light box
امتیاز 3.60 بررسی پیش بینی‌های مکانی شاخص سایت">

نوع فایل : word
تعداد صفحات : 15
تعداد کلمات : 4000
مجله : Forest Ecology and Management
انتشار : 2005
ترجمه متون داخل جداول : ترجمه شده است
درج جداول در فایل ترجمه : درج شده است
منابع داخل متن : به صورت فارسی درج شده است
کیفیت ترجمه : طلایی
دسته بندی :
برچسب ها : ، ، ، ، ، ، ، ، ، ، ، ، ، ،

عنوان فارسی مقاله:بررسی پیش بینی‌های مکانی شاخص سایت با استفاده از روش‌های پارامتری و غیر پارامتری – مطالعه‌ی موردی کاج لاجپول

چکیده

در این مطالعه پتانسیل استفاده از رگرسیون حداقل مربعات، مدل افزایشی تعمیم یافته، مدل درخت محور و مدل شبکه‌ی عصبی را بر روی لایه‌های شبکه‌ی داده‌های محیطی برای تهیه‌ی نقشه‌ی شاخص سایت در بررسی شده است. شبکه‌ای از متغیرهای زیست محیطی به صورت داده‌های لایه‌ای نشان داده شده و شبکه‌ی پلات شاخص سایت پراکنده در داخل شبکه‌های جغرافیایی قرار داده شد. داده‌های شاخص سایت بر اساس انالیز ساقه (ارتفاع مشاهده شده در شاخص سنی ۵۰ سال) در ۴۳۱ کاج در ۸۸ پلات نمونه بودند. پلات‌ها در یک جنگل چوب مرکب تایگا ۱۷۴۶۰ کیلومتر مربع در البتای کانادا توسط پایه‌های بالغ و فوق بالغ اشغال شدند. مدل افزایشی تعمیم یافته برازش بهتر و سازگاری بهتری با داده نسبت به روش‌های حداقل مربعات غیر پارامتری و غیر خطی داشت. در میان ۴ مدل تست شده رگرسیون غیر خطی مدل سازی داده‌هاست که فرض می‌کند داده‌های تصادفی تولید را به متغیرهای محیطی ارتباط می‌دهند و چنین مدل‌هایی برای برآورد بهبنه سازی می‌شوند. دیگر مدل‌های درختی متعلق به شبکه‌ی الگوریتم که رابطه‌ی بین تولید و متغیرهای مستقل را به صورت یک جعبه سیاه ناشناخته در نظر می‌گیرند و تلاش می‌کنند تا کارکرد و تابع بین ان ها را پیدا کنند وجود دارند. این مدل‌ها برای اهداف پیش بینی مناسب هستند. اهمیت مدل سازی شاخص بیوفیزیکی سایت با داده‌ها مورد بحث و بررسی قراار می‌گیرد(بررسی پیش بینی‌های مکانی شاخص سایت).

Title:Evaluation of spatial predictions of site index obtained by parametric and nonparametric methods—A case study of lodgepole pine productivity

Abstract

We demonstrate the potential of using least-squares regression, generalized additive model, tree-based model, and neural network model on layers of environmental data grids for mapping site index in a case study. Grids of numerical environmental variables represented layered data, and a sparse site index plot network was located in the grids. Site index data were based on stem analysis (observed height at the index age of 50 years) of 431 lodgepole pine trees in 88 sample plots. The plots were established in a 17,460 km2 boreal mixedwood forest of Alberta, Canada dominated by mature and over-mature stands. The generalized additive model presented a better fit and better adaptability to extreme data (i.e., mature stands) than the least squares nonlinear and other nonparametric techniques, such as the tree-based model and neural network model. Among the four models tested, nonlinear regression is of the data modeling culture, which assumes a stochastic data to relate productivity to environmental variables, and such models are optimized for estimation. Other three models belong to the algorithm modeling culture, which treat the relationship between productivity and independent variables as an unknown black box and try to find a function between them; therefore, these models are more suitable for prediction purpose. Implications for biophysical site index modelling with extreme data are discussed.

ثبت دیدگاه

    • دیدگاه های ارسال شده توسط شما، پس از تایید توسط تیم مدیریت در وب منتشر خواهد شد.
    • پیام هایی که حاوی تهمت یا افترا باشد منتشر نخواهد شد.
    • پیام هایی که به غیر از زبان فارسی یا غیر مرتبط باشد منتشر نخواهد شد.

برای ارسال دیدگاه شما باید وارد سایت شوید.

محصولات مشابه
ارزیابی کارآمد مشاهده پذیر های کوانتوم با استفاده از اندازه گیری های در هم تنیده
خـریـد محـصـول
روش شبه طیفی فضای هیلبرت با هسته‌ی بازآفرین برای بررسی عددی مدل تشکیل مویرگ
خـریـد محـصـول
شناسایی و ارزیابی مهارکننده‌های قوی کرونا ویروس سندرم تنفسی خاورمیانه
خـریـد محـصـول
اولین انتقال شناخته شده فرد به فرد سندرم حاد تنفسی حاد کرونا ویروس ۲ (SARS-CoV-2)
خـریـد محـصـول
ملاحظاتی در خصوص تهیه داده‌های پرونده سلامت الکترونیک برای تحقیقات بالینی
خـریـد محـصـول
توسعه رجیستری تحقیقات بیماری‌های التهابی روده برگرفته از داده‌های مشاهداتی
خـریـد محـصـول
یک چارچوب مستقل برای جست و جوی EHR توزیعی کنترل شده (از نظر واژگان)
خـریـد محـصـول
پرونده سلامت الکترونیک خود را به بهشت نبرید، آن را به علم اهدا کنید
خـریـد محـصـول
انجام تحقیق با استفاده از پرونده سلامت الکترونیک در سیستم‌های چند بیمارستانی
خـریـد محـصـول
پرونده‌های الکترونیکی سلامت شخصی: از تحقیقات زیست پزشکی تا سلامت مردم
خـریـد محـصـول
ثبت اختراع یا انتشار مقاله

ثبت اختراع یا انتشار مقاله کدام اول باید انجام شود؟ پژوهشگران منابع مالی و غیر مالی بسیاری را صرف انجام تحقیقات و پژوهش ها میکنند و امکان دارد تعدادی از آنها تبدیل به دستاوردها و فناوری های نو گردد. محققان این نتایج را به سرعت در مقالات علمی ملی و بین المللی منتشر و به آن افتخار میکنند. اما باید مد نظر داشت، چنانچه دستاورد پژوهشی امکان تبدیل شدن به یک محصول یا فرآیند قابل استفاده و تولید در صنعت را داشته باشد، هر گونه انتشار عمومی از جمله مقاله باعث از دست رفتن شرط جدید بودن و در نتیجه عدم امکان ثبت فناوری به عنوان اختراع خواهد شد.

در نتیجه محققان و پژوهشگران باید پیش از هرگونه افشاء عمومی آن دسته از نتایج تحقیقاتی که شرایط ثبت اختراع را دارا می باشد به صورت اظهارنامه اختراع در اداره مربوطه ثبت و سپس نسبت به انتشار آنها اقدام کنند. امکان دارد مراحل ثبت اختراع چندین ماه به طول بیانجامد که انتشار مقاله (و مانند آن) پس از تاریخ ثبت اظهارنامه اختراع مشکلی را در فرآیند ثبت اختراع بوجود نمی آورد.

از آنجا که برخی دستاورد ها مانند روشهای تشخیص بیماری و نوآوری های مدیریتی قابلیت ثبت اختراع بین المللی و ملی را ندارند، محققان بدون نگرانی میتوانند انتشار در مقالات داخلی و خارجی را به عنوان اولین گزینه جهت کسب افتخار دست یابی به این قبیل پژوهشها انتخاب کنند.

برو بالا