Уважаемые коллеги, доброго времени суток! Представляем вам нидерландское научное издание Ecological Informatics. Журнал имеет второй квартиль, издаётся в Elsevier, его SJR за 2020 г. равен 0,868, импакт-фактор - 3,142, электронный ISSN - 1574-9541, предметные области - Экологическое моделирование, Моделирование и имитация, Прикладная математика, Экология, Теория расчетов и вычислений, Прикладная наука о компьютерах, Динамика изменения и Таксономия, Эволюция. Вот так выглядит обложка:
Редактором является Георг Архондитсис, контактные данные -georgea@utsc.utoronto.ca.
Журнал посвящен публикации высококачественных рецензируемых статей по всем аспектам вычислительной экологии, науки о данных и биогеографии. Тематика журнала учитывает ресурсоемкий характер экологии, растущую способность информационных технологий получать доступ и использовать сложные данные, а также острую необходимость информирования об устойчивом управлении с учетом глобального изменения окружающей среды и климата. Характер журнала носит междисциплинарный характер на стыке экологии и информатики. В нем основное внимание уделяется новым концепциям и методам мониторинга, а также интерпретации на основе изображений и генома, сбору данных на основе датчиков и мультимедиа, архивированию и обмену данными через Интернет, ассимиляции данных, моделированию и прогнозированию экологических данных.
Адрес издания - https://www.sciencedirect.com/journal/ecological-informatics
Пример статьи, название - Estimating boreal forest ground cover vegetation composition from nadir photographs using deep convolutional neural networks. Заголовок (Abstract) - Ground cover and surface vegetation information are key inputs to wildfire propagation models and are important indicators of ecosystem health. Often these variables are approximated using visual estimation by trained professionals but the results are prone to bias and error. This study analyzed the viability of using nadir or downward photos from smartphones (iPhone 7) to provide quantitative ground cover and biomass loading estimates. Good correlations were found between field measured values and pixel counts from manually segmented photos delineating a pre-defined set of 10 discrete cover types. Although promising, segmenting photos manually was labor intensive and therefore costly. We explored the viability of using a trained deep convolutional neural network (DCNN) to perform image segmentation automatically. The DCNN was able to segment nadir images with 95% accuracy when compared with manually delineated photos. To validate the flexibility and robustness of the automated image segmentation algorithm, we applied it to an independent dataset of nadir photographs captured at a different study site with similar surface vegetation characteristics to the training site with promising results.
