haku: @keyword Hidden Markov Model / yhteensä: 9
viite: 6 / 9
Tekijä: | Sulkava, Mikael |
Työn nimi: | Identifying spatial and temporal profiles from forest nutrition data |
Spatiaalisten ja ajallisten profiilien tunnistaminen metsän ravinnedatasta | |
Julkaisutyyppi: | Diplomityö |
Julkaisuvuosi: | 2003 |
Sivut: | 76 Kieli: eng |
Koulu/Laitos/Osasto: | Teknillisen fysiikan ja matematiikan osasto |
Oppiaine: | Informaatiotekniikka (T-122) |
Valvoja: | Hollmén, Jaakko |
Ohjaaja: | |
OEVS: | Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossaOppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa. Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/ Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.
Kirjautuminen asiakaskoneille
Opinnäytteen avaaminen
Opinnäytteen lukeminen
Opinnäytteen tulostus
|
Sijainti: | P1 Ark Aalto | Arkisto |
Avainsanat: | self-organizing map clustering hidden Markov model spatial statistics forest itseorganisoiva kartta klusterointi kätketty Markov-malli spatiaaliset tilastomenetelmät metsä |
Tiivistelmä (fin): | Tämä diplomityö on tehty Teknillisen korkeakoulun Informaatiotekniikan laboratorion Intelligent Data Engineering -tutkimusryhmässä yhteistyössä Metsäntutkimuslaitoksen kanssa. Työssä tutkittiin erilaisten data-analyysimenetelmien avulla männyn- ja kuusenneulasten ravinnepitoisuuksia Suomessa ja Itävallassa vuosilla 1987-2000. Tavoitteena oli analysoida ravinteiden maantieteellistä ja ajallista jakaumaa sekä yleisesti selvittää minkälainen mittausdatan sisäinen rakenne on. Kyseessä oli siis varsin selkeästi data-analyysiongelma. Käytettyjä analyysimenetelmiä olivat spatiaaliset tilastomenetelmät, itseorganisoivan kartan klusterointi sekä aikasarjamallitus. Työssä selvisi, että spatiaalinen tilastollinen tunnusluku semivarianssi on kohtalaisen käyttökelpoinen, muttei kuitenkaan ällistyttävän hyvä mitta paikallisten ravinnepitoisuuksiin vaikuttavien tekijöiden tutkimiseen. Lisäksi havaittiin, että mittaustuloksia interpoloimalla voidaan tuottaa miellyttävän näköisiä sekä, datan maantieteellisen rakenteen hahmottamista helpottavia kuvia. Itseorganisoivan kartan käyttöön perustuva klusterointimenetelmä tuotti uutta tietoa ravinnepitoisuuksien suhteista eri vuosina ja eri paikoissa. Sen avulla mittaustulokset voitiin jakaa kuuteen ryhmään, joissa kussakin neulasten kasvu ja ravinteiden määrät ovat omanlaisiansa. Eri ryhmät kuvasivat siis erilaisia metsän kasvuolosuhteita. Menetelmän antamien tulosten perusteella metsäasiantuntijat pystyivät rakentamaan Suomen metsien kehitystä kuvaavan mallin. Aikasarja-analyysissä käytetyn kätketyn Markov-mallin avulla saatu kuvaus mittausten ajallisesta rakenteesta ei ollut yhtä informatiivinen kuin muiden tutkittujen menetelmien tulokset. Mallin avulla saatu datan luokittelu kahteen ryhmään ei antanut erityisen kiinnostavaa tietoa eri mittausten välisistä yhteyksistä. |
ED: | 2003-09-02 |
INSSI tietueen numero: 19903
+ lisää koriin
INSSI