DSpace - Tor Vergata >
Facoltà di Scienze Matematiche Fisiche e Naturali >
Tesi di dottorato in scienze matematiche e fisiche >

Please use this identifier to cite or link to this item: http://hdl.handle.net/2108/1273

Full metadata record

DC FieldValueLanguage
contributor.advisorScardi, Michele-
contributor.authorQuartararo, Marco-
coverage.spatialItaly, North-Westernen
date.accessioned2010-05-27T11:25:24Z-
date.available2010-05-27T11:25:24Z-
date.issued2010-05-27T11:25:24Z-
identifier.urihttp://hdl.handle.net/2108/1273-
descriptionContiene il codice FreeBASIC elaboratoen
description21. ciclo-
description.abstractNegli ultimi venti anni l’uso di metodi basati sull’intelligenza artificiale per la costruzione di modelli in ecologia si è diffuso e sviluppato grazie alla capacità di questi metodi di dar luogo, in base ad opportuni algoritmi di apprendimento e alle informazioni contenute nei dati (quindi empiricamente), a rappresentazioni dei sistemi ecologici che spesso sono più efficaci rispetto a quelle fornite dai metodi tradizionali (basati su indici o sulla statistica multivariata). Lo scopo principale di questo lavoro è stato un esame sperimentale di cinque ipotesi circa altrettante potenziali strategie di ottimizzazione di modelli costituiti da reti neurali artificiali supervisionate (percettroni) che ricostruiscono le relazioni tra componenti abiotiche (descrittori ambientali) e biotiche (presenza di specie all’interno di popolamenti ittici) in ecosistemi fluviali. I temi toccati hanno riguardato la previsione di variabili binarie (presenza/assenza delle specie), le variazioni di performance in funzione della soglia di discretizzazione dell’output, la previsione di specie rare, la previsione di specie singole o di gruppi di specie, la pre-elaborazione dei dati con particolare riferimento al partizionamento richiesto dalla tecnica dell’early stopping. I risultati dimostrano l’interesse pratico e teorico di lavorare con modelli predittivi di questo tipo, sia per l’efficacia dei modelli costruiti, che per la possibilità di suggerire nuove idee alla ricerca ecologica. Al di là dell’analisi delle ipotesi studiate, il lavoro ha prodotto un metodo e uno strumento informatico che possono essere riutilizzati per testare altre strategie di ottimizzazione e per operare con diversi data set.en
description.abstractThe use of artificial intelligence methods for ecosystems modeling has had a considerable development in the last 20 years, due to their specific ability, in several conditions and once supported by suitable “learning” algorithms, to build from the data more effective representations of ecological systems than traditional methods (based on indexes or multivariate statistics). The main purpose of this work was an experimental examination of five hypotheses about as many potential strategies for the optimization of supervised artificial neural networks (perceptrons) which reconstruct the relations between the abiotic (environmental variables) and biological components (presence values of the species within fish assemblages) in river ecosystems. The themes we dealt with included the prevision of binary variables (species presence/absence), the variation of the performance as a function of the output discretization threshold, the prevision of rare species, the prevision of single species or group of species, data pre-processing and specifically the partitioning required by the early stopping technique. The results prove the practical and theoretical interest in working with predictive models, for both the effectiveness of the models and the possibility of giving hints to ecological research. Beyond the hypotheses studied here, the work produced a method and a computer tool that can test other optimization strategies and operate with different data set.en
description.tableofcontents1 Introduzione 1.1 Inquadramento generale 1.1.1 Modelli predittivi in ecologia 1.1.2 Ecosistemi fluviali, modelli di previsione e fauna ittica 1.1.3 Reti neurali e modelli predittivi in ecologia 1.2 Obiettivi e ipotesi 2 Materiali e metodi 2.1 Il data set 2.2 Disegno sperimentale 2.3 Modello base e procedure associate 2.4 Misura della performance 2.5 Test statistici 3 Risultati 3.1 Metodi e algoritmi 3.2 Risultati delle prove 4 Conclusioni. - Riferimenti bibliografici. - Allegato A. - Allegato Ben
format.extent4707160 bytes-
format.mimetypeapplication/pdf-
language.isoiten
subjectmodelli predittivien
subjectreti neurali artificialien
subjectottimizzazioneen
subjectintelligenza artificialeen
subjectecologia delle acque interneen
subjectecologia numerica/computazionaleen
subjectpopolamento itticoen
subjectprevisione di specie rareen
subjectprevisione di specie singole o di popolamentien
subjectassociazione tra habitat e specieen
subjectpredictive modelsen
subjectartificial neural networksen
subjectfreshwater ecologyen
subjectnumerical/computational ecologyen
subjectfish assemblageen
subjectrare species previsionen
subjectsingle species or assemblage previsionen
subjecthabitat-species associationen
subjectartificial intelligence-
subject.classificationBIO/05 Zoologiaen
titleModelli di previsione dei popolamenti ittici nei fiumi: sviluppo e ottimizzazione mediante reti neurali artificialien
title.alternativeExperimental test of some optimization methods for artificial neural networks based predictive models of fish assemblage in riversen
typeDoctoral thesisen
degree.nameBiologia evoluzionistica ed ecologiaen
degree.levelDottoratoen
degree.disciplineFacoltà di Scienze Matematiche Fisiche e Naturalien
degree.grantorUniversità degli studi di Roma Tor Vergataen
date.dateofdefenseA.A. 2009/2010en
Appears in Collections:Tesi di dottorato in scienze matematiche e fisiche

Files in This Item:

File Description SizeFormat
cc.htmCreative Commons Licence0KbHTMLView/Open
MarcoQuartararo_TesiDottorato.pdfThesis4596KbAdobe PDFView/Open

Show simple item record

All items in DSpace are protected by copyright, with all rights reserved.