Probabilistyczne modele zjawisk przestrzennych w rolnictwie

• Autorzy: Marciniak A.

Warianty tytułu

EN

Probabilistic models of spatial phenomena in agriculture

• Języki publikacji: PL

Abstrakty

PL

Niepewność, zarówno stochastyczna jak i epistemiczna, obecna w modelach zjawisk czaso-przestrzennych w rolnictwie uzasadnia zastosowanie metod probabilistycznych predykcji, wyjaśnianiu i aproksymacji obiektów przestrzennych. Z metodologicznego, obliczeniowego i inferencyjnego punktu widzenia odpowiednią technologią modelowania są tu sieci bayesowskie traktowane jako systemy reprezentacji wiedzy. W takim ujęciu modelowanie sprowadza się do translacji wiedzy z języka naturalnego na formalny i wykonywalny język sieci bayerowskich. Logiczną spójność i efektywność takiego rozumienia procesu modelowania pokazano na przykładzie budowy modelu aproksymacji i predykcji plonu pszenicy.

EN

Uncertainty, both stochastic and epistemic, occurring in models of space-time phenomena in agriculture justifies application of probabilistic methods in predication, clarifying and approximation of spatial objects. From methodological, computational and inferential point of view, in this case proper modelling technologies include Bayesian networks treated as knowledge representation systems. From this perspective modelling comes down to translation of knowledge from natural language to formal and executable language of Bayesian networks. Logical coherence and effectiveness of this definition of modelling process is shown on the example of building a model of wheat crop approximation and prediction.

Słowa kluczowe

PL

system informacji przestrzennej; GIS; probabilistyczna predykcja; probabilistyczna interpolacja; obiekt przestrzenny; sieci bayesowskie

EN

GIS; probabilistic prediction; approximation prediction; spatial objects; Bayesian networks

• Wydawca: Polskie Towarzystwo Inżynierii Rolniczej
• Czasopismo: Inżynieria Rolnicza
• Rocznik: 2009
• Tom: R. 13, nr 5
• Strony: 193--199
• Opis fizyczny: Bibliogr. 4 poz., rys.

Twórcy

autor

Marciniak A.

• Katedra Podstaw Techniki, Uniwersytet Przyrodniczy w Lublinie,

Bibliografia

• Dalang R., Dozzi M., Russo F. (ed.). 2002. Seminar on Stochastic Analysis, Random Fields and Applications IV. Centro Stefano Franscini. Ascona. Brikhäuser (Progress in Probability).
• Gelman A. i in. 2003. Bayesian Data Analysis. Chapman & Hall/CRC.
• Moller J., Waagepetersen R. P. 2003. A Statistical Inference and Simulation for Spatial Point Processes. Monographs on Statistics and Applied Probability. Chapman & Hall/CRC.
• Bayesia (on-line) 2009. BayesiaLab - Bayesian network software. http://www.bayesia.com/