Most mechanistic predator-prey modelling has involved either parameterization from process rate data or inverse modelling. Here, we take a median road: we aim at identifying the potential benefits of combining datasets, when both population growth and predation processes are viewed as stochastic. We fit a discrete-time, stochastic predator-prey model of the Leslie type to simulated time series of densities and kill rate data. Our model has both environmental stochasticity in the growth rates and interaction stochasticity, i.e., a stochastic functional response. We examine what the kill rate data brings to the quality of the estimates, and whether estimation is possible (for various time series lengths) solely with time series of population counts or biomass data. Both Bayesian and frequentist estimation are performed, providing multiple ways to check model identifiability. The Fisher Information Matrix suggests that models with and without kill rate data are all identifiable, although correlations remain between parameters that belong to the same functional form. However, our results show that if the attractor is a fixed point in the absence of stochasticity, identifying parameters in practice requires kill rate data as a complement to the time series of population densities, due to the relatively flat likelihood. Only noisy limit cycle attractors can be identified directly from population count data (as in inverse modelling), although even in this case, adding kill rate data - including in small amounts - can make the estimates much more precise. Overall, we show that under process stochasticity in interaction rates, interaction data might be essential to obtain identifiable dynamical models for multiple species. These results may extend to other biotic interactions than predation, for which similar models combining interaction rates and population counts could be developed.


翻译:多数机械捕食者- 捕食者- 捕食者- 捕食者- 捕食者- 捕食者- 捕食者- 捕食者- 捕食者- 捕食者- 捕食者- 模拟时间序列模拟密度和死亡率数据。 我们的模型在生长率和交互相近性( 即: 随机性功能反应) 中, 都有环境随机性。 我们用一个中位路 : 我们的目标是确定合并数据集的潜在好处, 当人口增长和预发性过程被视为随机时, 我们的目标是找出合并数据集( 不同的时间序列长度), 并找出( ) 仅与人口数量数或生物量数据的时间序列相匹配。 我们用多种方法来检查模型的可识别性。 渔业信息矩阵显示, 使用和不使用杀人率数据的模型的模型都是可以识别的, 但属于同一功能形式的参数之间仍有关联性。 然而, 我们的结果显示, 如果 捕捉者( ) 在没有精确的相互作用数量中, 只能使用固定点( ) 快速数据周期数据序列中, 将数据序列中, 也只能使用精确的数据序列中 。

0
下载
关闭预览

相关内容

最新《图理论》笔记书,98页pdf
专知会员服务
74+阅读 · 2020年12月27日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
专知会员服务
39+阅读 · 2020年9月6日
【新书】贝叶斯网络进展与新应用,附全书下载
专知会员服务
119+阅读 · 2019年12月9日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
鲁棒机器学习相关文献集
专知
8+阅读 · 2019年8月18日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【计算机类】期刊专刊/国际会议截稿信息6条
Call4Papers
3+阅读 · 2017年10月13日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【推荐】(Keras)LSTM多元时序预测教程
机器学习研究会
24+阅读 · 2017年8月14日
Arxiv
0+阅读 · 2021年4月2日
Arxiv
0+阅读 · 2021年4月2日
Arxiv
0+阅读 · 2021年4月2日
Optimal Rates for Learning Hidden Tree Structures
Arxiv
0+阅读 · 2021年3月31日
Arxiv
0+阅读 · 2021年3月31日
Arxiv
4+阅读 · 2018年1月15日
VIP会员
相关VIP内容
最新《图理论》笔记书,98页pdf
专知会员服务
74+阅读 · 2020年12月27日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
专知会员服务
39+阅读 · 2020年9月6日
【新书】贝叶斯网络进展与新应用,附全书下载
专知会员服务
119+阅读 · 2019年12月9日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
相关资讯
鲁棒机器学习相关文献集
专知
8+阅读 · 2019年8月18日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【计算机类】期刊专刊/国际会议截稿信息6条
Call4Papers
3+阅读 · 2017年10月13日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【推荐】(Keras)LSTM多元时序预测教程
机器学习研究会
24+阅读 · 2017年8月14日
Top
微信扫码咨询专知VIP会员