che ho tutti questi dati bentonici impilati nella stessa colonna, posso trascinarli come asse Y. Avrò questa sovrapposizione. Attiverò la legenda e la convertirò in un grafico a barre. Non ci siamo ancora del tutto perché voglio evidenziare il fatto che queste quattro entità sommano al 100%. Quindi vado e trasformo questo in un grafico a barre impilate. La loro somma è 100, e questo sottolinea qualcosa che non ho menzionato prima.
Ho accennato al fatto che il 45% è la copertura corallina media per i siti che monitoriamo. Questo valore è in realtà molto alto per gli standard internazionali, quindi è un buon segno per Palau. Hanno ancora molti coralli vivi. La cattiva notizia è che anche la copertura algale del 40% è molto alta. Se conoscete le basi dell'ecologia marina di una barriera corallina, sapete che c'è questa lotta tra coralli e alghe. Entrambi si contendono lo spazio. In una barriera corallina, è preferibile avere una maggiore copertura corallina a scapito delle alghe. Questo non significa che le alghe siano sempre un male nell'oceano, ma sulle barriere coralline competono con i coralli, quindi in questo caso bisogna accettare il bene e il male. Non è questo che volevo mostrarvi. Quello che volevo mostrarvi è quanto sia facile analizzare come questa comunità varia in base a diversi fattori ambientali che potrebbero interessarmi. Ci ho messo un minuto, e probabilmente non avrei problemi a copiare e incollare questo testo in un documento Word e allegarlo al mio elaborato.
Ad esempio, qui abbiamo tre diversi tipi di barriera corallina. Possiamo vedere come la copertura corallina sia praticamente la stessa, il 45% per tutti questi tipi di barriera, e questo coincide con quello che abbiamo visto nella schermata di previsione. Il tipo di barriera non si è rivelato un predittore molto utile, né lo è stata l'esposizione. Si tratta essenzialmente dell'energia delle onde che colpisce le barriere. Come si può notare, influisce su altri aspetti, come la minore presenza di alghe sulle barriere protette. Questo è in realtà l'opposto di quanto accade in molte parti del mondo. Basti dire che per un ecologo, questa figura è molto ricca e informativa, e mi ci sono voluti solo 30 secondi per realizzarla, quindi questa è una piccola parentesi. Penso che sia una funzionalità davvero interessante. Sovrapporre i dati e usarli per creare quelli che io chiamo grafici di assemblaggio bentonico.
Ricordate, stiamo facendo tutto questo perché vogliamo costruire un modello per la copertura corallina. Dopo aver esplorato un po' i dati, ho capito quali sono i fattori che ne determinano la variabilità. Ora mi dedicherò alla sezione di modellazione predittiva di JMP Pro e userò questa funzionalità introdotta qualche versione fa che mi piace molto, chiamata "schermata modello". Questa funzione mi permetterà di testare simultaneamente un gran numero di diversi tipi di modellazione.
Quello che sto cercando di prevedere è la copertura corallina. Ho una colonna di validazione che ha effettivamente suddiviso i miei 86 siti in 75% dati di addestramento e 25% dati di validazione. Attiverò alcune di queste opzioni aggiuntive. Alcune di queste interazioni a due vie nelle equazioni quadratiche potrebbero non avere senso, ma lasciamole attive per ora. Ho questi predittori di elementi che abbiamo esplorato in precedenza e che penso possano influenzare la copertura corallina. Alcuni di essi, probabilmente, avremmo già potuto rimuoverli perché non molto importanti, ma non preoccupiamoci per ora.
Analizziamo il nostro R-quadrato di validazione, ovvero quanto bene il modello è riuscito a prevedere la copertura corallina del nostro set di dati di validazione. Noterete che non ha ottenuto risultati particolarmente buoni. Stiamo osservando valori di R-quadrato intorno a 0,3, che tendono a essere più tipici dei modelli di machine learning più complessi. Lo screening dei modelli non serve necessariamente a fornirvi il modello che verrà utilizzato nel vostro articolo, ad esempio, ma piuttosto a darvi un'idea generale di dove volete andare a esplorare. So che per alcuni di questi set di dati ecologici particolarmente complessi, le reti neurali tendono a dare ottimi risultati.
In precedenza, ho identificato una rete neurale, la nostra rete neurale con solo sette fattori ambientali, che aveva un R-quadro di validazione di circa 0,72, che se si cerca di prevedere fenomeni oceanici, credo sia un ottimo valore. L'esecuzione richiederà un paio di secondi, quindi vorrei tornare a PowerPoint per mostrarvelo. Questo modello è stato scoperto grazie a un componente aggiuntivo davvero ingegnoso, sviluppato da un utente JMP molto esperto, Diedrich Schmidt, il quale, come sapete, ha sviluppato un ottimo componente aggiuntivo di auto-tuning generalizzato che permette di testare un gran numero di combinazioni di questi iperparametri. Si tratta di elementi come il numero di strati nascosti, il grado di boosting quando si ha un singolo strato, i tipi di nodi di attivazione e cose del genere.
Vediamo. Esploriamo un po' questa rete neurale. Una cosa che potreste notare, e che potrebbe destare qualche preoccupazione, è che il valore di R-quadro per l'addestramento è notevolmente inferiore a quello per la validazione. Potreste essere colpiti dal valore di validazione e pensare: "Ehi, 0,88 è un risultato straordinario per un set di dati ecologici". Questo potrebbe essere un chiaro segnale di overfitting. Ma per ora, consideriamolo semplicemente come un possibile errore di esecuzione, e fingiamo di essere soddisfatti del modello, perché quello che voglio davvero illustrare sono un paio di cose.
Innanzitutto, nel profilo di previsione, disattiverò la valutazione dell'importanza delle variabili perché voglio rifarlo. In pratica, questo processo ordina i fattori ambientali in base alla loro influenza nel modello. L'output sarà molto simile alla schermata dei predittori. In questo caso, poiché ho già eseguito questo modello in precedenza, l'ordine era già stato definito. Tuttavia, eseguendo l'analisi dell'importanza delle variabili, i predittori nel profilo di previsione verranno riordinati in base alla loro dimensione dell'effetto totale. Come si può vedere in questo caso, la longitudine ha avuto un impatto maggiore rispetto alla latitudine, quindi l'ordine che si vede qui, dall'alto verso il basso, corrisponde all'ordine mostrato qui.
Le cose che abbiamo scoperto, sorprendentemente, l'esposizione, anche se non abbiamo visto molta influenza dell'esposizione, nel grafico precedente, è comunque classificata sopra alcune di queste altre, quindi questa è una cosa interessante. Vediamo che ha senso. Le coordinate spaziali hanno senso in base a ciò che abbiamo visto dalla mappa. Non abbiamo esaminato molto l'emersione della barriera corallina, ma l'ho rappresentata brevemente. Si poteva vedere un impatto molto limitato sulla copertura corallina, e questo ci mostra un valore che è all'incirca la media per l'intero paese leggermente inferiore.
Ma quello che voglio fare è, diciamo, che sono soddisfatto di questo modello e non ho riscontrato alcun segno di overfitting, e che ha superato i miei vari criteri. Quello che voglio fare, e questo è ciò che trovo davvero fantastico, è eseguire questa analisi di desiderabilità. Il sistema la ricorda perché l'ho già fatta in precedenza, ma voglio dire a JMP di massimizzare la copertura corallina. Forniscimi le condizioni in cui, in base a questo modello, ci si aspetterebbe di avere la massima copertura corallina. Quindi massimizzerò la desiderabilità, e quel valore è salito al 73%.
Torniamo alla diapositiva. Ho questo grafico di distribuzione. Ho calcolato la copertura corallina su tutto il paese. Abbiamo questa media di 45 che abbiamo menzionato prima, ma l'intervallo è in realtà molto ampio. Va dal 2 al 78%. Potreste chiedervi perché il modello non ci abbia semplicemente consigliato di tornare a quella barriera corallina con il 78%. Il motivo è che abbiamo rimosso il sito e, in questo caso, l'isola dal modello, perché non vogliamo distorcerlo con... Vogliamo che sia più generalizzabile per l'intero paese.
Altrimenti, se si aggiungono semplicemente il sito, l'isola e cose del genere, si potrebbe benissimo tornare nel luogo in cui è stata trovata la maggiore copertura corallina. Questa sarebbe l'ipotesi più probabile, ma stiamo cercando di creare un modello più generalizzabile per ottenere informazioni su luoghi che non abbiamo ancora individuato. Il 73% è una copertura corallina incredibilmente alta, ma non del tutto impossibile. Lo menziono perché quando si effettuano questo tipo di analisi di desiderabilità con dati ambientali, l'estrapolazione è sicuramente un problema.
In questo caso, ho già analizzato la situazione in anticipo. Nessuna di queste condizioni mi sembra assurda. Sono tutte condizioni che un biologo marino direbbe: "Ehi, guarda, riesco perfettamente a immaginare una barriera corallina esterna alla laguna, che emerge con questa profondità media del sito". È certamente possibile per una barriera corallina. Ho avuto altri modelli che ho realizzato, in cui, se non si attiva il controllo di estrapolazione, si ottengono condizioni che non si verificavano sul pianeta da prima della rivoluzione industriale. Quando si cerca di fare previsioni, soprattutto in un sistema dinamico, è opportuno utilizzare questi controlli di estrapolazione. Non ho ricevuto un avviso quando ho attivato l'avviso, ma avrei potuto riceverlo. In caso di problemi con l'estrapolazione, è possibile rieseguire il modello.
In questo caso, è cambiato a malapena perché non ci sono problemi, ma quello che noterete qui è che alcune di queste linee sono diventate fisse. Se sapete qualcosa sulle barriere coralline, sapete che una barriera esterna si trova sempre all'esterno della laguna. Non mi permette nemmeno di trascinarlo perché dice: "Ehi, non ti permetteremo di simulare una condizione che non esiste nel tuo set di dati". O in questo caso, non esiste in natura. Questa è in realtà una cosa davvero interessante.
Quello che farei, di nuovo, se fossi soddisfatto di questo modello è... sapete cosa farò. Non barerò, ma lo eseguirò di nuovo, e il motivo diventerà chiaro. Perché quello che voglio fare è pubblicare questo modello sul mio sito web. So che se si esegue l'analisi di desiderabilità, in pratica si correggono quelle condizioni. Questo potrebbe essere auspicabile, ma nel mio caso, voglio che sia un sito in cui altri utenti possano inserire i propri dati, o magari i dati relativi alle barriere coralline che vogliono esaminare, e poi ottenere un output sulla possibile copertura corallina.
Un'altra cosa che volevo fare. Vediamo. No. Ho tolto la mappa. In realtà volevo usare quelle coordinate e vedere esattamente dove si sarebbero collocate all'interno di Palau, ma penso che lo faremo un'altra volta. Però ricordo che quando ho fatto questa simulazione in precedenza, era da qualche parte in quella regione sud-occidentale del paese, dove in passato tendevamo a vedere una maggiore copertura corallina.
Come potete vedere, questa riedizione del modello è piuttosto simile. Ma quello che voglio fare è fingere di essere soddisfatti di questo modello. Anzi, vorrei pubblicarlo su JMP Public e spero che non ci voglia troppo tempo perché sono già connesso. Lo inserirò in questa cartella di JMP Discovery. Potrei aggiungere qui ulteriori informazioni. Se volessi, potrei anche allegare un'immagine.
Vediamo come si presenta. Spero sia interattivo. A volte, quando lo eseguo e il programma si ricorda ancora che sono interessato a massimizzare la copertura corallina, mantiene attiva l'analisi di desiderabilità, il che è ottimo nella maggior parte dei casi, ma a volte può essere problematico se si desidera pubblicare l'HTML interattivo. La generazione del report richiederà qualche istante, quindi ci torneremo tra un attimo, ma vi mostro, dato che l'ho già fatto in anticipo, come apparirà.
Questo è il mio sito web. Ho una sezione dedicata a Palau, una pagina specifica che ho chiamato "Bioprospezione a Palau", dove sostanzialmente... non lo sto facendo solo come prova di concetto per JMP. Si tratta di risultati che mi interessano molto. Come potete vedere, non è esattamente lo stesso modello, ma è simile a quello che ho appena eseguito. Ad esempio, ho collaboratori e colleghi che lavorano a Palau che mi dicono: "Ehi, abbiamo trovato questa barriera corallina sulla mappa. È una barriera corallina sommersa all'interno della laguna. È una barriera di retro-barriera o, diciamo, una barriera corallina lagunare a chiazze. È poco profonda e, in tal caso, sarebbe protetta. Abbiamo scoperto che si trova più o meno qui, e la sua posizione è più o meno qui."
Forse non è un ottimo esempio perché ci mostra la media per l'intero paese, quindi la supposizione del modello sarebbe: "Ehi, vai a dare un'occhiata a quel posto". Sarebbe una barriera corallina valida come qualsiasi altra, e potresti ottimizzare il modello, migliorandone l'addestramento inserendo la quantità che hai effettivamente visto.
Quello che ho fatto qui è stato inserire una visualizzazione statica della desiderabilità ottimizzata. Come potete vedere, è leggermente diversa perché varia da un'esecuzione all'altra. Ma in questo caso, queste sono le condizioni previste dal mio modello, che porterebbero a una barriera corallina con una copertura corallina del 67%, che è davvero elevata. Quindi, come si fa?
Ecco come appare. Di nuovo, il modello è leggermente diverso, ma è stato pubblicato correttamente. È interattivo. Tutto quello che devo fare... Vediamo se questo è d'intralcio. Potrei fare due cose. Potrei usare il codice di incorporamento dell'iframe o della card. Preferisco l'iframe perché la card, in pratica, inserisce solo questo piccolo frammento qui, che è essenzialmente un collegamento ipertestuale elaborato che ti porterà alla pagina pubblica di JMP, che potrebbe essere tutto ciò di cui hai bisogno. Ma se vuoi effettivamente avere questa finestra incorporata in cui gli utenti possono entrare e inserire i propri dati, allora devi usare l'iframe.
Sto usando Squarespace, ma letteralmente è facilissimo: basta inserire del codice o incorporarlo. Io l'ho copiato dal sito web pubblico di JMP. Ci vorranno alcuni secondi per caricarlo e poi, voilà, salvate, aggiornate la pagina e inviate il link ai vostri colleghi. Se usano JMP, ottimo, potranno ottenere molti più dettagli. Altrimenti, possono iniziare a testare ipotesi e a cercare di ottenere stime per elementi come la copertura corallina, usando questa funzione.
Probabilmente questa è una cosa che esiste da anni ed è impossibile da realizzare per JMP, ma mi ha davvero stupito il fatto che si possa avere un profiler predittivo interattivo su un sito web con tanta facilità. C'è un enorme potenziale per rispondere a tutte quelle domande che mi sono sempre posto.
Per questioni di tempo, non mi dilungherò sull'esempio dei super coralli perché, come potete immaginare, ci vogliono un paio di minuti per arrivarci. Ma, giusto per anticiparvi qualcosa, il processo è essenzialmente lo stesso. Se state utilizzando un modello predittivo, invece di considerare la copertura corallina, userete questo indice di salute dei coralli che ho generato un paio di anni fa. Potete vedere quanto lavoro ci vuole. È un metodo ad altissima risoluzione, ma anche molto costoso. Non c'è modo di misurare tutti questi parametri su milioni e milioni di coralli.
Anche in questo caso, è necessario utilizzare la modellazione predittiva in modo da poter idealmente disporre di indicatori indiretti più economici che, invece di spendere migliaia di dollari per misurare queste sofisticate caratteristiche molecolari, ci affidiamo a questi modelli predittivi per dire: "Ehi, se vuoi un corallo che ha il 99% di probabilità, in questo esempio, di essere un 'super corallo', avrà queste dimensioni su una barriera corallina con un'elevata copertura corallina, con una bassa diversità di coralli, eccetera, eccetera". Si tratta di un processo analitico molto simile in JMP Pro per affrontare una questione diversa.
Dove si trovano questi super coralli? Potrei pubblicarlo sul mio sito web, e questo aiuterebbe le persone a pianificare. Abbiamo dei progetti in corso: l'istituto con cui collaboro, Cord App, sta lavorando con persone a Palau interessate a trovare questi super coralli perché vogliono riprodurli nei loro vivai di coralli. Questi strumenti di previsione, che deriveranno dai modelli basati su JMP Pro, saranno estremamente utili per aiutarli a individuare con precisione dove potrebbero trovarsi queste barriere coralline.
Se questo argomento vi interessa, vi incoraggio a guardare la presentazione. Ho saltato diverse diapositive. Ho inserito tutti gli script nella tabella dati di JMP, quindi potete eseguire l'analisi autonomamente. Credo che si possano fare cose davvero importanti con i tipi di dati che provengono dalle barriere coralline. Ad esempio, per ottimizzare la pianificazione della conservazione marina.
Penso di aver tratto davvero beneficio dal lavorare con JMP e dall'imparare a conoscere il software. Mi ha aiutato molto a rispondere ad alcune di queste grandi domande che sono al centro di questioni come il cambiamento climatico e il destino del pianeta. Credo che si abbia davvero la sensazione di avere un mondo a disposizione man mano che si acquisisce familiarità con JMP, e in particolare con JMP Pro, se ci si occupa molto di modelli predittivi. Consiglio vivamente a tutti di mettersi in gioco, esplorare e provare ad affrontare alcune di queste grandi domande, perché rimarrete sorpresi da quanto si può fare.
Con questo, vorrei concludere la mia presentazione, ma vi ringrazio per l'attenzione e non esitate a contattarmi via email se avete domande su qualsiasi argomento trattato. Grazie.
