Mirosław Makohonienko, Alfred Stach Instytut Badań Czwartorzędu

Slides:



Advertisements
Podobne prezentacje
Regresja i korelacja materiały dydaktyczne.
Advertisements

Analiza współzależności zjawisk
Próg rentowności.
Analiza wariancji jednoczynnikowa
Skale pomiarowe – BARDZO WAŻNE
BUDOWA MODELU EKONOMETRYCZNEGO
SKALA 2 :1 1 : 1 1 : 2 OBRAZ DWUKROTNIE POWIĘKSZONY 8 cm 6 cm
Jak mierzyć asymetrię zjawiska?
Jak mierzyć zróżnicowanie zjawiska? Wykład 4. Miary jednej cechy Miary poziomu Miary dyspersji (zmienności, zróżnicowania, rozproszenia) Miary asymetrii.
Właściwości średniej arytmetycznej
MIARY ZMIENNOŚCI Główne (wywołujące zmienność systematyczną)
Analiza techniczna wykład 5
Analiza wariancji Analiza wariancji (ANOVA) stanowi rozszerzenie testu t-Studenta w przypadku porównywanie większej liczby grup. Podział na grupy (czyli.
SPRAWNOŚĆ SEKTORA PUBLICZNEGO WYKŁAD IV
SKALA 2 :1 1 : 1 1 : 2 OBRAZ DWUKROTNIE POWIĘKSZONY 8 cm 6 cm
(dla szeregu szczegółowego) Średnia arytmetyczna (dla szeregu szczegółowego) Średnią arytmetyczną nazywamy sumę wartości zmiennej wszystkich jednostek.
Alfred Stach Instytut Paleogeografii i Geoekologii
Alfred Stach Instytut Paleogeografii i Geoekologii
Alfred Stach Instytut Paleogeografii i Geoekologii
GEOSTATYSTYKA Wykłady dla III roku Geografii specjalność – geoinformacja Estymacja na podstawie danych jednej zmiennej I Alfred Stach Instytut Paleogeografii.
Alfred Stach Instytut Paleogeografii i Geoekologii
GEOSTATYSTYKA I ANALIZA PRZESTRZENNA Wykład dla III roku Geografii specjalność - geoinformacja Alfred Stach Instytut Geoekologii i Geoinformacji Wydział
GEOSTATYSTYKA Wykłady dla III roku Geografii specjalność – geoinformacja Estymacja na podstawie danych jednej zmiennej II Alfred Stach Instytut Paleogeografii.
Modelowanie zmienności przestrzennej barwy gleb na stokach morenowych
Alfred Stach Instytut Geoekologii i Geoinformacji
Alfred Stach Instytut Paleogeografii i Geoekologii
GEOSTATYSTYKA I ANALIZA PRZESTRZENNA Wykład dla III roku Geografii specjalność - geoinformacja Alfred Stach Instytut Geoekologii i Geoinformacji Wydział
Alfred Stach Instytut Paleogeografii i Geoekologii
Temat: Cechy populacji biologicznej.
Analiza współzależności dwóch zjawisk
Metody Symulacyjne w Telekomunikacji (MEST) Wykład 6/7: Analiza statystyczna wyników symulacyjnych  Dr inż. Halina Tarasiuk
Średnie i miary zmienności
Korelacja, autokorelacja, kowariancja, trendy
Analiza wariancji jednoczynnikowa
Testy nieparametryczne
Dzisiaj powtarzamy umiejętności związane z tematem-
Analiza współzależności cech statystycznych
Analiza wariancji jednoczynnikowa.
KARTY KONTROLNE PRZY OCENIE LICZBOWEJ
Statystyka – zadania 4 Janusz Górczyński.
1. ŁATWOŚĆ ZADANIA (umiejętności) 2. ŁATWOŚĆ ZESTAWU ZADAŃ (ARKUSZA)
Ekonometria stosowana
Regresja wieloraka.
Treści multimedialne - kodowanie, przetwarzanie, prezentacja Odtwarzanie treści multimedialnych Andrzej Majkowski.
Przedmiot: Ekonometria Temat: Szeregi czasowe. Dekompozycja szeregów
Wnioskowanie statystyczne
STATYSTYKA Pochodzenie nazwy:
D. Ciołek EKONOMETRIA – wykład 5
D. Ciołek EKONOMETRIA – wykład 4
EWD gimnazjalne Czym jest metoda edukacyjnej wartości dodanej (EWD)? Efektywność pracy szkoły, przed kilku laty, oceniano jedynie na podstawie wyników.
Statystyczna analiza danych w praktyce
Jak mierzyć asymetrię zjawiska? Wykład 5. Miary jednej cechy  Miary poziomu  Miary dyspersji (zmienności, zróżnicowania, rozproszenia)  Miary asymetrii.
Statystyczna analiza danych
Statystyczna analiza danych
SKALA CIĄGŁA I SKOKOWA.
STATYSTYKA – kurs podstawowy wykład 8 dr Dorota Węziak-Białowolska Instytut Statystyki i Demografii.
Modele nieliniowe sprowadzane do liniowych
Parametry rozkładów Metodologia badań w naukach behawioralnych II.
STATYSTYKA – kurs podstawowy wykład 11
Treść dzisiejszego wykładu l Metoda Najmniejszych Kwadratów (MNK) l Współczynnik determinacji l Koincydencja l Kataliza l Współliniowość zmiennych.
Wojciech Bartnik, Jacek Florek Katedra Inżynierii Wodnej, Akademia Rolnicza w Krakowie Charakterystyka parametrów przepływu w potokach górskich i na terenach.
Niepewności pomiarów. Błąd pomiaru - różnica między wynikiem pomiaru a wartością mierzonej wielkości fizycznej. Bywa też nazywany błędem bezwzględnym.
Jak mierzyć zróżnicowanie zjawiska?
Co do tej pory robiliśmy:
Regresja wieloraka – bada wpływ wielu zmiennych objaśniających (niezależnych) na jedną zmienną objaśnianą (zależą)
Jednorównaniowy model regresji liniowej
Analiza współzależności zjawisk
MIARY STATYSTYCZNE Warunki egzaminu.
Korelacja i regresja liniowa
Alfred Stach Instytut Paleogeografii i Geoekologii UAM
Zapis prezentacji:

Analiza autokorelacji w profilu pyłkowym z Jeziora Świętokrzyskiego w Gnieźnie (rdzeń Sw 3/91) Mirosław Makohonienko, Alfred Stach Instytut Badań Czwartorzędu i Geoekologii UAM

PROBLEM Określenie ilościowe tempa i charakteru przemian roślinności w środkowej części Pojezierza Gnieźnieńskiego w holocenie, przy pomocy geostatystycznej analizy strukturalnej danych palinologicznych.

Lokalizacja punktu poboru analizowanego rdzenia Sw 3/91 (Makohonienko 2000)

Uproszczony diagram pyłkowy rdzenia Sw 3/91 (Makohonienko 2000) Skrzetuszewskie Lake K.Tobolski, 1990 Daty radiowęglowe z rdzeni S/84 i S/87 z Jeziora Skrzetuszewskiego (Tobolski 1990, 1991) na podstawie regionalnej korelacji palinologicznej.

Przeliczenie głębokości na czas (wiek kalibrowany)

Podział rdzenia Sw 3/91 do analiz numerycznych danych palinologicznych

Wyniki analizy składowych głównych: korelacje zmiennych ze składowymi Cały rdzeń Dolna część rdzenia

Wyniki analizy składowych głównych: projekcja zmiennych na płaszczyznę 1 i 2 składowej Cały rdzeń Dolna część rdzenia

Wyniki analizy składowych głównych: wartości pierwszych 5 składowych dla przypadków

Podstawy teoretyczne Geostatystyka – Teoria Zmiennych Regionalnych: miary autokorelacji I Semiwariancje empiryczne i model semiwariancji Połowa średniej podniesionej do kwadratu różnicy między danymi odległymi o okres h. gdzie: N(h) - liczba par danych dla danego odstępu czasu h między nimi, z(u) - dla  = 1, 2, ..., n oznaczają zbiór n pomiarów danego parametru, u - jest zbiorem terminów wykonywanych pomiarów.

Podstawy teoretyczne Geostatystyka – Teoria Zmiennych Regionalnych: miary autokorelacji II Autokowariancja (kowariancja) empiryczna gdzie: Madogram Połowa bezwzględnej wartości średniej różnicy między danymi odległymi o okres h. Średnia różnica między iloczynem danych odległych o okres h, a iloczynem średnich arytmetycznymi podzbiorów danych odległych o okres h.

Analiza autokorelacji: poszczególne taksony I

Analiza autokorelacji: poszczególne taksony II

Analiza autokorelacji: poszczególne taksony III

Analiza autokorelacji: składowe główne – cały rdzeń

Analiza autokorelacji: składowe główne – cały rdzeń

Interpolacja danych palinologicznych metodą krigingu

WNIOSKI Analiza składowych głównych przeprowadzona dla całego profilu wykazała: potwierdza statystycznie bardzo bliską korelacje grupy taksonów lasotwórczych – Ulmus, Tilia, Fraxinus, Corylus, dominujących w starszym i środkowym holocenie, oraz korelację Carpinus i Fagus w młodszym odcinku holocenu. Z pozostałych ważniejszych taksonów lasotwórczych Pinus, Quercus, Betula jak i Alnus zajmują pozycję pośrednią między wymienionymi dwoma grupami wskazując na stosunkowo mniejszą zmienność w kontekście całego holocenu. W stosunku do obu wyraźnie przeciwstawnych grup składników leśnych zdecydowaną opozycję zajmuje grupa taksonów roślin zielnych z Poaceae, Rumex a/a, Plantago lanceolata, Urtica, podrodziną Cichorioidae oraz typu Aster. To czytelnie wyróżniające się ugrupowanie ujawnia rośliny silnie powiązane z siedliskami zaburzonymi działalnością antropogeniczną. Uwagę zwraca jednoznaczne umiejscowienie w wyżej wymienionej grupie taksonów Salix i Populus (należących do drzew lub krzewów) jako składników sukcesji wtórnej siedlisk zaburzonych. Oddzielna analiza składowych głównych dla wyodrębnionej starszej części profilu, o mniejszej roli człowieka w kształtowaniu szaty roślinnej, zachowuje ogólny układ prezentowany powyżej, jakkolwiek związki między taksonami ulegają ”rozluźnieniu”.

WNIOSKI Analizy przeprowadzone dla najważniejszych taksonów profilu Sw 3/91, pozwalają szacować zmienność losową na: Alnus na około 1,8% (±0,1%), Betula – na 2,6%, Corylus – 1,0%, Pinus – 2,0%, Quercus – 1,2%, Poaceae – 0,45%. Wartość zmienności losowej – wariancji nuggetowej w modelu semiwariancji – pomocna przy interpretacji danych pyłkowych, informuje jaka różnica w udziałach procentowych w kolejnych spektrach, ze statystycznego punktu widzenia, stanowić może wzrost lub spadek przypadkowy (losowy).

WNIOSKI Dla wszystkich analizowanych pojedynczo taksonów, wyraźnie widoczny jest zbliżony odcinek czasowy zasięgu minimalnego podobieństwa, wynoszący od około 1250 (Pinus) do około 1650 lat (Corylus). Wydaje się, że ujawniona skala czasowa autokorelacji – rzędu około 1500 lat – stanowi odbicie klimatycznie i/lub troficznie uwarunkowanej przebudowy zbiorowisk roślinnych w warunkach Europy Środkowej. W obrazie poszczególnych taksonów zaznaczył się zróżnicowany układ spadku podobieństwa w czasie (do pewnego stopnia zależny od przyjętej metody przeliczenia skali głębokościowej na czasową). W przypadku Alnus – odcinki podobieństwa obejmują 350/380 lat i 870 lat, dla Betula – 450 i 900 lat, Corylus 140 i 580 lat, Pinus – 115/150 i 750 lat, Quercus – 100, 400, 950 lat, Poaceae – 150 i 480 lat.

WNIOSKI Powtarzające się wartości 100–150 (dla Pinus, Quercus, Poaceae) oraz 400–500 lat (dla Betula, Corylus, Quercus), wydają się być odbiciem działalności antropogenicznej. W takim ujęciu pierwsza liczba oznaczałaby czas potrzebny na regenerację lasu, druga zaś osiągnięcie stadium lokalnego klimaksu. Usunięcie z obliczeń danych ze stropowych 4 m, wpłynęło wyraźnie na wszystkie krzywe. Zmienność czasowa uległa generalnie zmniejszeniu (z wyjątkiem Corylus). W przypadku zaś Betula, Pinus i Poaceae ujawnia się odmienna struktura autokorelacji.

WNIOSKI Analiza autokorelacji przeprowadzona na 5 pierwszych składowych głównych potwierdza wnioski uzyskane dla poszczególnych taksonów. Pierwsza składowa niosąca najwięcej, bo 25% informacji, przedstawia korelację grupy składników naturalnych fitocenoz leśnych z Ulmus – Tilia – Fraxinus – Corylus oraz Quercus i Alnus w przeciwstawieniu do składników zielnych siedlisk synantropijnych (oraz Carpinus i Fagus ze względu na ich młodoholoceńską sukcesję przypadającą już na okresy wzmożonych oddziaływań antropogenicznych). W przypadku tym najsilniej zaznacza się autokorelacja o zasięgu około 1500 lat. Układ punktów wykresu wskazuje ponadto na mniej wyraźne zmiany w skali 100–150 lat i 800–900 lat. W przypadku drugiej składowej, w której decydującą rolę odgrywają Carpinus, Fagus i w mniejszym stopniu Quercus, ujawnia się silnie zmienność czasowa rzędu 110 lat.

WNIOSKI Podobne zmiany w skali ok. 120 lat zaznacza obraz trzeciej składowej głównej, której elementem wyróżniającym jest Pinus. O ile jednak składowa trzecia osiąga od razu po pierwszym załamaniu (na 120 latach), wartość semiwariancji progowej (sill), miary podobieństwa (autokorelacji) składowej drugiej maleją dalej nieznacznie do odstępu około 1000 lat. Składowe 4 i 5, które korelują najsilniej odpowiednio ze zliczeniami Betula i Humulus t. wykazują podobną strukturę spadku podobieństwa, z załamaniami na ok. 80 i 350–400 lat. Wszystkie krzywe charakteryzują się nieregularną, słabo zarysowaną, cyklicznością o okresie od 150 do 300 lat.

WNIOSKI Zaprezentowane pierwsze wyniki, rzucają nowe światło, postrzegane poprzez pryzmat analiz statystycznych na szereg, dość intuicyjnie do tej pory interpretowanych zagadnień tempa przemian szaty roślinnej w holocenie. W dalszym postępowaniu zasadne wydaje się wyraźniejsze rozdzielenie czynników naturalnych od antropogenicznych. Pomocne w tym względzie będzie przeprowadzenie analogicznej analizy dla danych z obszarów o mniejszej niż w przypadku Wielkopolski, ingerencji człowieka w środowisko naturalne.