کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6371892 1624013 2015 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Probability bounds analysis for nonlinear population ecology models
ترجمه فارسی عنوان
تجزیه و تحلیل محدوده احتمال برای مدل های بیولوژیکی اکولوژی جمعیت
کلمات کلیدی
ترجمه چکیده
مدل های ریاضی در اکولوژی جمعیت اغلب شامل پارامترهایی هستند که از لحاظ تجربی تعیین و به طور ذاتی غیرقابل تعیین می شوند، با توزیع احتمالی برای عدم اطمینان دقیقا مشخص نیست. تحریک چنین عدم قطعیت نامشخصی از طریق یک مدل برای تعیین تاثیر آن بر خروجی های مدل می تواند یک مشکل چالش برانگیز باشد. ما در این جا روشی برای انتشار مستقیم عدم قطعیت هایی که با محدودیت احتمالی مدل های غیرخطی، مداوم و دینامیک در اکولوژی جمعیت شناخته می شود، نشان می دهیم. این باعث می شود که مرزهای دقیق را در مورد احتمالی که بعضی نتایج مشخص برای یک جمعیت به دست می آید تعیین شود، که می تواند یک مشکل اصلی در مدل سازی اکوسیستم برای ارزیابی و مدیریت ریسک باشد. نتایج را می توان با هزینه محاسباتی بدست آورد که به طور قابل توجهی کمتر از آن است که توسط روش های آماری نمونه ای از قبیل تحلیل مونت کارلو مورد نیاز است. این روش با استفاده از سه سیستم نمونه به کار رفته و با تمرکز بر یک مدل آزمایشگاهی وب سایت آبزی آزمایشی که به علت آلودگی با مایعات یونی، یک کلاس جدید از مواد شیمیایی صنعتی بالقوه مهم است.
موضوعات مرتبط
علوم زیستی و بیوفناوری علوم کشاورزی و بیولوژیک علوم کشاورزی و بیولوژیک (عمومی)
چکیده انگلیسی
Mathematical models in population ecology often involve parameters that are empirically determined and inherently uncertain, with probability distributions for the uncertainties not known precisely. Propagating such imprecise uncertainties rigorously through a model to determine their effect on model outputs can be a challenging problem. We illustrate here a method for the direct propagation of uncertainties represented by probability bounds though nonlinear, continuous-time, dynamic models in population ecology. This makes it possible to determine rigorous bounds on the probability that some specified outcome for a population is achieved, which can be a core problem in ecosystem modeling for risk assessment and management. Results can be obtained at a computational cost that is considerably less than that required by statistical sampling methods such as Monte Carlo analysis. The method is demonstrated using three example systems, with focus on a model of an experimental aquatic food web subject to the effects of contamination by ionic liquids, a new class of potentially important industrial chemicals.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Mathematical Biosciences - Volume 267, September 2015, Pages 97-108
نویسندگان
, , ,