One of the major challenges in stream ecology is the development of computational models that can predict aspects of the community structure of organisms from these ecosystems when they are subject to natural or artificial environmental fluctuations. To contribute towards this aim, we conducted a study whose main goal was to evaluate the efficiency and accuracy of different architectures of multilayer artificial neural networks (ANNs) in predicting the species richness and abundance of macroalgae based on environmental variables of tropical streams. We used data from 82 streams located in southern Brazil, where species richness, macroalgal abundance, and environmental parameters were measured. A set of 20 environmental parameters measured directly in the stream was used as explanatory variables. The performance of the ANN architectures was assessed using two different pieces of software (random combinatorial and exhaustive) and the coefficient of determination (R 2) and mean-squared error (MSE). For both species richness and macroalgal abundance, the best ANN architectures were obtained using random combination software and the performance parameters showed a combination of high R 2 and very low MSE. Our results suggest that computational models that are constructed based on ANN frameworks can be efficient and accurate in predicting the species richness and abundance of stream macroalgae from environmental data. Therefore, considering that models based on linear relationships have often failed, we recommend the application of ANNs as a tool to estimate species richness and abundance of lotic macroalgae from environmental data, in the management, conservation, and biomonitoring programs of tropical stream ecosystems.

RESUMOSão demandas crescentes as implementações de tecnologias matemáticas inovadoras, pela indústria de ponta atual, em simulações, modelagens e controle de processos. Neste ínterim, as Redes Neurais Artificiais (RNA) interpelam-se. Emergentes dentre promissoras técnicas de modelagem matemática computacional, a saber -o processamento paralelo e distribuído -possuem a peculiaridade de poderem ser treinadas ou condicionadas a se adaptarem a um conjunto prévio de dados de aprendizagem, generalizando os padrões deles extraídos para o reconhecimento e a classificação de outros dados ainda não vistos, extrapolando sua previsibilidade a eventuais situações extremas de operabilidade e, ainda assim, mantendo sua consistência.Eis que, no contexto deste preâmbulo, propõe-se aqui um software, desenvolvido na plataforma Matlab, visando à solução do problema da determinação de uma arquitetura de RNA otimizada à modelagem de um problema dado. E, como exemplo de um problema de pesquisa para aplicação e análise da viabilidade do software, tomou-se a questão ecológica relativa à predição de riqueza e abundância de macroalgas em ambientes lóticos [1 e 2], por se tratar de um problema com grande número de variáveis de entrada e saídas com comportamento acentuadamente não lineares.No entanto, para que se entenda o papel do software enquanto ferramenta de construção automático de RNAs ótimas, há de se esclarecer que o desempenho de uma RNA é diretamente influenciado pelas configurações de sua arquitetura e, por vezes, uma pequena alteração destas pode acarretar um decréscimo significativo em seu desempenho, o que confere um caráter heurístico ao paradigma de determinação de uma melhor arquitetura candidata à resolução do problema em questão. Exemplificando-se, os parâmetros ou configurações arquitetônicas dentre os mais relevantes são, admitidamente na literatura [3 e 4], o número de camadas de neurônios, o número de neurônios em cada camada e a função ou algoritmo de treinamento. Esta pluralidade de fatores possibilita inúmeras combinações, resultando em um sem número de arquiteturas, sendo que poucas delas apresentam desempenhos viáveis à requerida demanda.Não obstante, o supracitado software alude a uma alternativa útil, por promover sucessivas iterações onde ocorre a variação exaustiva de todos os parâmetros arquitetônicos ditos relevantes dentro de limites convenientemente pré-determinados àquela modelagem, na busca de uma arquitetura resultante com desempenho proeminente. Pormenorizadamente, têm-se as seguintes etapas: 1 -Estrutura de dados principal: O algoritmo solicita ao usuário os dados relativos aos padrões de entrada do problema e seus respectivos dados de saída. O conjunto dos pares entrada-saída é referido aqui como padrões de aprendizagem. Segue-se à delimitação dos intervalos de variação de cada parâmetro arquitetônico, a saber, o número mínimo e máximo de neurônios desejados em cada camada (neste caso duas camadas); a lista de funções de transferência de cada camada para com a seguinte (tansig, logsig e purelin); o...