Nagy adatbázisok alkalmazása a cönológiában: európai kitekintés és hazai lépések Botta-Dukát Zoltán – Csiky János – Horváth Ferenc.

Slides:



Advertisements
Hasonló előadás
Cönológia határok nélkül Cönológia határok nélkül: nedves rétek a Cseh medencétől Szlavóniáig. Botta-Dukát Zoltán, Milan Chytrý, Petra Hajková és Marcela.
Advertisements

Gyógynövények felvételezése és droghozamának vizsgálata a Kiskunsági Nemzeti Parkban Források: Pölös Endre, Vecseri Csaba, Horváth Zoltán, Pál-Szabó Ferenc,
TÖMEG-SPEKTROMETRIA (MS) Irodalom: H.H. Willard et al.: Instrumental methods of Analysis, Wadsworth, Belmont, USA, 1988.
Programozási alapismeretek
Dokumentum klasszifikáció október 12.. Dokumentum klasszifikáció Feladat: Dokumentumok automatikus előre definiált osztályokba sorolása. Dokumentum:
Bevezetés a gépi tanulásba február 16.. Mesterséges Intelligencia „A számítógépes tudományok egy ága, amely az intelligens viselkedés automatizálásával.
Gazdaságelemzési és Statisztikai Tanszék
Társulások szerkezete
Növényrendszertan 1. előadás Dr. Király Gergely április 4.
VEGETÁCIÓISMERET 9. előadás Dr. Bartha Dénes
VEGETÁCIÓISMERET 11. előadás Dr. Bartha Dénes
Borításbecslés a kvadrátban az adott faj egyedei függőleges vetületeinek összege hány % % -os borítás (az adott fajhoz tartozó egyedek függőleges vetülete)
Növényökológia terepgyakorlat
Borításbecslés a kvadrátban az adott faj egyedei függőleges vetületeinek összege hány % % -os borítás (az adott fajhoz tartozó egyedek függőleges vetülete)
Növényökológia gyakorlat
CT és MR kontrasztanyagos vizsgálatok veszélyei vesebetegekben
ARTÉRIÁS FUNKCIÓ (PWVao, Aix, SBPao) MÉRÉSE ÚJ NON-INVAZÍV OSZCILLOMETRIÁS MÓDSZERREL (ARTERIOGRÁF) EGÉSZSÉGES 3-18 ÉVES KORÚ GYERMEKEKBEN ÉS SERDÜLŐKBEN.
Vámossy Zoltán 2004 (H. Niemann: Pattern Analysis and Understanding, Springer, 1990) DIP + CV Bevezető II.
Idősor elemzés Idősor : időben ekvidisztáns elemekből álló sorozat
Adatbányászati módszerek a térinformatikában
Többváltozós adatelemzés
Dendrológia előadás Környezetmérnöki Szak Környezettudományi Szak
Irodalom: Mátyás Cs. (szerk.) (1996): Erdészeti ökológia. – Mező-gazda Kiadó, Budapest. Ajánlott fejezetek: oldal, oldal Hortobágy T.
Adatleírás.
Kémia szakmódszertani kutatások a Debreceni Egyetemen Tóth Zoltán.
Közösségek szünbiológiája 1. Alapfogalmak
Budai Péter Üzletágvezető – szerverek és fejlesztőeszközök
Alkalmazott növénytan
EPISCON - program EPISCON - project Európai kulturális szakmérnöki PhD iskola European PhD in Science for Conservation ANNA RUGGERI Magyar Nemzeti Múzeum.
Budapest University of Technology and Economics Department of Measurement and Information Systems Monitor komponensek fejlesztése okostelefon platformra.
A Mátra erdős táj, változatos erdőtársulásokkal. Legjellemzőbb erdőtársulásai a cseres-tölgyes erdők. A cseres-tölgyeseket északon 550 m, délen 650 m.
Logika szeminárium Előadó: Máté András docens Demonstrátorok:
Bellmann-Ford Algoritmus
A folytonosság Digitális tananyag.
Szélességi bejárás. Feladat  Szélességi bejárás módszerrel menjünk végig egy tetszőleges gráfon.  Kikötés: A gráf egyszerű, azaz hurok- és többszörös.
1.3 A kis- és közepes vállalkozások sajátosságai
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék R3-COP és R5-COP projekt: Környezetfüggő viselkedés tesztelése.
Az AEGIS térinformatikai keretrendszer kutatása és fejlesztése
SVM, kernel módszerek Szabó Zoltán. Tartalomjegyzék Példák, szemlélet Definíciók: –margin, support vektor –pozitív definit, Gram-mtx, kernel –RKHS, feature.
Növényismeret gyakorlatok 15. gyakorlat
Fehérjehálózat “skálafüggetlen” Jeong et al, Nature (2001)
Algebrai logika Leibniz folytatói a 18. században: Lambert, Segner és mások. 19. sz., Nagy-Britannia: Aritmetikai és szimbolikus algebra. Szimbolikus algebra:
PhD beszámoló 2003/2004 I. félév Készítette: Iváncsy Renáta Konzulens: Dr. Vajk István.
Ultrametrikus terek ELTE IK/Fraktálok - Varga Viktor.
Kórházak az MTMT-ben Beke Gabriella, Palotai Mária, Vasas Lívia
Próbatest és eljárás fejlesztése hűtőközegek minősítésére
Quick-Search algoritmus. Bevezet ő Az eljárás működése során két esetet különböztetünk meg: A szöveg minta utáni első karaktere nem fordul elő a mintában.
Növényrendszertan gyakorlatok
A fizika tanítása a 2012-es NAT-hoz készült A kerettanterv szerint Egri Sándor Debreceni Egyetem, Fizikai Intézet
Ökológia. Az élőlények környezete 1.lecke Az ökológiai rendszerek (Egyed feletti szerveződési szintek)
National Center for Biomedical Information PubMed, MESH, PMC adatbázis TÁMOP rendezvény Vasas Lívia lvasas.lib.sote.hu Budapest,
A Nation Library of Medicine és adatbázisai Vasas Lívia PhD 1 /21.
Google Confidential and Proprietary Az online vásárlási folyamat jobb megértése attribúciós modellezéssel nov. 6. Erdős Ádám Account Strategist,
Borításbecslés a kvadrátban az adott faj egyedei függőleges vetületeinek összege hány % %→pi →Shannon diverzitási index (alapvetően nem a borítást, hanem.
Konfliktuskezelő, egyéni megküzdő-képesség fejlesztése
Ingatlanpiac és építőipar
FARMAKOBOTANIKA II. 12. GYAKORLAT.
Vadgazda mérnökök (BSC) részére
Általános növénytan előadás
FARMAKOBOTANIKA II. 4. GYAKORLAT.
A 2013-as országjelentés tapasztalatai, felkészülés a következőre
Pitlik László, Szani Ferenc, Balogh Anikó
الدكتور. ناصــــر الخـضـور
Szani Ferenc, Pitlik László, Balogh Anikó
Vasas Lívia lvasas.lib.sote.hu Budapest, október
Folyóiratok minősége– JCR Journal Citation Reports
NÖVÉNYSZERVEZETTAN Sejttani és szövettani gyakorlatok
Vasas Lívia március 3. A National Center for Biotechnology Information adatbázisai:     Books, National Library of Medicine katalógus,
Web of Science és Google Scholar
Növényrendszertan 1. előadás Dr. Király Gergely június 29.
Előadás másolata:

Nagy adatbázisok alkalmazása a cönológiában: európai kitekintés és hazai lépések Botta-Dukát Zoltán – Csiky János – Horváth Ferenc

Miért van szükség adatbázisokra? avagy A numerikus módszerek kritikája

Braun-Blanquet módszer adatokosztályozás a kutató ismeretei a fajok cönológiai preferenciáiról

Braun-Blanquet módszer adatokosztályozás a kutató ismeretei a fajok cönológiai preferenciáiról adatokosztályozás Numerikus osztályozás

A Festuca vaginata Koeleria cristata Artemisia campestris Alyssum tortuosum Silene otites Polygonum arenarium Solidago virga-aurea B. Stipa borystenica Fumana procumbens Bromus tectorum Secale sylvestre Dianthus serotinus Silene conica Salsola kali Bassia prostrata Gypsophila paniculata Minuartia verna C. Acer pseudoplatanus Aegopodium podagraria Arctium nemorosum Asarum europaeum Asperula odorata Brachypodium sylvaticum Carex sylvatica Carpinus betulus Fagus sylvatica Galium schultesii Melica uniflora Poa nemoralis Solidago virga-aurea stb. összesen 44 faj

A Festuca vaginata Koeleria cristata Artemisia campestris Alyssum tortuosum Silene otites Polygonum arenarium Solidago virga-aurea B. Stipa borystenica Fumana procumbens Bromus tectorum Secale sylvestre Dianthus serotinus Silene conica Salsola kali Bassia prostrata Gypsophila paniculata Minuartia verna C. Acer pseudoplatanus Aegopodium podagraria Arctium nemorosum Asarum europaeum Asperula odorata Brachypodium sylvaticum Carex sylvatica Carpinus betulus Fagus sylvatica Galium schultesii Melica uniflora Poa nemoralis Solidago virga-aurea stb. összesen 44 faj Sorensen-hasonlóság a fajlisták között: A – B : 0 A – C : 0,0196 B – C : 0

A példában az egyik homoki gyepi fajlista (A) jobban hasonlít a bükkös fajlistára (C), mint egy másik homoki gyepre (B).

Szerencsére: ritkák az ilyen extrém szituációk, a sokváltozós módszerek a teljes hasonlóságmátrix elemzésén alapulnak, amiből kiderül, hogy mind az A, mind a B felvétel hasonlít a homoki felvételekhez, még ha egymástól különböznek is.

német adatok osztályozási kritériumok TWINSPAN cseh adatok osztályozási kritériumok TWINSPAN Forrás: Bruelheide, H. & Chytry, M.: Towards unification of national vegetation classifications: A comparison of two methods for analysis of large data sets. Journal of Vegetation Science 11:

német adatok osztályozási kritériumok Forrás: Bruelheide, H. & Chytry, M.: Towards unification of national vegetation classifications: A comparison of two methods for analysis of large data sets. Journal of Vegetation Science 11: osztályozási kritériumok csoportok cseh adatok osztályozási kritériumok csoportok

Braun-Blanquet módszer adatokosztályozás a kutató ismeretei a fajok cönológiai preferenciáiról adatokosztályozás Numerikus osztályozás

Braun-Blanquet módszer adatokosztályozás a kutató ismeretei a fajok cönológiai preferenciáiról adatokosztályozás Új szemléletű numerikus osztályozás az adatbázisból kinyert információk a fajok cönológiai preferenciáiról

Az adatbázisok alkalmazásának lehetőségei I. A fajok cönológiai preferenciáit figyelembe vesszük a felvételek hasonlóságának kiszámításánál

Az adatbázisok alkalmazásának lehetőségei I. A fajok cönológiai preferenciáit figyelembe vesszük a felvételek hasonlóságának kiszámításánál II. Cocktail algoritmus (nem automatikus osztályozás)

Az adatbázisok alkalmazásának lehetőségei I. A fajok cönológiai preferenciáit figyelembe vesszük a felvételek hasonlóságának kiszámításánál II. Cocktail algoritmus (nem automatikus osztályozás) 1. a fajok cönológiai viselkedése alapján fajcsoportokat hozunk létre

Az adatbázisok alkalmazásának lehetőségei I. A fajok cönológiai preferenciáit figyelembe vesszük a felvételek hasonlóságának kiszámításánál II. Cocktail algoritmus (nem automatikus osztályozás) 1. a fajok cönológiai viselkedése alapján fajcsoportokat hozunk létre 2. a syntaxonokat a domináns fajok (a faj domináns ha borítása meghalad egy határértéket) és a felvételcsoportok elõfordulása, hiánya alapján definiáljuk (a felvételcsoport akkor fordul elõ, ha az abba tartozó fajok legalább fele elõfordul a felvételben)

Az adatbázisok alkalmazásának lehetőségei I. A fajok cönológiai preferenciáit figyelembe vesszük a felvételek hasonlóságának kiszámításánál II. Cocktail algoritmus (nem automatikus osztályozás) 1. a fajok cönológiai viselkedése alapján fajcsoportokat hozunk létre 2. a syntaxonokat a domináns fajok (a faj domináns ha borítása meghalad egy határértéket) és a felvételcsoportok elõfordulása, hiánya alapján definiáljuk (a felvételcsoport akkor fordul elõ, ha az abba tartozó fajok legalább fele elõfordul a felvételben) 3. a syntaxonok definíció alapján besoroljuk az egyes felvételeket

 Poa badensis – Festuca pallens társulás: elõfordul a Festuca pallens csoport ÉS elõfordul a Poa badensis csoport ÉS a Sesleria albicans borítása < 25% Példák a társulás-definíciókra I.

 Scabiosa ochroleuca – Brachypodium pinnatum csoport [elõfordul a Brachypodium pinnatum csoport VAGY (a Brachypodium pinnatum borítása >5% ÉS NEM fordul elõ a Viola canina csoport)] ÉS elõfordul a Cirsium acaule csoport ÉS NEM fordul elõ az Inula ensifolia csoport ÉS NEM fordul elõ a Stipa capillata csoport ÉS NEM fordul elõ a Cynosurus cristatus csoport ÉS NEM fordul elõ a Sesleria albicans csoport ÉS a Sesleria albicans borítása < 5% ÉS a Peucedanum cervaria borítása <25% Példák a társulás-definíciókra II.

német adatok syntaxon definíciók COCKTAIL cseh adatok syntaxon definíciók COCKTAIL Forrás: Bruelheide, H. & Chytry, M.: Towards unification of national vegetation classifications: A comparison of two methods for analysis of large data sets. Journal of Vegetation Science 11:

német adatok syntaxon definíciók Forrás: Bruelheide, H. & Chytry, M.: Towards unification of national vegetation classifications: A comparison of two methods for analysis of large data sets. Journal of Vegetation Science 11: syntaxon definíciók csoportok cseh adatok syntaxon definíciók csoportok

Európai programok EVS – European Vegetation Survay cél: az európai vegetáció cönológiai alapú, egységes leírása SynBioSys – Syntaxonomical Biological System cél: az EVS eredményeire építve a gyakorlat számára is használható szakértõi rendszer elkészítése

Épülő adatbázisok Európában  Wageningen – kb. 350 ezer felvétel (Hollandia)  Marseille – kb. 130 ezer felvétel (Franciaország)  Lancester – kb. 40 ezer felvétel (Nagy Britania)  Rostock – kb. 60 ezer felvétel (Mecklenburg- Vorpommern)  Brno – kb. 40 ezer felvétel (Csehország)  Pozsony – kb. 20 ezer felvétel (Szlovákia)  Bécs – kb. 10 ezer felvétel (Ausztria, erdõk)  Birmensdorf – kb. 20 ezer felvétel (Svájc, erdõk)

Szoftverek  TurboVeg – adatbázis kezelés  Juice – adatelemzés (Cocktail algoritmus)

Az adatbázisok potenciális hibái  nem megfelelõ adatminõség (pl. hibásan meghatározott faj)  nem teljesen egységes felvételezési módszerek  felvételezés egy vagy több aszpektusban  eltérõ kvadrátméret  változik az általánosan elfogadott kvadrátméret  a fajszegény helyen a kutatók hajlamosak nagyobb kvadrátot használni  a fajszámok erõsen eltérnek az elméleti faj-area görbéktõl  kriptogámok nem mindig vannak fajonként felvéve  egyes társulások alul, míg mások felülreprezentáltak

Példa a kis és nem kiegyenlített adatbázis esetén fellépõ hibára Négy csehországi sziklagyep társulás karakterfajait kerestük  csak a sziklagyepekbe tartozó 502 felvétel alapján  kb. 16 ezer különbözõ csehországi gyep társulásokban készült felvétel alapján (500 sziklagyep felvétel+kb egyéb felvétel) egyeb A B C D sziklagyep egyeb gyep osszesen Sesleria varia –40 ? ? konstanciája felvételek száma – 502 felvételek száma Eredmények:  502 felvétel alapján: a Sesleria varia csak az A és B társulások karakterfaja  16 ezer felvétel alapján: a Sesleria varia mind a négy társulásnak karakterfaja Forrás: Chytrý, M., Tichý, L., Holt, J. & Botta-Dukát, Z. (in press): Determination of diagnostic species by statistical fidelity measures. Journal of Vegetation Science

Védekezési lehetőségek az ilyen hibák ellen  nagy adatbázis

Védekezési lehetőségek az ilyen hibák ellen  nagy adatbázis  kis adatbázis, amely a társulásokat előfordulásuknak megfelelő arányban tartalmazza  válogatott felvételekbõl álló referencia adatbázis

A tervezett CoenoDat Referencia Adatbázis jellemzõi  a természetes-természetközeli növénytársulásokról gyűjtünk felvételeket

A tervezett CoenoDat Referencia Adatbázis jellemzõi  a természetes-természetközeli növénytársulásokról gyűjtünk felvételeket  társulásonként felvételt, összesen 7500 felvételt

A tervezett CoenoDat Referencia Adatbázis jellemzõi  a természetes-természetközeli növénytársulásokról gyűjtünk felvételeket  társulásonként felvételt, összesen 7500 felvételt  a gyűjtött felvételek száma a társulás elterjedtségétől és változatosságától függ

A tervezett CoenoDat Referencia Adatbázis jellemzõi  a természetes-természetközeli növénytársulásokról gyűjtünk felvételeket  társulásonként felvételt, összesen 7500 felvételt  a gyűjtött felvételek száma a társulás elterjedtségétől és változatosságától függ  a felvételeknek reprezentálniuk kell az adott társulás változatosságát földrajzi, élőhelyi és szukcessziós-degradációs szempontból

A tervezett CoenoDat Referencia Adatbázis jellemzõi  a természetes-természetközeli növénytársulásokról gyűjtünk felvételeket  társulásonként felvételt, összesen 7500 felvételt  a gyűjtött felvételek száma a társulás elterjedtségétől és változatosságától függ  a felvételeknek reprezentálniuk kell az adott társulás változatosságát földrajzi, élőhelyi és szukcessziós-degradációs szempontból  az adatbázisba részben korábbi (publikált, kéziratos), részben új felvételek kerülnek

A CoenoDat Referencia Adatbázis létrehozása  A mukát 4-5 fő koordinálja (Botta-Dukát Zoltán, Csiky János, Horváth Ferenc, Lájer Konrád)

A CoenoDat Referencia Adatbázis létrehozása  A mukát 4-5 fő koordinálja (Botta-Dukát Zoltán, Csiky János, Horváth Ferenc, Lájer Konrád)  minden társulás esetében felkérünk egy szakértõt a felvételek kiválasztására, aki megkeresi a további résztvevõket-adatszolgáltatókat

A CoenoDat Referencia Adatbázis létrehozása  A mukát 4-5 fő koordinálja (Botta-Dukát Zoltán, Csiky János, Horváth Ferenc, Lájer Konrád)  minden társulás esetében felkérünk egy szakértõt a felvételek kiválasztására, aki megkeresi a további résztvevõket-adatszolgáltatókat  a szakértõknek minden felvételhez rövid szöveges értékelést kell fűzniük, amelyben leírják miért választották ki ezt a felvételt az adatbázis számára

A CoenoDat Referencia Adatbázis létrehozása  A mukát 4-5 fő koordinálja (Botta-Dukát Zoltán, Csiky János, Horváth Ferenc, Lájer Konrád)  minden társulás esetében felkérünk egy szakértõt a felvételek kiválasztására, aki megkeresi a további résztvevõket-adatszolgáltatókat  a szakértõknek minden felvételhez rövid szöveges értékelést kell fűzniük, amelyben leírják miért választották ki ezt a felvételt az adatbázis számára  az adatbázis felépítésére a TurboVeg adatbáziskezelő programot használjuk

A CoenoDat Referencia Adatbázis létrehozása  A mukát 4-5 fő koordinálja (Botta-Dukát Zoltán, Csiky János, Horváth Ferenc, Lájer Konrád)  minden társulás esetében felkérünk egy szakértõt a felvételek kiválasztására, aki megkeresi a további résztvevõket-adatszolgáltatókat  a szakértõknek minden felvételhez rövid szöveges értékelést kell fűzniük, amelyben leírják miért választották ki ezt a felvételt az adatbázis számára  az adatbázis felépítésére a TurboVeg adatbáziskezelő programot használjuk  a minőség-ellenőrzés során automatikusan kiszűrjük a formai hibákat és szakértőket kérünk fel a szakmai hibák kiszűrésére

A CoenoDat Referencia Adatbázis elemzése A korábban bemutatotthoz hasonló társulásdefiníciók létrehozása a hazai vegetációra