Authors:
Želimir Kurtanjek
Abstract:
Cilj ovog rada je pokazati mogućnosti primijene metodologije umjetne inteligencije i strukturnog kauzalnog modeliranja (engl. Structural Causal Model, SCM) s ciljem postizanja znanstvenog doprinosa utvrđivanjem kauzalne funkcionalne zakonitosti bioloških značajki o abiotičkim parametrima. Temeljna zadaća rada je istražiti model SCM za određivanje zavisnosti koncentracije klorofila o fizikalnim značajkama u području sjevernog Jadrana tijekom razdoblja od 1965. do 2015. godine. Eksperimentalni podatci rezultat su dugotrajnog i ekstenziv (...)
Cilj ovog rada je pokazati mogućnosti primijene metodologije umjetne inteligencije i strukturnog kauzalnog modeliranja (engl. Structural Causal Model, SCM) s ciljem postizanja znanstvenog doprinosa utvrđivanjem kauzalne funkcionalne zakonitosti bioloških značajki o abiotičkim parametrima. Temeljna zadaća rada je istražiti model SCM za određivanje zavisnosti koncentracije klorofila o fizikalnim značajkama u području sjevernog Jadrana tijekom razdoblja od 1965. do 2015. godine. Eksperimentalni podatci rezultat su dugotrajnog i ekstenzivnog istraživanja u okviru EU projekta “LTER Northern Adriatic Sea” i dostupni su (putem EU znanstvene politike “Open Science”) u velikoj bazi podataka (engl. Big Data), koja sadrži 10 8687 uzoraka s 43 značajke. Predložen je matematički model Bayesove mreže (engl. Bayes Network, BN) kao usmjereni neciklički graf (engl. Directed Acyclic Graph, DAG). Struktura grafa određena je primjenom testa uvjetne nezavisnosti (Hamilton-Schmidtova Conditional Indepedence test, HSCI) s razinom signifikantnosti α = 0,05. SCM model pokazuje da su neposredni kauzalni utjecaji na koncentraciju klorofila: temperatura, salinitet, pH, dušik, fosfor i silicij. Primijenjena je metodologija d-razdvajanja BN grafa sa svrhom blokiranja interferencije (engl. confounding) za procjenu kauzalne funkcionalne zavisnosti bioloških značajki o abiotičkim parametrima. Funkcije kauzalnosti određene su kao rubne razdiobe (engl. marginal distributions) modeliranjem Bayesovom neuronskom mrežom (engl. Bayes Neural Network, BNN). Najveći neposredni negativni kauzalni učinak na klorofil A (Chlorophyll A) ima temperatura (−0,07 μg klorofila A/°C). Utvrđena je pozitivna kauzalna zavisnost između klorofila-A i otopljenog kisika (0,2 mg otopljenog kisika DO2/μg klorofila A). Također je provedena neparametarska usporedna analiza klorofila A i fizikalnih parametara hrvatskog dijela i podataka za cjelokupni sjeverni Jadran. Medijan koncentracije otopljenog kisika u hrvatskom dijelu Jadrana je 5,8 mg O2/l a u sjevernom je 5,5 mg O2/l, dok je medijan temperature u hrvatskom dijelu T = 14,6 °C u odnosu na T = 15,1 °C za sjeverni Jadran. Medijan broja stanica bičaša (Dinoflagellate) je u hrvatskom dijelu Jadrana 3 stanice/l, u odnosu na cijeli sjeverni Jadran, gdje je on od 5 stanica/l. Značajna je razlika u učestalosti i iznosu visokog broja bičaša. Medijani koncentracija klorofila A ne pokazuju značajnu razliku (0,65 i 0,90 μg l–1), ali u sjevernom Jadranu je znatno veći broj uzoraka koji po iznosu signifikantno odstupaju od normalne razdiobe (engl. outliers or hotspots). Utvrđena je i značajna razlika u razdiobi koncentracije silicija s velikim brojem uzoraka s visokim koncentracijama u zapadnom dijelu Jadrana. Primijenjeni su modeli “šume” stabala odlučivanja (engl. random forest) predikcije bioloških značajki na osnovi abiotičkih veličina. Validacije modela provedene su određivanjem relativne postotne pogreške predikcije primjenom simulacije “novih” podataka peterostrukom podjelom baze podataka. Postignute su sljedeće pogreške modela predikcije: za klorofil (engl. chlorophyll) 6,5 %; feopigment (Pheeopigment) 17,4 %; diatomeje (Diatom) 18,8 %; dinoflagelat (Dinoflagellate) 17,4 %; i kokolitifore (Coccolithoophores) 12,1 %. Za svaki od modela utvrđeni su ključni abiotički faktori za procjenu predikcija.
(Read More)