Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mô hình đồ thị chuỗi đồng hình để mô hình hóa sự phụ thuộc không gian trong dữ liệu sinh thái
Tóm tắt
Các mô hình đồ thị (hay còn gọi là mạng niềm tin Bayes, mô hình phân tích đường đi) đang ngày càng được sử dụng để mô hình hóa các hệ sinh thái phức tạp (ví dụ, Lee, Trong: Ferson S, Burgman M (biên tập) Phương pháp định lượng cho sinh học bảo tồn. Springer, Berlin Heidin Heideslperk New York, trang 127–147, 2000; Borsuk và cộng sự, J Water Res Plann Manage 129:271–282, 2003). Việc triển khai của chúng trong bối cảnh này tận dụng tính hữu dụng của chúng trong việc mô hình hóa mối quan hệ tương tác trong các hệ thống đa biến, và trong một triển khai Bayesian, sức hấp dẫn trực quan của việc mang lại các ước lượng xác suất hậu dễ hiểu. Tuy nhiên, các phương pháp để tích hợp cấu trúc tương quan nhằm tính đến các quan sát được thu thập theo thời gian và/hoặc không gian - những đặc điểm của hầu hết dữ liệu sinh thái - chưa được nghiên cứu rộng rãi; Haas và cộng sự (AI Appl 8:15–27, 1994) là một ngoại lệ. Trong bài báo này, một mô hình đồ thị chuỗi đồng hình (ICG) được giới thiệu nhằm tính đến sự tương quan giữa các mẫu bằng cách liên kết các mô hình mạng Bayes cụ thể theo địa điểm. Một số kết quả cho thấy rằng ICG bảo tồn nhiều thuộc tính Markov (các phụ thuộc điều kiện và biên) của các mô hình cụ thể theo địa điểm. Mô hình ICG được so sánh với một mô hình không tính đến tương quan không gian. Dữ liệu từ một số mạng suối trong thung lũng sông Willamette, Oregon (Mỹ) được sử dụng. Mối tương quan đáng kể giữa các vị trí trong cùng một mạng suối được thể hiện với một mô hình ICG.
Từ khóa
#mô hình đồ thị #mạng niềm tin Bayes #dữ liệu sinh thái #tương quan không gian #mô hình chuỗi đồng hìnhTài liệu tham khảo
Andersson SA, Madigan D, Perlman MD (2001) An alternative Markov property for chain graphs. Scand J Stat 28:33–86
Borsuk ME, Stow CA, Reckhow KH (2003) Integrated approach to total maximum daily load development for Neuse River Estuary using Bayesian probability network model (Neu-BERN). J Water Res Plann Manage 129:271–282
Clarke RT, Furse MT, Wright JF, Moss D (1996) Derivation of a biological quality index for river sites: comparison of the observed with the expected fauna. J Appl Stat 23:311–332
Congdon P (2003) Applied Bayesian modelling. Wiley, West Sussex, UK
Gelman A, Carlin JB, Stern HS, Rubin DB (2004) Bayesian data analysis 2nd ed. Chapman and Hall, London
Haas TC, Mowrer HT, Sheppard WD (1994) Modeling aspen stand growth with a temporal Bayes network. AI Appli 8:15–27
Lauritzen SL, Dawid AP, Larsen BN, Leimer H-G (1990) Independence properties of directed Markov fields. Networks 20:491–505
Lee D (2000) Assessing land-use impacts on bull trout using Bayesian belief networks. In: Ferson S, Burgman M (eds) Quantitative methods for conservation biology. Springer, Berlin Heildelbeg New York, pp 127–147
Ord K (1975) Estimation of methods for models of spatial interaction. J Am Stat Assoc 70:120–126
Pearl J (1988) Probabilistic reasoning in intelligent systems: networks of plausible inference. Morgan Kaufmann, San Mateo
Pearl J (2000) Causality: models, reasoning and inference. University of Cambridge, Cambridge, UK
Schwarz G (1978) Estimating the dimension of a model. Ann Stat 5:461–464
Spielgelhalter D, Thomas A, Best N, Lunn D (2003) WinBUGS user manual. http://www.mrc-bsu.cam.ac.uk/bugs, last accessed April 2005
Spirtes P, Glymour C, Scheines R (1993) Causation, prediction, and search. Springer, Berlin Heidelberg New York; Tetrad 4.3, Department of Philosophy, Carnegie Mellon University, http://www.phil.cmu.edu/tetrad, last accessed April 2005
Van Sickle J, Baker J, Herlihy A, Bayley P, Gregory S, Haggerty P, Ashkenas L, Li J (2004) Projecting the biological condition of streams under alternative scenarios of human land use. Ecol Appl 14:368–380
Verma T, Pearl J (1992) An algorithm for deciding if a set of observed independencies has a causal explanation. In: Dubois D, Wellman M, D’Ambrosio B, Smets P, (eds) Proceedings of the eighth conference on uncertainty in artificial intelligence. Morgan Kaufman, San Francisco, pp 323–330
Wright JF, Furse MT, Armitage PD (1993) RIVPACS: a technique for evaluating the biological water quality of rivers in the UK. Eur Water Pollut Control 3:15–25