Predicting the abundance of minnowPhoxinus phoxinus(Cyprinidae) in the River Ariège (France) using artificial neural networks

Publisher Website
Google Scholar
Abstract
The study of abundance of small-bodied species of fish such as minnow is important because these species play an important role in the food-web dynamics of small streams. In this work, we propose the use of an Artificial Neural Network (ANN) to the modelling and prediction of abundance in minnow Phoxinus phoxinus using 10 environmental microhabitat variables: distance from the bank, percentage of boulders, pebbles, gravel, sand, mud, marl, cover respectively, depth and velocity. A total of 372 points were randomly chosen from a total of 465 electrofished point samples to establish a ANN model. A validation holdout of the training of the ANN was undertaken with testing on 93 other sampling points. On the test set, the prediction performance was 92%. Our study showed the advantages of the back-propagation procedure of the neural network in the field of stochastic approaches to ecology of coarse fishes. The limitations of the neural network approaches as well as statistical and ecological perspectives are discussed. L'étude de l'abondance des petites espèces de poissons comme le vairon est nécessaire car ces espèces jouent un rôle important dans la dynamique de la chaîne alimentaire des rivières à salmonidés et cyprinidés rhéophiles. Dans cette étude, nous proposons l'utilisation des réseaux de neurones artificiels pour modéliser et prédire l'abondance du vairon Phoxinus phoxinus à l'échelle du microhabitat. Les poissons ont été échantillonnés par pêche électrique selon la méthode de l'échantillonnage ponctuel d'abondance. Dix variables du milieu ont été prises en compte pour décrire l'environnement ponctuel des poissons : la distance à la berge, le pourcentage de blocs, de galets, de gravier, de sable, de vase et de marne, la profondeur et la vitesse du courant. Sur un total de 465 échantillons ponctuels d'abondance réalisés, nous avons établi le modèle de réseaux de neurones utilisant la procédure de validation croisée : par le processus de tirage aléatoire, nous avons isolé 372 échantillons (soit 80 %) comme l'ensemble d'apprentissage et 93 échantillons restant (20 %) comme l'ensemble de test. Sur l'ensemble de test, la performance de prédiction a atteint 92 %. Notre étude a montré ainsi les avantages de l'algorithme de la rétropropagation de gradient du réseau de neurones pour une approche stochastique de l'écologie des poissons non-salmonidés.

This publication has 0 references indexed in Scilit: