面向物种分布预测的加速计算方法研究——以冷水珊瑚预测为例

摘要

本研究针对大范围物种潜在分布预测问题，选取了随机森林模型(random forest, RF)、支持向量机(support vector machine, SVM)、极限梯度提升模型(eXtreme gradient boosting, XGBoost)作为核心算法，并借助图形处理单元(graphics processing unit, GPU)设计并行计算策略，提出阶段式CUDA加速计算方法，以期在保证预测精度的同时，显著降低计算时间。以北大西洋Desmophyllum pertusum冷水珊瑚为研究对象，本研究运用十折交叉验证以及多种评价方法对模型性能进行了全面评估。实验结果表明，3种模型在合理的精度范围内均显著提升了计算性能。其中，SVM的性能提升效果最为显著，速度提升了88.48%,而RF和XGBoost速度提升分别为88.41%和16.54%。综合来看，XGBoost模型在性能和预测精度方面表现最佳。同时，本研究所提出的阶段式CUDA加速计算方法对随机森林和支持向量机都展现出显著的性能提升效果。

关键词

GPU / 高性能计算 / 机器学习 / 物种潜在分布预测 / 冷水珊瑚 / 北大西洋