کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6963766 1452290 2014 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Assessing certainty and uncertainty in riparian habitat suitability models by identifying parameters with extreme outputs
ترجمه فارسی عنوان
ارزیابی اطمینان و عدم اطمینان در مدل های مناسب زیستگاه شیلات با شناسایی پارامترها با خروجی های شدید
کلمات کلیدی
ترجمه چکیده
هدف از این مقاله معرفی یک رویکرد ارزیابی عدم قطعیت محاسباتی با استفاده از مدل سازگاری زیستگاه مبتنی بر شاخص است. این رویکرد بر عدم قطعیت در دانش بوم شناختی در مورد پارامترهای منحنی و وزن شاخص منحصر به فرد است. یک مطالعه موردی تعیین می کند که کدام دو دوره 15 ساله دارای رژیم های مناسب سطح آب و زیرزمینی برای پوشش گیاهی است. ارزیابی عدم قطعیت شامل تعریف محدودیت ها در منحنی های شاخص و وزن است. برنامه ریزی خطی برای شناسایی پارامترهایی که دو خروجی شدید را استفاده می کنند استفاده می شود: حداکثر کردن و به حداقل رساندن تفاوت بین دو دوره. از آنجا که آنها شدید هستند، اگر هر دو خروجی موافقند که کدام دوره بهتر است (به عنوان مثال حداکثر و حداقل اختلاف هر دو مثبت است)، سپس تمام مدل های دیگر هم موافق خواهند بود. شناسایی مدل هایی با خروجی های شدید، باعث می شود تا در مورد مرزهای دانش ما یاد بگیرند و الگوهای مربوط به آنچه مشخص است، مشخص شود. این کمک می کند تا درک درستی از آنچه که قبلا شناخته شده است با وجود عدم اطمینان بالا.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزار
چکیده انگلیسی
The aim of this paper is to introduce a computationally efficient uncertainty assessment approach using an index-based habitat suitability model. The approach focuses on uncertainty in ecological knowledge regarding parameters of index curves and weights. A case study determines which of two 15-year periods has more suitable surface water and groundwater regimes for riparian vegetation. The uncertainty assessment consists of defining constraints on index curves and weights. Linear programming is used to identify parameters that yield two extreme outputs: maximising and minimising differences between the two periods. Because they are extremes, if both outputs agree on which period is better (e.g. maximum and minimum differences are both positive), then all other models will also agree. Identifying models with extreme outputs prompts learning about the boundaries of our knowledge and identifies patterns about what is considered certain. It helps build an understanding of what is already known despite the high uncertainty.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Environmental Modelling & Software - Volume 60, October 2014, Pages 277-289
نویسندگان
, ,