FM Michael Mechenich puolustaa väitöskirjaansa "Machine Learning Methods for Ecological Modeling Under Global Change" perjantaina 20.3.2026 klo 13 Helsingin yliopiston Exactum-rakennuksen auditoriossa CK112 (Pietari Kalmin katu 5, pohjakerros). Vastaväittäjänä toimii professori Panagiotis Papapetrou (Stockholms universitet, Ruotsi) ja kustoksena professori Indrė Žliobaitė (Helsingin yliopisto). Väitöstilaisuus pidetään englanniksi.
Michael Mechenichin väitöskirjatyö on osa Helsingin yliopiston tietojenkäsittelytieteen osastolla ja Computational Data Analysis -ryhmässä tehtävää tutkimusta. Väitöskirjan ohjaajana on toiminut professori Indrė Žliobaitė (Helsingin yliopisto).
Koneoppimismenetelmiä globaalimuutoksen ekologiseen mallinnukseen
Ekologisella mallinnuksella tutkitaan biosfäärin ja abioottisen ympäristön välisiä assosiaatiomalleja sekä bioottis-abioottisen kytköksen kvantifikaatiokäsityksiä, jotka ensimmäisenä esitti luonnon "maalauksena" Alexander von Humboldt 1800-luvulla. Ekologisen mallinnuksen eri muodoilla, joita ovat makroekologinen mallinnus sekä SDM (Species Distribution Modeling) ja JSDM (Joint Species Distribution Modeling), tuotetaan kvantitatiivisia ennusteita, jotka edistävät tieteellistä ymmärrystämme luonnonjärjestelmistä ja auttavat ennakoimaan eliöstön vastetta ihmisen aiheuttamiin nopeisiin ympäristömuutoksiin.
Tässä väitöskirjassa esitellään koneoppimismenetelmiä sekä laaja koneoppimiseen soveltuva tietokanta maapallon muuttuvan järjestelmän ekologiseen mallinnukseen: ilmasto-olosuhteiden globaalimuutos ja eliöyhteisöjen lajikoostumus - geologisessa menneisyydessä ja ihmisen toiminnan muuttamassa tulevaisuudessa - edellyttävät uusiin olosuhteisiin yleistettäviä malleja. Näiden koneoppimismenetelmien soveltaminen ja kehittäminen tuottaa uutta tieteellistä näkemystä ja edistää kahden ekologisen mallinnustekniikan käyttöä: SDM ennustaa lajien esiintyvyyttä tai runsautta ympäristöolosuhteiden perusteella.
Ekometrinen mallinnus kääntää ehdollisen riippuvuuden suunnan ja ennustaa ympäristöolosuhteita yhteisötason toiminnallisten ominaisuuksien perusteella. Tässä työssä esitellään edistystä neljässä mallinnusprosessin vaiheessa: Ensinnäkin edistetään spatiaalista otantaa ja tietoaineiston keruuta kehittämällä Eco-ISEA3H-tietokantaa, joka on ensimmäinen yleistason maapallon havainnointiresurssi (Earth Observation, EO) ekologiseen mallinnuksen ja perustuu pintatarkkaan DGGS (Discrete Global Grid System) -järjestelmään. Toiseksi käsitellään ominaisuuksien rakentamista, kun laaditaan uutta, evolutionaarisia valintapaineita edustavaa ääriolosuhteiden joukkoa käytettäväksi ekometrisessä mallinnuksessa. Kolmanneksi työssä laajennetaan ominaisuuksien valintaa esittelemällä uusi siirrosoppimisen metodiikka, joka koostuu kahdesta osasta: (1) poistetaan vahvasti korreloivat ominaisuudet ja (2) tunnistetaan FFS (Forward Feature Selection) -valinnalla ja spatiaalisella ristivalidoinnilla käytettävissä olevien ominaisuuksien pienin mutta eniten selittävä osajoukko. Viimeiseksi edistetään mallin validointia kehittämällä tetromino-pakkaamiseen pohjaava spatiaalinen estoväline spatiaalista ristivalidointiprosessia varten.
Tässä väitöstyössä kehitettyjen ja arvioitujen menetelmien yhteiskäytöllä pyritään määrittelemään ja suhteuttamaan eliöyhteisöjä ja ympäristöä uusiin olosuhteisiin sovellettavalla tavalla. Koneoppimismenetelmiä käytetään yhä enemmän ekologis-kvantitatiivisessa tutkimuksessa, ja ekologisten mallien tuottamia ennusteita hyödynnetään yhä enemmän maankäytön ja luonnonsuojelun suunnittelussa. Tässä väitöskirjassa esitellyt menetelmät helpottavat mallien kehittämistä perustaen tarkkaan spatiaaliseen otantaan, olennaisiin ja informatiivisiin ominaisuuksiin ja tavoitteisiin sekä ympäristötietoaineistojen yleiset riippuvuusrakenteet huomioon ottavaan arviointiin.
Väitöskirjan saatavuus
Väitöskirjan elektroninen versio tulee olemaan saatavilla Helsingin yliopiston avoimessa julkaisuarkistossa Heldassa osoitteessa
Painettuja väitöskirjoja voi tiedustella väittelijältä itseltään: