WWW.THESIS.XLIBX.INFO
FREE ELECTRONIC LIBRARY - Thesis, documentation, books
 
<< HOME
CONTACTS



Pages:     | 1 |   ...   | 5 | 6 || 8 | 9 |   ...   | 14 |

«Diplomarbeit eingereicht von Massimo BASSI erstellt und betreut am Institut für Wildbiologie und Jagdwirtschaft Vorstand: o. Univ. Prof. Dr. Hartmut ...»

-- [ Page 7 ] --

Metapopulations-Dynamik Das in FORSPACE integrierte Metapopulationsmodell kann nur dann sinnvoll auf eine Spezies angewandt werden, wenn diese sich im gewählten Betrachtungsmaßstab (→scale) auch tatsächlich wie eine →Metapopulation verhält. Das Besondere an diesem Modul ist, daß die Dynamik der modellierten Metapopulation nicht auf eine statische, unveränderliche Umwelt bezogen wird, sondern auf eine ständigen Änderungen unterworfene Landschaft – eben die in FORSPACE modellierte.

Im Modell kann geeignetes Habitat von lokalen Populationen besiedelt werden.

Waldweide wird von den Autoren als in den Niederlanden relativ neue Praxis beschrieben.

Das Vieh hält sich dabei – soweit man aus dem Modell schließen kann – das ganze Jahr über (ohne Zusatzfütterung) im Freien auf.

Modellansätze 47 Diese können mit der Zeit – aufgrund der eigenen Dynamik oder jener der Umwelt – erlöschen. Unbesiedelter und neu entstandener Lebensraum kann neu besiedelt werden. Das (ausgewogene) Zusammenspiel aus Besiedlung geeigneten Habitats, Erlöschen lokaler Populationen und (Wieder-)Besiedlung ev. neu entstandener Lebensräume bestimmt Vorkommenshäufigkeit und Aussterberisiko in einer Metapopulation.

Feuermodell Das eingesetzte Modell ist einfach gehalten. Es beschreibt die Anhäufung von brennbarem Material, das Auftreten eines Brandes in Abhängigkeit vom angehäuften Material (und einiger anderer Bedingungen) sowie die Ausbreitung des Feuers als Maß für dessen Intensität. Die Intensität bestimmt ihrerseits die Höhe der Flammen in der Krautschicht. Das Feuer kann sich – abhängig von der Bestandesstruktur – vertikal in die Strauch- und Baumschicht ausbreiten.

Die Auswirkungen eines Brandes schlagen sich im Modell als erhöhte Mortalität und Minderung der Biomasse nieder.

Eine Aussage des Feuermodells könnte z.B. sein, wie man durch kleine kontrollierte Brände (small-scale prescribed burning) räumliche Heterogenität herstellen und größere Flächenbrände vermeiden kann.

In Zukunft soll FORSPACE auf weitere Arten ausgedehnt werden. Weiters sollen unterschiedliche forstliche Bewirtschaftungsarten einbezogen und andere (Wohlfahrts-)Wirkungen (CO2 -Fixierung, Erhohlung) berücksichtigt werden. Auch soll die Verwundbarkeit durch Windstürme in Abhängigkeit von der Bestandesstruktur modelliert werden.

5.8 Expertensysteme Expertensysteme – auch als wissensbasierte Systeme bezeichnet – sind eine Teildisziplin bzw. ein Anwendungsgebiet der künstlichen Intelligenz. Der Begriff Expertensystem bringt den externen Aspekt – ein Verhalten analog zu menschlichen Experten – zum Ausdruck. Mit dem Begriff wissensbasiert wird eher die interne Systemstruktur angesprochen: Wissenbasierte Systeme verarbeiten Symbole, die Informationen über die Welt repräsentieren, um intelligentes Verhalten zu erreichen.

Modellansätze 48 Ziel eines Expertensystems ist es, das Spezialwissen und die Schlußfolgerungsfähigkeiten qualifizierter Fachleute in einem Softwaresystem nachzubilden und so zu vergeleichbaren oder besseren Problemlösungen zu kommen (Abecker, 2000). Dadurch sollen einerseits Anwender profitieren, und andererseits Experten entlastet werden.

Zunächst muß das Fachwissen in eine Wissensbasis (siehe Abb. 5.5) überführt werden (Greif, 2000). Bindeglied zwischen Expertensystem und Experten ist dabei ein sogenannter knowledge engineer. Dessen Aufgabe ist es, das Wissen zu strukturieren, formalisieren und in maschinengerechter Form darzustellen. Dies geschieht durch sogenannte logische Wissensrepäsentation, das sind Regeln der Form: WENN Vorbedingung DANN Aktion (z.B. WENN X und/oder Y DANN Z). Damit werden Fakten, Zusammenhänge, Schlußfolgerungsmechanismen und strategisches Wissen (wie wird ein Problem angegangen) gespeichert.

Zudem muß ein Expertensystem in der Lage sein, das gespeicherte Wissen (Fak

–  –  –

Abbildung 5.5: Komponenten eines Expertensystems ten und Regeln) zu interpretieren, d.h. Schlußfolgerungen zu ziehen. Dies wird mittels einer Problemlösungskomponente, der Inferenzmaschine gelöst. Damit werden die aus einer Problemstellung extrahierten Fakten nach den entsprechenden Regeln verknüpft, und auf neue Fakten geschlossen. In der Wissensbasis wird also nur festgelegt, was bei bestimmten Bedingungen getan werden soll, über die Reihenfolge der einzelnen Problemlösungsschritte entscheidet allein die Inferenzmaschine.

Die Benutzerschnittstelle übernimmt die Kommnunikation mit dem Anweder des Systems. Sie nimmt Problemstellugen entgegen, reicht sie an die InferenzmaModellansätze 49 schine weiter und präsentiert die Lösungsvorschläge.

Die Erklärungskomponente soll Lösungswege analysieren und Entscheidungen begründen (wie wurde eine Lösung gefunden). Die Wissenserwerbekomponente schließlich, bietet die Möglichkeit, neues Wissen in die Wissensbasis aufzunehmen und diese auf Konsistenz und Vollsändigkeit zu Überprüfen.

5.9 (Künstliche) Neuronale Netzwerke (ANN) ANNs (Artificial Neural Networks) sind intelligente Maschinen: Sie bilden im Wesentlichen den tierischen bzw. menschlichen Gehirnkomplex und damit "Denkvorgänge" nach. In einem Lernprozeß werden die nötigen "Erfahrungen" gesammelt, die später auf neue Probleme angewandt werden.

In Anlehnung an Anatomie und Physiologie des menschlichen Gehirns setzt sich ein ANN aus einer mehr oder minder großen Anzahl von Neuronen zusammen (Sauer, 1999). Neuronen, auch Verarbeitungseinheiten genannt, sind (einfache) Prozessoren, die entweder als Hardware (auf Beschleunigerkarten) oder als Softwaresimulationen implementiert sind. Diese Einheiten sind untereinander (mehrfach) verbunden und in Schichten organisiert: Eingabeschicht, (k)eine oder mehrere (verborgene) Zwischenschichten (hidden layer bestehen aus Einheiten, die von außen nicht beeinflußt werden können) und Ausgabeschicht. Die einzelnen Schichten bestehen aus einer unterschiedlichen Anzahl meist gleichartiger Verarbeitungseinheiten. Jedes Element der Eingabeschicht ist (indirekt) mit jedem Element der Ausgabeschicht verbunden.





Die Informationsverarbeitung erfolgt durch Ignorieren, Verstärken oder Abschwächen von Signalen. Ein Neuron nimmt über "Dendriten" Signale auf (siehe Abb.

5.6 A processing element). Falls die Summe der eingehenden Signale einen bestimmten Wert überschreitet, wird das Signal weiterverarbeitet (Aktivierungsfunktion) und (an den "Synapsen") entsprechend verstärkt oder gedämpft weitergeleitet.

Neuronale Netzwerke machen nichts anderes, als verschiedene Eingabemuster bestimmten Ausgabemustern zuzuordnen. Zusammenhänge zwischen Ein- und Ausgabe werden als Gewichte dargestellt.

Ein ANN kennt 2 Modi: einen Lernmodus (Trainingsphase) und einen Ausführungsmodus (Recall Modus). Während der Trainingsphase werden die Gewichte – bestimmten Lernregeln folgend – so lange verändert, bis ein bestimmtes EinModellansätze 50 gabemuster dem gewünschten Ausgabemuster zugeordnet wird. Im Recall Modus werden die trainierten ANN mit Mustern gefüttert, die sie noch nicht gelernt haben. Die Qualität der Ausgabe wird durch Dauer und Intensität der vorangegangenen Lernphase bestimmt.

Es gibt nicht das ANN schlechthin, sondern verschiedenste Typen neuronaler Netzwerke, die für unterschiedliche Problemstellungen geeignet sind (Steuerung, Optimierung, Verallgemeinerung, Vorhersage u.a.m.). Sie unterscheiden sich in mehrfacher Hinsicht: Anzahl der Schichten, Art des Lernens (Lernregeln), feed forward (Signale werden nur "vorwärts" weitergereicht) bzw. feed back, Verarbeitung binärer oder stetiger Daten. Die Wahl des Netzwerk-Types hängt also von der Natur des Problems ab.

ANNs werden als leistungsstarkes Modellierungs-Werkzeug beschrieben, speziell wenn die den Ein- und Ausgabedaten zugrunde liegende Beziehung unbekannt ist (Lek und Guégan, 1999). Sie sind also bestens für die Analyse komlexer, nichtlinearer Zusammenhänge zwischen ungenauen und noisy Daten geeignet, was in der Ökologie meistens der Fall ist.

Momentan erfreuen sich 2 ANNs großer Beliebtheit: Backpropagation-Netzwer

–  –  –

Abbildung 5.6: BackPropagation Network und Kohonen SOM ke (BPN) und (Kohonen-)-Selbstorganisierende ’Karten’ (SOM) (siehe Abb. 5.6 links bzw. rechts). BPN sind drei- oder mehrschichtige feed-forward Netze, die inneren Schichten sind versteckt. Information fließt unidirektional von der EingaModellansätze 51 beschicht über die versteckten Schichten zur Ausgabeschicht, ohne seit- oder rückwärts gerichtete Verbindungen. Backpropagation ist der Namen der Lernregel: Von der Ausgabeebene wird der Einfluß der Ebenen auf alle Fehler zurückgerechnet (Sauer, 1999). Das BPN erstellt das Modell allein auf der Grundlage der eingespeisten Daten. Praktisch wird angenommen, daß die Information die notwendig ist, um die Beziehung zwischen Ein- und Ausgabe herzuleiten, implizit in den Daten enthalten ist.

Kohonen SOM fallen in die Kategorie der unüberwacht lernenden ANN. Sie ahmen die Fähigkeit des Gehirns zur Selbstorganisation nach: SOM organisieren ihre Verbindungsstruktur gemäß einfachen Regeln selbständig. Sie bestehen nur aus einem Input- sowie einem Output-Layer. Die Eingabeschicht fungiert nur als flow-through Layer (keine Veränderung des Eingabe-Musters). Die Ausgabeschicht besteht aus einem 2-dimensionalen, quadratisch angeordneten Neuronen-Netz. Jedes Neuron ist mit den n nächsten Nachbarn verbunden. Die "Neuronen" speichern einen Gewichtungs-Vektor, einen für jeden entsprechenden Eingabewert. Mittels multivariater Algorithmen wird nach Mustern in den Daten gesucht.

ANN sind ein ’black box’-Ansatz: Die gefundenen Regeln entziehen sich weitgehend einer fachlichen Interpretation, da sie in der Vielzahl von Parametern mit kompliziertem Zusammenspiel versteckt sind (Stahel, 2002).

5.10 Classification Trees Classification trees, manchmal auch als decision trees bezeichnet, sind im Bereich →AI, genauer gesagt in der Disziplin des →machine learning anzusiedeln.

Ein Entscheidungsbaum ist eine hierarchische Struktur. In jedem Knoten (node, Verzweigung) wird bestimmt, welcher tieferliegende Knoten durchsucht wird.

Jedes Blatt (leaf, Endpunkt) stellt eine Entscheidung dar. Das Absuchen eines Entscheidungsbaumes ermöglicht die Generierung neuen Wissens durch Schlussfolgerung (Xie et al., 2001).

Dabei wird der Wert einer diskreten abhängigen Variable aus einem endlichen Satz von Werten (Klassen genannt) von den Werten eines Satzes unabhängiger (diskreter oder kontinuierlicher) Variablen, den sogenannten Attributen, abgeleitet (Debeljak et al., 2001).

Ein reales System wird in Form einer Tabelle dargestellt. Die darin enthaltenen Modellansätze 52 Daten werden zum Erlernen bzw. automatischen Konstruieren eines Entscheidungsbaumes benutzt. Jede Zeile (example, Beispiel) in der Tabelle hat die Form (x1, x2,..., xN, y), wobei xi die Werte der N Attribute (z.B. Seehöhe eines Standortes, Nähe zur nächsten Siedlung, Vegetationsdecke) darstellen und y den Wert der Klasse (z.B. Punkt ist als Lebensraum ungeeignet/geeignetes Winterhabitat/ geeignetes Sommerhabitat).

Der induzierte (erlernte) Entscheidungsbaum hat in jedem Knoten einen Test (IFTHEN rules, einfache WENN-DANN-Regeln, wie z.B. WENN Attribut größer/kleiner/gleich DANN... ) zum Überprüfen des Wertes eines bestimmten Attributes, und in jedem Blatt den Wert einer Klasse (siehe Abb. 5.7).

Für jedes neue Beispiel (Zeile in der Tabelle, Stichprobenpunkt), für das der Wert

–  –  –

der Klasse vorhergesagt werden soll, wird der Baum von der Wurzel ausgehend interpretiert. In jedem Knoten wird der vorgeschriebene Test durchgeführt, und entsprechend zum Ergebnis des Tests wird der entsprechende (Unter-)Baum ausgewählt. Handelt es sich beim ausgewählten Knoten um ein Blatt, dann wird der Wert der Klasse bestimmt.

Der allgemeine Lösungsweg zum Induzieren von Entscheidungsbäumen wird als Top-Down Induction of Decision Trees (TDIDT) bezeichnet. Die Konstruktion des Baumes erfolgt rekursiv, beginnend mit dem gesamten Satz an Trainingsbeispielen (gesamte Tabelle). Bei jedem Schritt wird das informativste Attribut als Wurzel für den (Unter-)Baum ausgewählt, und das aktuelle Trainingsset wird entspreModellansätze 53 chend dem Wert der ausgewählten Variable in Subsets aufgegliedert. Bei diskreten Attributen wird für jeden Wert, den die Variable annehmen kann, ein entsprechender Ast generiert. Bei kontinuierlichen Attributen wird ein Schwellenwert festgelegt, an dem sich der Baum, abhängig vom Wert der Variable, verzweigt.

Zur Validierung eines Entscheidungsbaumes wird idealerweise ein zweiter, unabhängiger Datensatz herangezogen. Steht kein solcher zur Verfügung, muß man sich mit →resampling Methoden, z.B. Kreuzvalidierung, behelfen.

Algorithmen zum Implementieren von classification trees sind CART3, ASSISTANT4 und C4.55 bzw. C56.

5.11 GRASP GRASP (Generalized Regression Analysis and Spatial Prediction) stellt eigentlich keinen selbständigen Ansatz dar (Lehmann et al., 2003).

GRASP ist vielmehr eine Art Benutzerschnittstelle zu einer Sammlung von in "SPlus" (einem Statistikpaket) implementierten Funktionen. Damit steht ein Werkzeugkasten zur Verfügung, der eine einfache und rasche Möglichkeit bietet, Daten zu analysieren, Modelle zu erstellen und zu evaluieren, sowie auf der Grundlage des entwickelten Modells Vorhersagen zu treffen.

Die aktuelle Version von GRASP beruht auf GAM, es sollen jedoch auch GLM und ANN integriert werden. GLM, weil es sich dabei um eine Methode mit robustem theoretischen Hintergrund und einer Vielzahl von analytischen Werkzeugen handelt. ANN, weil sie sich besser zur Implementierung von Interaktionen zwischen den Prädiktoren eignen und damit die darin enthaltene Information besser auswerten als andere Ansätze.

Die Integration von Methoden zur Residuenanalyse, für den Umgang mit reinen presence-Datensätzen, zur Analyse von zwischenartlicher Konkurrenz, KreuzvaBreiman, L., Friedman, J.H., Olshen, R.A., Stone, C.J., (1984): Classification and Regression Trees. Wadsworth, Belmont.

Cestnik, B., Kononenko, I., Bratko, I., (1986): ASSISTANT 86: a knowledge elicitation tool ˇ for sophisticated users. In: Bratko, I.; Lavrac, N. (Eds.): Progress in Machine Learning. Sigma, Wilmslow, pp. 31-45.

Quinlan, J.R., (1993): Programs for Machine Learning. Morgan Kaufmann, San Mateo,CA.



Pages:     | 1 |   ...   | 5 | 6 || 8 | 9 |   ...   | 14 |


Similar works:

«3702 Manhattan Avenue, Suite 201, Fort Collins, CO 80526. Phone: 970-229-5900  Fax: 970-223-5740 www.bellisimoinc.com To Prospective Builders: First, we would like to take a minute to say thank you for the interest you have shown in regards to our project. We are very excited about Bucking Horse and believe our unique design will create an atmosphere unlike anything ever seen in Fort Collins. Bellisimo, Inc. is proud to unveil this project to a select group of builders encouraging further...»

«Accelerating the Development of the Sustainable Construction Market in Europe REPORT OF THE TASKFORCE ON SUSTAINABLE CONSTRUCTION Composed in preparation of the Communication “A Lead Market Initiative for Europe” {COM(2007) 860 final} Table of contents 1. Background 2. Sustainable construction and innovation 2.1 Market segments 2.2 Innovation issues 3. Analysis of the market potential 3.1 Present situation 3.2 Factors affecting the development of the market 3.3 Market perspectives 4....»

«Microsoft BizSpark – Häufig gestellte Fragen Was ist Microsoft BizSpark? Häufig Gestellte Fragen Startups Wer kann an Microsoft BizSpark™ teilnehmen? Können auch Startups an Microsoft BizSpark™ teilnehmen, die Open-Source-Technologien nutzen?. 3 Ist die Teilnahme an Microsoft BizSpark kostenlos? Warum bietet Microsoft dieses Programm an? Wie funktioniert der Anmeldungsvorgang für Microsoft BizSpark™? Wie lange können Startups an Microsoft BizSpark teilnehmen? Muss jede/r einzelne...»

«Pollard, S. D. 1984. Egg guarding by Clubiona cambridgei (Araneae, Clubionidae) against conspecifi c predators. J. Arachnol., 11 :323-326. EGG GUARDING BY CLUBIONA CAMBRIDGEI (ARANEAE, CLUBIONIDAE) AGAINST CONSPECIFIC PREDATOR S Simon D. Pollard Department of Zoology University of Canterbury Christchurch 1, New Zealan d ABSTRACT Clubiona cambridgei is a vagrant hunting spider that oviposits in silken nests and remains with it s eggs. Conspecifics were observed in the field feeding on...»

«  An Analytical Framework for Miles and Snow Typology and Dynamic Capabilities Autoria: Tomas Sparano Martins, Heitor Takashi Kato Abstract: An expanded consideration is needed to explain how competitive advantage is gained and held. The literature on dynamic capabilities is confusing, full of overlapping definitions, and contradictions. The theoretical and practical importance of developing and applying dynamic capabilities to sustain competitive advantage in complex external environment is...»

«GO RIN NO SHO: A BOOK OF FIVE RINGS Miyamoto Musashi GO RIN NO SHO: A BOOK OF FIVE RINGS Table of Contents GO RIN NO SHO: A BOOK OF FIVE RINGS Miyamoto Musashi INTRODUCTION THE GROUND BOOK THE WAY OF STRATEGY COMPARING THE WAY OF THE CARPENTER TO STRATEGY THE WAY OF STRATEGY OUTLINE OF THE FIVE BOOKS OF THIS BOOK OF STRATEGY THE NAME ICHI RYU NI TO (ONE SCHOOL−TWO SWORDS) The Benefit of the Two Characters reading Strategy TIMING IN STRATEGY THE WATER BOOK SPIRITUAL BEARING IN STRATEGY STANCE...»

«COMMONLY OCCURRING ASA SOFTBALL RULES AND POINTS OF EMPHASIS 1. APPEAL PLAYS An appeal play is a one which the umpire may not make a call until a player or manager brings it to the umpire's attention. Examples are: a) a base runner missing a base or touching the white portion only of the double first base when a play in being made on the batter-runner at first base; b) a base runner leaving a base before a caught fly is touched; c) overrunning first base and attempting to run to second; and d)...»

«Univ.Prof.Dr. Malte Christoph Kaluza Leiter der AG Relativistische Laserphysik Institutsgebäude Fröbelstieg 3, Raum 304 07743 Jena Sprechzeiten: nach Vereinbarung Telefon: +49 3641-9-47280 Fax: +49 3641-9-47282 E-Mail:. peer-reviewed articles 1. Thomas Kiefer, Theodor Schlegel, and Malte Kaluza: Plasma expansion into vacuum assuming a step-like electron energy distribution, Physical Review E 87, 043110 (2013) 2. B. Aurand, S. Kuschel, O. Jäckel, C. Rödel, H. Zhao, S. Herzer, A. E. Paz, J....»

«Konvergencias, Filosofía y Culturas en Diálogo KONVERGENCIAS Filosofía y Culturas en Diálogo ISSN 1669-9092 Año IV, Nº 15 Segundo Cuatrimestre 2007 EL DESTINO COMO CATEGORÍA DE VIDA Blanca Parfeit (Argentina) En las horas de soledad, aquellas en las que la existencia humana toca hondo, y en que la chatura y la mediocridad intentan apoderarse de nuestro espíritu puede, tal vez, surgir desde las sombras mismas de esa tremenda vaciedad la pregunta de cada vida humana intenta responder,...»

«www.research.stir.ac.uk/postgraduate-information RESEARCH THAT SHAPES AND IMPROVES LIVES The University of Stirling is a charity registered in Scotland, number SC 011159 CONTENTS Conference Prize Winners p3 Talk Presentations List – Lecture Theatre p4 Talk Presentations List – Room D1 p5 Talk Presentations List – Room D3 p6 Talk Presentation Abstracts (Order of Surname) p 7 27 p 28 29 Poster Presentations List Poster Presentation Abstract & Poster (Order of Surname) p 30 61 Page 2 of 61...»

«ABSTRACT Title of Document: EXPERIENCING TEMPORARY ARTSCAPES Nicholas Alan Patrick Master of Landscape Architecture, 2013 Directed By: Dr. Victoria Chanse, Assistant Professor Department of Plant Science and Landscape Architecture The focus of this thesis is on temporary artscapes – public installations that are originallycreative and intentionally-temporary in some way. A temporary art installation has the ability to quickly and clearly transform a place, increase our understanding and...»

«Oghbergakan Charentse Not even 32, on the, ca be distinctively from each work. It is deliverable to provide all reps or properties improved to profile situations of influencing so with standing on a bureaucracy whatever is to guarantee the most overvalued internet environment link. Up download it to be it currently to font! Now, lead ready that it want able work done in the trainer. There have the decade times, life or calm, shadowing download estate or negative interview to contact highly....»





 
<<  HOME   |    CONTACTS
2016 www.thesis.xlibx.info - Thesis, documentation, books

Materials of this site are available for review, all rights belong to their respective owners.
If you do not agree with the fact that your material is placed on this site, please, email us, we will within 1-2 business days delete him.