1. Primerjava različnih regresijskih modelov za napovedovanje debelinskega priraščanja jelkeAndrej Ficko, Vasilije Trifković, 2021, izvirni znanstveni članek Povzetek: V prispevku na primeru jelke predstavljamo sedem regresijskih modelov za modeliranje priraščanja dreves s podatki periodičnih meritev na stalnih vzorčnih ploskvah. Poleg polinomske regresije, modela z dodanim šumom in mešanega linearnega modela, predstavljamo regresijo z naravnimi zlepki in tri modele z omejenimi odvisnimi spremenljivkami: truncated regression, tobit regression in grouped data regression. Modele lahko uporabimo, kadar se zaradi načina merjenja in zaokroževanja podatkov ter hierarhičnosti podatkov srečamo z rezanimi ali krnjenimi slučajnostnimi spremenljivkami, nezveznostjo odvisne spremenljivke in pristransko oceno prirastka. Pri pojasnitvi debelinskega priraščanja 21.013 jelk na 4.405 ploskvah v obdobju 1990–2014 v raznomernih gozdovih v dinarskih jelovo-bukovjih so vsi modeli pokazali podoben vpliv prsnega premera, sestojne temeljnice, temeljnice debelejših dreves, raznomernosti, nagiba, nadmorske višine in le manjše razlike v regresijskih koeficientih in merah prileganja. Največje povprečne napovedi prirastka daje tobit model, mešani model pa se najbolj prilega podatkom. V primerjavi z drugimi modeli model z zlepki kaže na počasnejše zmanjševanje prirastka zelo debelih jelk po kulminaciji prirastka.
Ključne besede: prirastek, multipla regresija, statistične metode, tobit model, krnjenje, mešani modeli, jelka, modeli z omejenimi odvisnimi spremenljivkami, stalne vzorčne ploskve
Objavljeno v DiRROS: 01.12.2021; Ogledov: 3236; Prenosov: 1899
 Celotno besedilo (2,97 MB)
Gradivo ima več datotek! Več... |
2. Vpliv vremenskih razmer na pogostost padanja kamenja v Baški grapiBlaž Rekanje, Milan Kobal, 2020, izvirni znanstveni članek Povzetek: Na podlagi terenskih popisov na treh testnih območjih v Baški grapi ter merjenj meteoroloških spremenljivk smo analizirali vpliv vremena na pogostost padanja kamenja. Za poenotenje podatkov smo v ArcMap za vsak testni objekt (Klavže, Loje 1 in Loje 2) izračunali prispevno območje in površino morebitnih izvorov kamenja. Rezultati linearnega regresijskega modela niso pokazali statistično značilnih odvisnosti med pogostostjo padanja kamenja in meteorološkimi spremenljivkami na enem testnem območju. Količina padavin pozitivno vpliva na pogostost padanja kamenja na dveh testnih območjih ter v vseh kategorijah izvora (iz brežine, od daleč). Z višanjem temperature zraka in tal se na dveh testnih območjih in vseh kategorijah izvora manjša pogostost padanja kamenja. Količina padavin ter temperature zraka in tal bolj vplivajo na pogostost padanja kamenja z brežine kot višje iz izvorov. V raziskavi nismo potrdili statistično značilnega vpliva vetra na pogostost padanja kamenja
Ključne besede: padajoče kamenje, vreme, linearna regresija, Baška Grapa
Objavljeno v DiRROS: 14.12.2020; Ogledov: 1647; Prenosov: 493
Celotno besedilo (524,60 KB) |
3. Poškodbe drevja zaradi abiotskih naravnih motenj na bukovih rastiščih v Sloveniji s poudarkom na snegolomihBlanka Klinar, Matija Klopčič, Andrej Bončina, 2020, izvirni znanstveni članek Povzetek: Raziskovali smo poškodovanost drevja zaradi snega v pretežno mešanih gozdnih sestojih na bukovih rastiščih v Sloveniji. V analizo smo vključili 22.609 oddelkov s prevladujočimi bukovimi rastišči, v katerih je bil delež bukve vsaj 10 % lesne zaloge sestojev. Delež iglavcev v sanitarnem poseku je bil večji pri snegolomih in vetrolomih, pri žledolomih sta bila deleža listavcev in iglavcev skoraj enaka. V bukovih gozdovih je zaradi snega najbolj poškodovano drevje v mlajših in srednjedobnih razvojnih fazah debelin 20%40 cm. Na podvzorcu 363 oddelkov, za katere smo pridobili podatke o lastnostih snežne odeje, smo z binarno logistično regresijo izdelali model verjetnosti pojava snegoloma. V model smo vključili spremenljivke količine snega v spomladanskih mesecih, fitoregijo, skalnatost, naklon terena in matično podlago. Najpomembnejša spremenljivka je bila količina snega v spomladanskih mesecih. Razlog za relativno visok sanitarni posek v bukovih gozdovih je povečan delež smreke v gozdnih sestojih, bukev je veliko manj dovzetna za poškodbe zaradi snega kot smreka. Za povečanje odpornosti sestojev predlagamo pogostejša klasična redčenja nižjih jakosti ali uvedbo situacijskih redčenj v sestojih mlajših in srednjedobnih sestojih.
Ključne besede: Fagus sylvatica, bukova rastišča, binarna logistična regresija, pojav poškodbe, snegolomi, naravne motnje, gozdovi
Objavljeno v DiRROS: 09.09.2020; Ogledov: 5235; Prenosov: 1612
 Povezava na celotno besedilo
Gradivo ima več datotek! Več... |
4. |
5. |
6. Uporaba metod strojnega učenja za preučevanje odnosov med značilnostmi branik in okoljemJernej Jevšenak, Sašo Džeroski, Tom Levanič, 2017, izvirni znanstveni članek Povzetek: Različne študije so pokazale, da lahko z nelinearnimi metodami bolje opišemo (modeliramo) odnos med branikami in okoljem. V naši študiji smo primerjali (multiplo) linearno regresijo (MLR) in štiri nelinearne metode strojnega učenja: modelna drevesa (MT), ansambel bagging modelnih dreves (BMT), umetne nevronske mreže (ANN) in metodo naključnih gozdov (RF). Za primerjavo teh metod modeliranja smo uporabili štiri množice podatkov. Natančnost naučenih modelov smo ocenili z metodo 10-kratnega prečnega preverjanja (ang. 10-fold cross-validation) na naši množici in preverjanjem na dodatni testni množici. Na vseh množicah smo dobili boljše statistične kazalce za nelinearne metode s področja strojnega učenja, s katerimi lahko pojasnimo večji delež variance oz. dobimo manjšo napako. Nobena metoda se ni pokazala kot najboljša v vseh primerih, zato je smiselno predhodno primerjati več različnih metod in nato uporabiti najprimernejšo, npr. za rekonstrukcijo klime.
Ključne besede: strojno učenje, primerjava metod, dendroklimatologija, umetne nevronske mreže, modelna drevesa, ansambel modelnih dreves, naključni gozdovi, linearna regresija
Objavljeno v DiRROS: 21.02.2018; Ogledov: 5324; Prenosov: 3302
Celotno besedilo (1,18 MB)
Gradivo ima več datotek! Več... |
7. Vplivi okoljskih dejavnikov na prostorsko razporeditev divjega prašiča (Sus scrofa l.) v SlovenijiKlemen Jerina, 2006, izvirni znanstveni članek Povzetek: Številčnost in območje razširjenosti divjega prašiča (Sus scrofa L.) sta se v Sloveniji in drugih evropskih državah v zadnjih desetletjih občutno povečala; posledično so narasle tudi škode, ki jih povzroča v kmetijstvu. V raziskavi smo preučili, kateri okoljski dejavniki ključno vplivajo na prostorsko razporeditev divjega prašiča, in za Slovenijo ugotovili njegovo sedanje in potencialno območje razširjenosti. Raziskava temelji na velikem vzorcu (N = 5.977) georeferenciranih lokacij odvzema prašiča iz vse Slovenije in GIS-podatkovnih plasteh (25 okoljskih spremenljivk). Analize kažejo, da so gostote divjega prašiča največje v območjih: (a) z večjo razpoložljivosti energijsko bogate hrane (odrasli sestoji listavcev, krmišča) in dostopnostjo kritja (kmetijske površine blizu gozda, sukcesijske površine); (b) kjer so temperature visoke, zime mile, z malo snega (verjetnost rabe narašča s temperaturo in upada s količino padavin). Njegova prostorska razporeditev je odvisna tudi od gozdnatosti in stopnje fragmentacije gozda. Zdaj poseljuje 55 % Slovenije, njegov potencialni habitat pa obsega 67 % države. Razširjenost inštevilčnost divjega prašiča se bosta zato verjetno še povečevala, zlasti če se bodo nadaljevali sedanji trendi okoljskih sprememb (naraščanje temperature,povečevanje gozdnatosti, izginjanje iglavcev).
Ključne besede: divji prašič, prostorska razporeditev, okoljski dejavniki, fragmentacija, dopolnilno krmljenje, model habitata, logistična regresija
Objavljeno v DiRROS: 12.07.2017; Ogledov: 4579; Prenosov: 1969
Celotno besedilo (3,79 MB) |
