Titlebar

Bibliografische Daten exportieren
Literatur vom gleichen Autor
plus im Publikationsserver
plus bei Google Scholar

 

Flächenhafte Schätzung mit Classification and Regression Trees und robuste Gütebestimmung ökologischer Parameter in einem kleinen Einzugsgebiet

URN zum Zitieren dieses Dokuments: urn:nbn:de:bvb:703-opus-77

Titelangaben

Schillinger, Marco Patrick:
Flächenhafte Schätzung mit Classification and Regression Trees und robuste Gütebestimmung ökologischer Parameter in einem kleinen Einzugsgebiet.
Bayreuth , 2002
( Dissertation, 2002 , Universität Bayreuth, Fakultät für Biologie, Chemie und Geowissenschaften)

Volltext

[img] PDF
Schillinger1.pdf - Veröffentlichte Version
Available under License Creative Commons BY 3.0: Namensnennung .

Download (3908Kb)

Abstract

Simulationsmodelle ökologischer Prozesse erlangen zunehmende Bedeutung als wissenschaftliche Entscheidungsgrundlage der öffentlichen Verwaltung und der Politik. Für die Anwendung flächenhafter Prozess- und Simulationsmodelle sind hierfür zuverlässige Eingangsinformationen bereit zu stellen. Komplexe Eingangsvariablen lassen sich teilweise nicht oder nur mit unverhältnismäßig hohem Aufwand durch flächenhafte Aufnahmen und Messungen, z. B. mit Fernerkundungsverfahren ermitteln. Ihre räumliche Bereitstellung ist nur mit Hilfe von Schätzverfahren möglich. Manche Variablen lassen sich nicht mit modernen Interpolationsverfahren, wie z. B. Kriging-Verfahren schätzen, da die Werte keinen räumlichen Zusammenhang aufweisen. In diesem Falle können jedoch andere flächenhaft ermittelbare Variable, die mit der gesuchten Variable in einem kausalen Zusammenhang stehen, als Hilfsvariable für eine räumliche Schätzung auf Grundlage von Punktmessungen dienen. Messungen in den experimentellen Geowissenschaften sind trotz größter Sorgfalt mit Fehlern behaftet. Hierbei handelt es sich sowohl um Rundungs- und gerätebedingte Messungenauigkeiten als auch um extreme Werte. Robuste statistische parametrische Verfahren sind in der Lage, mit beiden Fehlertypen zurecht zu kommen. Bislang gehen fast alle vorhandenen Gütemaße von fehlerfreien Messwerten aus. Die im Rahmen dieser Arbeit entwickelten Gütemaße integrieren robuste Verfahren und führen so zu Gütemaßen, die gegenüber beiden Fehlertypen robust sind. Classification and regression trees (CART) stellen ein Verfahren dar, mit dem sowohl nominalskalierte als auch stetige Zielgrößen auf der Basis von erklärenden Variablen geschätzt werden können. Dabei können die erklärenden Variablen unterschiedlichen Skalentypen angehören. Die classification and regression trees lassen sich leicht interpretieren und für die Klassifizierung neuer Objekte verwenden. Am Beispiel des 6,3 km2 großen Einzugsgebiets "Weiherbach" im Kraichgau wird die flächenhafte Schätzung mit Hilfe von regression trees exemplarisch für die Variablen Nitratgehalt im Boden und Korngrößenfraktionsanteile des Bodens dargestellt. Die Ergebnisse werden mit Hilfe der weiter entwickelten Gütemaße charakterisiert und mit den Ergebnissen einfacher Referenzschätzverfahren verglichen. Es zeigt sich, dass bei beiden Zielvariablen die Schätzung mit einem regression tree den Referenzschätzverfahren hinsichtlich den meisten Gütemaßen mindestens ebenbürtig, wenn nicht überlegen ist. Die Schätzungen mit Hilfe der regression trees zeichnen sich bei beiden Zielvariablen insbesondere durch einen deutlich geringeren Bias und eine geringere maximale Schätzabweichung aus. Bei der Schätzung der Korngrößenfraktionsanteile lässt sich beim CART-Verfahren gegenüber einem von Weiblen (1997) beschriebenen Verfahren ein stärkerer linearer Zusammenhang zwischen den gemessenen und den geschätzten Werten feststellen. Robuste Gütemaße ergänzen den Kanon bisher vorhandener Gütemaße und ermöglichen eine differenziertere Beschreibung der Qualität der Schätzungen. Insbesondere die robusten Versionen der core-Gütemaße sind zur Formulierung von Mindestanforderungen geeignet. Es zeigt sich, dass weniger die Schätzverfahren, als vielmehr die qualitative und quantitative Datengrundlage die Grenzen der Leistungsfähigkeit moderner Regionalisierungsverfahren darstellen.

Abstract in weiterer Sprache

Simulation models of ecological processes are gaining in importance in scientific work, aiding decisions in public administration and politics. For the application of spatial process- and simulation models we need reliable, yet high definition input information. Such inputs can be inordinately difficult to attain, and to achieve a map, estimates are required. Whereas some inputs can be successfully estimated using modern interpolation methods such as Kriging, it becomes impossible when the inputs show less spatial correlation. In this case, auxiliary variables which show a causal correlation to the inputs can be used for spatial estimates based on point measurements. In spite of the greatest care, measurements in experimental earth sciences are not error free, because of ‚wobblers' and ‚outliers', not to mention human error. Robust statistical parametrical procedures allow one to cope with both types of error. Thus far, quality criteria assumed error free measurements. The estimation performance criteria developed in this thesis integrate robust procedures and thus allow quality measurements relatively immune to error. Classification and regression trees (CART) represent a method of estimating nominally scaled as well as real variables, output and/or input in any combination. Classification and regression trees can be readily interpreted and used in classifying new objects. In the case of the 6.3 km2 catchment area ‚Weiherbach' in Kraichgau (South West Germany) the spatial estimates are represented with the aid of regression trees for the two examples soil nitrogen and soil particle content according to the German soil classification system. With the help of the newly developed quality measurements the estimates are characterised and compared to the results of simple reference estimating methods. In both examples, estimates by regression trees are at least as good as if not superior to the simple reference estimating methods regarding most estimation performance criteria, namely through marginally less bias and smaller maximum estimation error. In estimating soil particle content the CART method shows a better coefficient of determination between measured and estimated values compared to a method described by Weiblen (1997). Robust estimation performance criteria add to the canon of established quality measurement methods and allow a more differentiated quality analysis of the estimates. In particular, the robust versions of core-performance criteria seem to be suitable for establishing minimal quality standards. Finally it would seem that qualitative and quantitative inputs rather than estimation methods determine the performance of modern regionalisation methods.

Weitere Angaben

Publikationsform: Dissertation (Ohne Angabe)
Keywords: Nitratbelastung; Robuste Statistik; Korngrößenverteilung; Räumliche Schätzverfahren; Classification and regression trees (CART); Gütemaße; Spatial estimation; Catchment; Soil particle size; Soil nitrogen content; Performance criteria
Themengebiete aus DDC: 500 Naturwissenschaften und Mathematik > 550 Geowissenschaften, Geologie
Institutionen der Universität: Fakultäten > Fakultät für Biologie, Chemie und Geowissenschaften > Fachgruppe Geowissenschaften
Fakultäten
Fakultäten > Fakultät für Biologie, Chemie und Geowissenschaften
Sprache: Deutsch
Titel an der UBT entstanden: Ja
URN: urn:nbn:de:bvb:703-opus-77
Eingestellt am: 26 Apr 2014 18:01
Letzte Änderung: 26 Apr 2014 18:01
URI: https://epub.uni-bayreuth.de/id/eprint/1025