Optymalizacja oddziaływania czynników środowiska przyrodniczego w aspekcie odnawiania ekologicznych zasobów środowiska

• Autorzy: Łaska G. , Sienkiewicz A.

Identyfikatory

DOI

10.12912/23920629/58901

Warianty tytułu

EN

Optimization of the impact of natural environment factors in terms of renewal of ecological environmental resources

• Języki publikacji: PL

Abstrakty

PL

Czynniki biotyczne i abiotyczne istotnie wpływają na kształtowanie i odnawianie ekologicznych zasobów środowiska przyrodniczego. Głównym celem zachowania i ochrony cennych zasobów naturalnych jest poznanie optymalnych warunków środowiska. Ma to szczególnie duże znaczenie, gdy poszukujemy optymalnych warunków do zachowania dalszej egzystencji zagrożonych wyginięciem taksonów. W określeniu zależności przyczynowo-skutkowych pomiędzy biologią rozwoju i dynamiką zagrożonych taksonów a oddziaływaniem czynników środowiska znajdują zastosowanie metody modelowania matematycznego w postaci sieci bayesowskich. Wykorzystanie algorytmów modelowania (GeNie 2.0, University of Pittsburgh) umożliwia integrację analityczną parametrów środowiska z badanymi cechami gatunków. Określona topologia sieci połączeń daje podstawy do wnioskowania na temat dalszej egzystencji zagrożonych wyginięciem gatunków. Opracowany model matematyczny pozwala również na proces optymalizacji oddziaływania poziomów badanych czynników środowiska. Celem pracy jest określenie możliwości zastosowania modelowania matematycznego w postaci sieci bayesowskich do odnawiania ekologicznych zasobów środowiska.

EN

Biotic and abiotic factors significantly influence the formation and restoration of ecological environmental resources. The main purpose of the conservation and protection of valuable natural resources is to know the optimal environmental conditions. This is especially important when we intend to maintain optimal conditions and continued existence of endangered taxons. In determining the cause and effect relationships between developmental biology and dynamics of endangered taxons and the impact of environmental factors mathematical modeling methods in the form of Bayesian networks are used. The use of modeling algorithms (GeNie 2.0, University of Pittsburgh) enables the integration of environmental analytical parameters with the studied characteristics of species. The specified network topology of connections provides a basis for reasoning about the continued existence of endangered species. The mathematical model also allows for the optimization process of the impact studied levels of environmental factors. The aim of the study was to determine the applicability of mathematical modeling in a form of Bayesian networks for the restoration of ecological environmental resources.

Słowa kluczowe

PL

czynniki biotyczne; czynniki abiotyczne; naturalne zasoby środowiska; odnawianie; modelowanie matematyczne; optymalizacja

EN

biotic factor; abiotic factors; natural environmental resources; renewing; mathematical modeling; optimization process

• Wydawca: Polskie Towarzystwo Inżynierii Ekologicznej
• Czasopismo: Inżynieria Ekologiczna
• Rocznik: 2015
• Tom: Nr 43
• Strony: 42--48
• Opis fizyczny: Bibliogr. 43 poz., rys.

Twórcy

autor

Łaska G.

• Katedra Ochrony i Kształtowania Środowiska, Wydział Budownictwa i Inżynierii Środowiska, Politechnika Białostocka, ul. Wiejska 45A, 15-351 Białystok

autor

Sienkiewicz A.

• Katedra Ochrony i Kształtowania Środowiska, Wydział Budownictwa i Inżynierii Środowiska, Politechnika Białostocka, ul. Wiejska 45A, 15-351 Białystok

Bibliografia

• 1. Aguilera P.A., Fernández A., Reche F., Rumí R. 2010. Hybrid Bayesian network classifiers: application to species distribution models. Environ. Model. Softw. 25, 1630–1639.
• 2. Aguilera P.A., Fernandez A., Fernandez R., Rumi R., Salmeron A. 2011. Bayesian networks in environmental modelling. Environ. Model. Softw. 26(12), 1376–1388.
• 3. Aitkenhead M.J., Aalders I.H. 2009. Predicting land cover using GIS, Bayesian and evolutionary algorithm methods. J. Environ. Manage. 90, 236–250.
• 4. Borsuk M.E., Stow C.A., Reckhow K.H. 2004. A Bayesian network of eutrophication models for synthesis, prediction, and uncertainty analysis. Ecol. Model. 173, 219–239.
• 5. Chen S., Pollino C. 2012. Good practice in Bayesian network modelling. Environ. Model. Softw. 37, 134–145.
• 6. Cyr D., Gauthier S., Etheridge D.A., Kayahara G.J., Bergeron Y. 2010. A simple Bayesian belief network for estimating the proportion of old-forest stands in the Clay Belt of Ontario using the provincial forest inventory. Can. J. For. Res. 40, 573–584.
• 7. Dambacher J.M., Li H.W., Rossignol P.A. 2003. Qualitative predictions in model ecosystems. Ecol. Model. 161, 79–93.
• 8. Dorner S., Shi J., Swayne D. 2007. Multi-objective modelling and decision support using a Bayesian network approximation to a non-point source pollution model. Environ. Model. Softw. 22, 211–222.
• 9. Drużdżel M. 2005. Wprowadzenie do Sieci Bayesa. Software Developer’s Journal.
• 10. Farmani R., Henriksen H.J., Savic D. 2009. An evolutionary Bayesian belief network methodology for optimum management of groundwater contamination. Environ. Model. Softw. 24, 303–310.
• 11. Gelman A., Carlin J.B., Stern H.S., Rubin D.B. 1995. Bayesian data Analysis. [In:] Texts in Statistical Science. Chapman and Hall, New York.
• 12. Green J.L., Hastings A., Arzberger P., Ayala F.J., Cottingham K.L., Cuddington K., Davis F., Dunne J.A., Fortin M.J., Gerber L., Neubert M. 2005. Complexity in ecology and conservation: mathematical, statistical, and computational challenges. BioScience 55, 501–510.
• 13. Jensen F.V. 2001. Bayesian Networks and Decision Graphs. Springer, New York, 448.
• 14. Jensen M., Reynolds K., Langner U., Hart M. 2009. Application of Logic and Decision Models in Sustainable Ecosystem Management. [In:] Proceedings of the 42nd Hawaii International Conference on System Sciences. Waikoloa, Hawaii, 5-8 January 2009.
• 15. Johnson S., Mengersen K., de Waal A., Marnewick K., Cilliers D., Houser A.M., Boast L. 2010. Modelling cheetah relocation success in southern Africa using an iterative Bayesian network development cycle. Ecol. Model. 221, 641–651.
• 16. Jordán F. 2001. Ecosystem flow networks and community control. [In:] Villacampa Y., Brebbia C.A., Uso J.L. (eds.) Ecosystems and Sustainable Development III. Advances in Ecological Sciences. WIT Press, Southampton, 771–780.
• 17. Jordán F., Scheuring I. 2004. Network ecology: topological constraints on ecosystems dynamics. Physics of Life Reviews 1, 139–172.
• 18. Lynam T., Drewry J., Highm W., Mitchell C. 2010. Adaptive modelling for adaptive water quality management in the great barrier reef region, Australia. Environ. Model. Softw. 25, 1291–1301.
• 19. Łaska G., Sienkiewicz A. 2013. Stan zachowania i zagrożenie populacji Pulsatilla patens (L.) Mill. pod wpływem zmiennych warunków środowiska przyrodniczego w Puszczy Knyszyńskiej. [W:] Ciereszko I., Bajguz A. (red.) Różnorodność biologiczna – od komórki do ekosystemu. Rośliny i grzyby w zmieniających się warunkach środowiska. Wyd. PTB, Białystok, 143–154.
• 20. Łaska G., Sienkiewicz A. 2014. Mathematical modelling of the influence of air temperature on the conservation status and threat of Pulsatilla patens (L.) Mill. population in the Knyszyńska Forest. Episteme 22, 173–179.
• 21. Maier H.R., Jain A., Dandy G.C., Sudheer K.P. 2010. Methods used for the development of neural networks for the prediction of water resource variables in river systems: current status and future directions. Environ. Model. Softw. 25, 891–909.
• 22. Marín J.M., Diez R.M., Insua D.R. 2003. Bayesian methods in plant conservation biology. Biol. Conserv. 113, 379–387.
• 23. McNay R.S., Marcot B.G., Brumovsky V., Ellis R. 2006. A Bayesian approach to evaluating habitat for woodland caribou in north-central British Columbia. Can. J. For. Res. 36, 3117–3133.
• 24. Newton A.C., Stewart G.B., Díaz A., Golicher D., Pullin A.S. 2007. Bayesian belief networks as a tool for evidence-based conservation management. J. Nat. Conserv. 15, 144–160.
• 25. Newton A.C. 2010. Use of Bayesian network for red listing under uncertainty. Environ. Model. Softw. 25, 15–23.
• 26. Ordónez-Galán C., Matías J.M., Rivas T., Bastante F.G. 2009. Reforestation planning using Bayesian networks. Environ. Model. Softw. 24, 1285–1292.
• 27. Pollino C.A., White A.K., Hart B.T. 2007a. Examination of conflicts and improved strategies for the management of an endangered Eucalypt species using Bayesian network. Ecol. Model. 201, 37–59.
• 28. Pollino C.A., Woodberry O., Nicholson A., Korb K., Hart B.T. 2007b. Parameterisation and evaluation of a Bayesian network for use in an ecological risk assessment. Environ. Model. Softw. 22, 1140–1152.
• 29. Pourret O., Naim P., Marcot B. 2008. Bayesian Networks. A Practical Guide to Applications. Wiley, USA, 446.
• 30. Proulx S.R., Promislow D.E.L., Phillips P.C. 2005. Network thinking in ecology and evolution. Trends Ecol. Evol. 20, 345–353.
• 31. Qu Y., Wang J., Wan H., Li X., Zhou G. 2008. A Bayesian network algorithm for retrieving the characterization of land surface vegetation. Remote Sens. Environ. 112, 613–622.
• 32. Reynolds K.M. 2005. Integrated decision support for sustainable forest management in the United States: Fact or fiction? Comput. Electron. Agr. 49, 6–23.
• 33. Rooney T.P. 2001. Deer impacts on forest ecosystems: a North American perspective. Forestry 74, 201–208.
• 34. Schulze E.D., Beck E., Müller-Hohenstein K. 2005. Plant Ecology. Springer, Berlin, 702 pp.
• 35. Sienkiewicz A. 2012. Pulsatilla patens (L.) Mill. in the Knyszyńska Forest on background of abiotic disorders. [W:] Łaska G. (red.) Różnorodność biologiczna – od komórki do ekosystemu. Wyd. PTB, Białystok, 103–116.
• 36. Sienkiewicz A. 2014. Wpływ czynników abiotycznych na strukturę populacji sasanki otwartej Pulsatilla patens (L.) Mill. w Nadleśnictwie Spychowo w Puszczy Piskiej. [W:] Łaska G. (red.) Różnorodność biologiczna – od komórki do ekosystemu. Zagrożenia środowiska a ochrona gatunkowa roślin i grzybów. Wyd. PTB, Białystok, 251–260.
• 37. Sivia D.S. 1996. Data Analysis. A Bayesian Tutorial. Oxford Science Publications, USA.
• 38. Smith C.S., Howes A.L., Price B., McAlpine C.A. 2007. Using a Bayesian belief network to predict suitable habitat of an endangered mammal-the julia creek dunnart (sminthopsis douglasi). Biol. Conserv. 139, 333–347.
• 39. Tattari S., Schultz T., Kuussaari M. 2003. Use of belief network modelling to assess the impact of buffer zones on water protection and biodiversity. Agric. Ecosyst. Environ. 96, 119–132.
• 40. Uusitalo L. 2007. Advantages and challenges of Bayesian networks in environmental modelling. Ecol. Model. 203, 312–318.
• 41. Walton A., Meidinger D. 2006. Capturing expert knowledge for ecosystem mapping using Bayesian networks. Can. J. For. Res. 36, 3087–3103.
• 42. Wilson D.S., Stoddard M.A., Puettmann K.J. 2008. Monitoring amphibian populations with incomplete survey information using a Bayesian probabilistic model. Ecol. Model. 214, 210–218.
• 43. Voie Ø.A., Johnsen A., Strømseng A., Longva K.S. 2010. Environmental risk assessment of white phosphorus from the use of munitions-A probabilistic approach. Sci. Total Environ. 408, 1833–1841.