Numerical correlation of many multidimensional geological records

• Autorzy: Walanus A. , Nalepka D.

Warianty tytułu

PL

Korelacja numeryczna wielowymiarowych danych dla kilku profili gelogicznych

• Języki publikacji: EN

Abstrakty

EN

It is frequent task to correlate profiles or cores basing on different measurements performed on the series of samples. The difficulty arises when there are many profiles and none is the main or reference one. The reason is that the number of possible correlations grows exponentially with the number of profiles. To resolve the problem a Monte Carlo method is adopted here, what makes it very probable to discover the best correlations in a reasonable amount of computing time. The quality of a correlation is measured by a metric of dissimilarity of the samples. The final result, given in graphical form, has a form of lines connecting correlative samples from different profiles. The number of lines (correlations across profiles) is user-defined and can vary from one to dozens. The number of profiles, samples, and variables depends only on the computational resources. Large problems need longer computation times to achieve stable results.

PL

Korelowanie dwóch lub kilku sekwencji próbek z profilu, na podstawie wyników różnych pomiarów wykonywanych dla próbek, jest jednym z najczęściej wykonywanych zadań. Jednak w sytuacji korelow nia większej liczby równorzędnych profili, ze względu na wykładniczo rosnącą z liczbę profili liczbę możliwych korelacji, zadanie staje się trudne. Zaproponowane rozwiązanie ograniczenia czasu poszukiwania najlepszej korelacji wykorzystuje metodę Monte Carlo. Otrzymany wynik korelowania, aczkolwiek niekoniecznie najlepszy, najprawdopodobniej będzie bardzo bliski optymalnej korelacji. Jakość korelacji mierzona jest za po - mocą współczynnika niepodobieństwa próbek. Końcowy wynik działania omawianego programu przedstawiany jest w postaci graficznej, w postaci pewnej (zadanej) liczby linii łączących po - dobne poziomy. Liczba korelowanych profili, próbek i zmiennych zależy jedynie od wielkości pamięci komputera. Czas zawsze można dowolnie ograniczyć, jed nak warto wtedy sprawdzi? stabilność uzyskanego wyniku obliczeń.

Słowa kluczowe

EN

Monte Carlo; computer intensive; dissimilarity coefficient; data standardization

• Wydawca: Polskie Towarzystwo Geologiczne
• Czasopismo: Annales Societatis Geologorum Poloniae
• Rocznik: 2006
• Tom: Vol. 76, No 2
• Strony: 215--224
• Opis fizyczny: bibliogr. 14 poz., rys.

Twórcy

autor

Walanus A.

autor

Nalepka D.

• Institute of Technology, Faculty of Mathematics and Natural Sciences, Rzeszów University, ul. Rejtana 16 A, 35-959 Rzeszów, Poland,

Bibliografia

• 1. Birks, H. J. B., 1986. Numerical zonation, comparison and correlation of Quaternary pollen stratigraphical data. In: Berglund, B. E. (ed.), Handbook of Holocene Palaeoecology and Palaeohydrology. Wiley & Sons Ltd., Chichester-New York: 743-774.
• 2. Birks, H. J. B. & Gordon, A. D., 1985. Numerical Methods in Quaternary Pollen Analysis. Academic Press, London, 317 pp.
• 3. Gower, J. C. & Legendre, P., 1986. Metric and Euclidian properties of dissimilarity coefficients. Journal of Classification, 3: 5-48.
• 4. Guyon, I. & Elisseeff A., 2003. An Introduction to Variable and Feature Selection. Journal of Machinę Learning Research, 3: 1157-1182.
• 5. Maher, L. J., Jr., 1998. Slotdeep v. 1.8 adds DC profiles to its DC map. INQUA Commission for the Study of the Holocene, Working Group on Data-Handling Methods Newsletter, 18: 4.
• 6. Nalepka, D. & Walanus, A., 2003. Data processing in pollen analysis. Acta Palaeobotanica, 43 (1): 125-134.
• 7. Nalepka, D., 2005. Late Glacial and Holocene palaeoecological conditions and changes of vegetation cover under early farming actiyity in the south Kujawy region (central Poland). Acta Palaeobotanica, Suppl., 6: 3-90.
• 8. Noryśkiewicz, B., 1987. Lakę Steklin - a reference site for the Dobrzyń-Chełmno Lakę District, N. Poland. Report on palaeoecological studies for the IGCP-Project No. 158B. Acta Palaeobotanica, 22 (1): 65-83.
• 9. Prentice, I. C, 1980. Multidimensional scaling as a research tool in Quaternary palynology: a review of theory and methods. Review of Palaeobotany and Palynology, 31: 71-104.
• 10. Ralska-Jasiewiczowa, M. & van Geel, B., 1998. Human impact on the vegetation of the Lakę Gościąż surroundings in prehistorie and early-historic times. In: Ralska-Jasiewiczowa, M., Goslar, T., Madeyska, T. & Starkel, L. (eds), Lakę Gościąż, Central Poland. A Monographic Study. Part 1. W. Szafer Institute of Botany, Polish Academy of Sciences, Kraków: 267-293.
• 11. Ralska-Jasiewiczowa, M., Demske, D. & van Geel, B., 1998. Late-Glacial vegetation history recorded in the Lakę Gościąż sediments. In: Ralska-Jasiewiczowa, M., Goslar, T., Madeyska, T. 7 Starkel, L. (eds), Lakę Gościąż, Central Poland. A Monographic Study. Part 1. W. Szafer Institute of Botany, Polish Academy of Sciences, Kraków: 128-143.
• 12. Robert, C. P. & Casella, G., 1999. Monte Carlo Statistical Methods. Springer, 536 pp.
• 13. Walanus, A. & Nalepka, D., 2004. Integration of Late Glacial and Holocene pollen data from Poland. Annales Societatis Geologorum Poloniae, 74: 285-294.
• 14. Wessel, P., 2003. http://www.soest.hawaii.edu/wessel/courses/ gg313.html, Geological Data Analysis. The School of Ocean and Earth Science and Technology, Uniyersity of Hawaii.