Neural Networks in Ecological Data Analysis

A tétel rövid nézete
dc.contributor.advisorTóthmérész, Béla
dc.contributor.advisorBorics, Gábor
dc.contributor.authorVárbíró Gábor
dc.contributor.departmentJuhász-Nagy Pál doktori iskolahu
dc.date.accessioned2009-10-29T09:56:13Z
dc.date.available2009-10-29T09:56:13Z
dc.date.defended2009-09
dc.date.issued2009
dc.description.abstractThe need for better techniques, tools and practices to analyse ecological systems within an integrated framework at wider scales has never been so great. The biological monitoring of the water currents in Hungary provided large volume datasets during the last years thanks to the EU Water Framework Directive (2000). For easy handling the data of the monitoring it is essential to store them in an appropriate ecological database. This database should be capable of the storage of relevant static and dynamic variables from the ecosystems and should also allow the production of matrix inputs for ecosystem analysis. In case of large volume of data, the traditional multivariate statistical methods like cluster analysis and ordination are difficult to interpret and present the information. Self Organizing Map is a novel approach for the visualization of high-dimensional data. In the theses I described in details the SOM algorithm as well as the basic structure of an ecological database. By combining the database structures and the SOM algorithm we were able to characterize frequent Hungarian running water types according to their characteristic phytoplankton assemblages. I constructed the phytoplankton and phytobenton database which is presently in use in the environmental authorities, and is concerned as National Database. By the application of SOM methods we characterized the upper Danube section based on their characteristic diatom communities, and described the differences and similarities of the periphyton of the Lake Velencei on different substrates. A 2001-ben bevezettet EU Vizkeretirányelv, melynek célja a felszíni és felszín alatti vizek jó ökológiai állapotának elérése 2015-re, több élőlénycsoport rendszeres monitorozását irja elő, mely tevékenység nagy mennyiségű ökológiai adatot eredményez. A rendszeres adatgyűjtés és az így keletkező adatok adatbázisba rendezése nemcsak a strukturált adatfeldolgozást teszi lehetővé, hanem az adatok kiértékelésében is nagy szerepet kap. A benne tárolt adatok élettartama nemcsak a vizsgálat idejére korlátozódik, így azok a későbbi elemzésekben is részt vehetnek. Az ökológiai folyamatok tér és időbeli összetettsége, a fajok és a környezeti változók közötti nem lineáris kapcsolat és a változók normalitásának hiánya komoly kihívást jelent az adatfeldolgozásban és az ökológiai folyamatok feltárásában. A mesterséges neurális hálózatok vonzó alternatív eszközzzé váltak az ökológiai adatelemzés során, mert számos előnyös tulajdonsággal rendelkeznek, mint például a nem-linearitás, adaptivitás, általánosítás és modell függetlenség (nem szükséges a-priori modell). A neurális hálózatok alkalmazása, - bár már az 1950-s években megtörténtek a kezdeti lépések - csak az utóbbi évtizedekben terjedt el és vált az ökológusok által is használt statisztikai eszköztár részévé. A neurális hálózatok erős és hathatós segítséget nyújtottak az ökológiai modellezésben, osztályozási feladatok megoldásában és a mintázatelemzések során (Paisley et al., 2003). A neurális hálózatokat számos hidrológiai és hidrobiológiai kutatásban sikerrel alkalmazták; így például a vízminőségi paraméterek modellezésében (e.g. Daniell and Wundke, 1993; Lachtermacher and Fuller, 1994; Schizas et al., 1994; Kaluli et al., 1998; Wen and Lee, 1998) vagy az élőlényközösségek és a környezeti változók közötti összefüggések vizsgálatában (e.g. Chon et al., 1996; Lek et al., 1996; Recknagel et al., 1998; Guegan et al., 1998; Lee et al., 1998; Maier et al., 1998). Nagymennyiségű adat elemzésénél a hagyományos többváltozós elemzések számos esetben nehezen értelmezhetők és eredményik nem jeleníthetők meg közérthető formában. A Kohonen-féle Önszervező Térkép Módszer egy olyan neurális hálózati típus, amely lehetővé teszi nagymennyiségű, összetett, (több dimenziós), adatok elemzését és értékelését. A Teuvo Kohonen által kifejlesztett módszer a dimenzió csökkentése révén a kiindulási adatmátrixot kétdimenziós hexagonális térképre képezi le, megőrizve a kiindulási adatok topológiai és metrikai sajátságait (Kohonen 2001). A módszer legfőbb erénye az adatok szemléletes megjelenítése (Vesanto and Alhoniemi 2000).hu_HU
dc.format.extent139hu_HU
dc.identifier.urihttp://hdl.handle.net/2437/89772
dc.language.isohuhu_HU
dc.language.isoenhu_HU
dc.subjectSelf organizing mapshu_HU
dc.subjectÖnszervező térképhu_HU
dc.subjectneural networkshu_HU
dc.subjectneurális hálózatokhu_HU
dc.subject.sciencefieldTermészettudományokhu
dc.titleNeural Networks in Ecological Data Analysishu_HU
dc.title.translatedNeurális hálózatok alkalmazása az ökológiai adatok értékelésébenhu_HU
dc.typePhD, doktori értekezéshu
Fájlok
Eredeti köteg (ORIGINAL bundle)
Megjelenítve 1 - 4 (Összesen 4)
Nincs kép
Név:
phd_vg_dolgozat_vegso.pdf
Méret:
28.67 MB
Formátum:
Adobe Portable Document Format
Leírás:
Az értekezés angol,magyar" - Nem hozzáférhető
Letöltés
Nincs kép
Név:
phd_vg_tezis.pdf
Méret:
303.5 KB
Formátum:
Adobe Portable Document Format
Leírás:
A tézisek angolul, magyarul - Nem hozzáférhető
Letöltés
Bélyegkép
Név:
ertekezes.pdf
Méret:
28.64 MB
Formátum:
Adobe Portable Document Format
Leírás:
Az értekezés angol,magyar"
Letöltés
Bélyegkép
Név:
tezis_magyar_angol.pdf
Méret:
303.86 KB
Formátum:
Adobe Portable Document Format
Leírás:
A tézisek angolul, magyarul
Letöltés
Engedélyek köteg
Megjelenítve 1 - 1 (Összesen 1)
Nincs kép
Név:
license.txt
Méret:
2.06 KB
Formátum:
Item-specific license agreed upon to submission
Leírás:
Letöltés
Gyűjtemények
Juhász-Nagy Pál Doktori Iskola