کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8844856 1617081 2017 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Circumventing structural uncertainty: A Bayesian perspective on nonlinear forecasting for ecology
ترجمه فارسی عنوان
تعریف عدم قطعیت ساختاری: دیدگاه بیزی برای پیش بینی غیرخطی برای بوم شناسی
کلمات کلیدی
ترجمه چکیده
به عنوان یک نتیجه از پیچیدگی اکوسیستم ها و وابستگی متقابل تعاملات گونه، عدم قطعیت ساختاری در مدل سازی اکولوژیکی فراگیر است. این مسئله زمانی بسیار مهم است که مدل های اکولوژیکی برای طرح های حفاظت و مدیریت استفاده می شود که نتایج آن به شدت به شکل گیری مدل بستگی دارد. رویکردهای سری زمانی غیر خطی به ما امکان می دهد که این مسئله را با استفاده از دینامیک مشاهده شده سیستم برای هدایت سیاست توسعه کنار بگذاریم. با این حال، این روش ها به طور معمول نیاز به سری زمانی طولانی از سیستم های ثابت، که به ندرت در محیط های زیست محیطی در دسترس هستند. در اینجا ما یک رویکرد بیزی برای پیش بینی غیرخطی بر مبنای فرآیندهای گاوسی ارائه می دهیم که به راحتی اطلاعات را از چندین سری کوتاه کوتاه ادغام می کند و اجازه می دهد تا پویایی های غیر سازمانی. ما ابزار روش های مدل سازی ما را در شبیه سازی از طیف گسترده ای از سناریوهای اکولوژیکی نشان می دهیم. ما انتظار داریم که این مدل ها طیف وسیعی از سیستم های زیست محیطی را گسترش دهد که روش های پیش بینی غیر خطی می تواند مفید باشد.
موضوعات مرتبط
علوم زیستی و بیوفناوری علوم کشاورزی و بیولوژیک بوم شناسی، تکامل، رفتار و سامانه شناسی
چکیده انگلیسی
As a consequence of the complexity of ecosystems and context-dependence of species interactions, structural uncertainty is pervasive in ecological modeling. This is particularly problematic when ecological models are used to make conservation and management plans whose outcomes may depend strongly on model formulation. Nonlinear time series approaches allow us to circumvent this issue by using the observed dynamics of the system to guide policy development. However, these methods typically require long time series from stationary systems, which are rarely available in ecological settings. Here we present a Bayesian approach to nonlinear forecasting based on Gaussian processes that readily integrates information from several short time series and allows for nonstationary dynamics. We demonstrate the utility of our modeling methods on simulated from a wide range of ecological scenarios. We expect that these models will extend the range of ecological systems to which nonlinear forecasting methods can be usefully applied.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Ecological Complexity - Volume 32, Part B, December 2017, Pages 134-143
نویسندگان
, , ,