Χρήση αλγορίθμων μηχανικής μάθησης στην ανάδειξη των παραγόντων που διαμορφώνουν την κατανομή κλάσεων φυτοπλαγκτού σε παράκτιες περιοχές του Αιγαίου
Προτείνεται μια ολοκληρωμένη μεθοδολογία για την αποτελεσματική πρόβλεψη της βιοποικιλότητας αποκλειστικά από αβιοτικές παραμέτρους. Η πρόβλεψη επιχειρείται μέσω τριών αλγορίθμων μηχανικής μάθησης: τα δένδρα πρόβλεψης (model trees), τους πολυεπίπεδους αισθητήρες (multilayer perceptron) και τον αλγόρ...
Αποθηκεύτηκε σε:
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | el_GR |
| Δημοσίευση: |
2019
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/11610/19530 |
| Ετικέτες: |
Προσθήκη ετικέτας
Δεν υπάρχουν, Καταχωρήστε ετικέτα πρώτοι!
|
| _version_ | 1828460210802393088 |
|---|---|
| author | Μαρίνου, Μαρία |
| author2 | Γκρίτζαλης, Στέφανος |
| author_sort | Μαρίνου, Μαρία |
| collection | DSpace |
| description | Προτείνεται μια ολοκληρωμένη μεθοδολογία για την αποτελεσματική πρόβλεψη της βιοποικιλότητας αποκλειστικά από αβιοτικές παραμέτρους. Η πρόβλεψη επιχειρείται μέσω τριών αλγορίθμων μηχανικής μάθησης: τα δένδρα πρόβλεψης (model trees), τους πολυεπίπεδους αισθητήρες (multilayer perceptron) και τον αλγόριθμο υποδειγμάτων (instance based learning). Οι παράμετροι αιτίου που χρησιμοποιήθηκαν περιλάμβαναν περιβαλλοντική πληροφορία, συγκεκριμένα συγκεντρώσεις περιοριστικών θρεπτικών ουσιών, διαλυμένου ανόργανου αζώτου (DIN) και φωσφορικών (PO4), αλατότητα (S), θερμοκρασία (Τ), ενώ χρησιμοποιήθηκαν και παράμετροι που δηλώνουν χωρικές τάσεις. Σε όλες τις περιπτώσεις οι αλγόριθμοι μηχανικής μάθησης είχαν υψηλότερη απόδοση στην ταξινόμηση σε σχέση με τις κλασικές μεθόδους παλινδρόμησης. Σε δεδομένα παρουσίας-απουσίας κλάσεων φυτοπλαγκτού υψηλότερη απόδοση είχε ο αλγόριθμος J48 που αποδίδει διαφορετική σημασία στις επιμέρους παραμέτρους, περιβαλλοντικές και χωρικές, ανάλογα με την κλάση, ενώ στα δεδομένα αφθονίας των κλάσεων, ο IBk φαίνεται να είναι o πιο αποτελεσματικός και αξιόπιστος αλγόριθμος πρόβλεψης. Αναπτύχθηκε κώδικας καθώς ο ίδιος ο αλγόριθμος IBk, δεν παρέχει πληροφορία για το ποιες από τις μεταβλητές εισόδου είναι οι σημαντικότερες για την πρόβλεψη της αφθονίας. Για το λόγο αυτό αναπτύχθηκε κώδικας σε προηγμένη γλώσσα R που υπολογίζει την επίδραση των μεταβλητών στην τελική πρόβλεψη της αφθονίας. Ως συμπέρασμα έχουμε, ότι τα δείγματα της αφθονίας που προέρχονται από κοντινές αποστάσεις (μικρή χωρική απόσταση) επιτυγχάνουν καλύτερη πρόβλεψη. |
| id | oai:hellanicus.lib.aegean.gr:11610-19530 |
| institution | Hellanicus |
| language | el_GR |
| publishDate | 2019 |
| record_format | dspace |
| title | Χρήση αλγορίθμων μηχανικής μάθησης στην ανάδειξη των παραγόντων που διαμορφώνουν την κατανομή κλάσεων φυτοπλαγκτού σε παράκτιες περιοχές του Αιγαίου |
| topic | αλγόριθμοι μηχανική μάθηση βιοποικιλότητα machine learning biodiversity prediction Machine learning (URL: http://id.loc.gov/authorities/subjects/sh85079324) Algorithms (URL: http://id.loc.gov/authorities/subjects/sh85003487) Biodiversity (URL: http://id.loc.gov/authorities/subjects/sh87005569) Phytoplankton (URL: http://id.loc.gov/authorities/subjects/sh85101706) Prediction theory (URL: http://id.loc.gov/authorities/subjects/sh85106258) |
| url | http://hdl.handle.net/11610/19530 |
| work_keys_str_mv | AT marinoumaria chrēsēalgorithmōnmēchanikēsmathēsēsstēnanadeixētōnparagontōnpoudiamorphōnountēnkatanomēklaseōnphytoplanktouseparaktiesperiochestouaigaiou |