OCENA WPŁYWU WYBRANYCH PARAMETRÓW FIZYCZNO-CHEMICZNYCH NA STAN EKOLOGICZNY RZEK
|
|
- Piotr Grabowski
- 8 lat temu
- Przeglądów:
Transkrypt
1 Daniel GEBLER *, Anna BUDKA **, Dariusz KAYZER **, Krzysztof SZOSZKIEWICZ * makrofity, Ramowa Dyrektywa Wodna, rzeki, sztuczne sieci neuronowe OCENA WPŁYWU WYBRANYCH PARAMETRÓW FIZYCZNO-CHEMICZNYCH NA STAN EKOLOGICZNY RZEK Zgodnie z zapisami Ramowej Dyrektywy Wodnej (RDW) ocena wód powierzchniowych prowadzona jest głównie na podstawie wskaźników biologicznych. Elementami wspomagającymi tę ocenę są parametry fizyczno-chemiczne i hydromorfologiczne. Makrofity stanowią jeden z czterech (obok ichtiofauny, makrozoobentosu i fitoplanktonu) elementów oceny stanu ekologicznego rzek. W Polsce ocena rzek na podstawie makrofitów przeprowadzana jest z zastosowaniem Makrofitowego Indeksu Rzecznego (MIR). Celem pracy było poznanie wpływu wybranych parametrów fizycznochemicznych (BZT 5, zasadowość, przewodność elektrolityczna, fosfor reaktywny i ogólny, azot azotanowy i amonowy) na stan ekologiczny rzek określany za pomocą Makrofitowego Indeksu Rzecznego. Analizy przeprowadzono na podstawie 230 stanowisk zlokalizowanych na terenie całego kraju. Wartości wskaźnika MIR wykorzystano do stworzenia sieci neuronowej, w której na podstawie wyróżnionych parametrów fizyczno-chemicznych modelowano wartości badanego wskaźnika. W procesie uczenia otrzymano sieć charakteryzującą się wysoką korelacją pomiędzy wartościami MIR zmierzonymi w terenie a modelowanymi przez sieć. Wpływ poszczególnych parametrów na stan ekologiczny rozważono z wykorzystaniem analizy wrażliwości. Wykazano, że największy wpływ na modelowane wartości wskaźnika makrofitowego miały: alkaliczność oraz fosfor. 1. WSTĘP Przyjęta w 2000 roku Ramowa Dyrektywa Wodna (RDW) wprowadziła ocenę stanu ekologicznego rzek na podstawie czterech głównych grup organizmów wodnych (ryby, makrobezkręgowce bentosowe, fitoplankton i makrofity). Parametry fizyczno- * Uniwersytet Przyrodniczy w Poznaniu, Wydział Melioracji i Inżynierii Środowiska, Katedra Ekologii i Ochrony Środowiska, ul. Wojska Polskiego 28, Poznań. ** Uniwersytet Przyrodniczy w Poznaniu, Zakład Statystyki, Katedra Metod Matematycznych i Statystycznych.
2 182 D. GEBLER i in. chemiczne, na podstawie których w przeszłości opierała się ocena wód powierzchniowych, funkcjonują obecnie jako elementy wspomagające ocenę biologiczną [2]. W monitoringu środowiska prowadzonym w naszym kraju ocenę stanu ekologicznego rzek pod względem makrofitów wykonuje się w oparciu o Makrofitowy Indeks Rzeczny (MIR) [3].Wskaźnik ten wskazuje na stopień degradacji ekosystemów rzecznych substancjami biogennymi, a w szczególności fosforanami [14]. Do analizy danych ekologicznych wykorzystywane są narzędzia statystyki matematycznej. Obecnie coraz szerzej stosowane są metody sztucznej inteligencji, w szczególności sztuczne sieci neuronowe. Metody te symulują działanie komórki mózgowej i są one zdolne do odwzorowania najbardziej skomplikowanych procesów, w których klasyczne modele regresji nie znajdują zastosowania. Wykorzystanie sieci neuronowych w modelowaniu procesów ekologicznych było przedmiotem wielu badań [7]. Wielokrotnie stosowano je w badaniach różnych typów ekosystemów wodnych [4,6]. W odniesieniu do wodnych organizmów roślinnych sieci neuronowe były wykorzystywane głównie w badaniach nad fitoplanktonem [6,15]. Nie była podejmowana dotychczas próba wykorzystania sztucznych sieci neuronowych w odniesieniu do makrofitów. Celem niniejszej pracy było przetestowanie możliwości predykcji wartości Makrofitowego Indeksu Rzecznego w oparciu o parametry fizyczno-chemiczne wody oraz ocena wpływu poszczególnych parametrów na wskaźnik MIR. Sztuczne sieci neuronowe zostały użyte jako narzędzie realizacji powyższych założeń. 2. MATERIAŁY I METODY Badania terenowe prowadzono w sezonach wegetacyjnych w latach na 230 docinkach rzek zlokalizowanych na obszarze całego kraju. Analizowane stanowiska reprezentowały szeroki gradient warunków ekologicznych polskich rzek. Na każdym stanowisku wykonano badania roślinności wodnej oraz analizy jakości wody. Badania botaniczne przeprowadzono w oparciu o Makrofitową Metodę Oceny Rzek [14]. Polega ona na jakościowej i ilościowej (w 9-stoniowen skali pokrycia) inwentaryzacji roślinności wodnej w obrębie 100 m odcinka badawczego. Na podstawie zebranych w formularzu terenowym danych wylicza się Makrofitowy Indeks Rzeczny (MIR). Wykorzystuje on 153 taksony (103 rośliny nasienne, 3 paprotniki, 20 mchów, 10 wątrobowców i 17 glonów), którym przypisane są dwie liczby wskaźnikowe: L i W. Liczba wartości wskaźnikowej (L) wskazuje na poziom trofii środowiska, w którym dany takson występuje. Jej wartości rozciągają się w przedziale od 1 (hipertrofia) do 10 (oligotrofia). Współczynnik wagowy (W) jest miarą tolerancji ekologicznej poszczególnych taksonów. Przyjmuje on wartości od 1 (gatunki stenotopowe) do 3 (gatunki eurytopowe). MIR wylicza się na podstawie obu liczb wskaźni-
3 Ocena wpływu wybranych parametrów fuzyczno-chemicznych na stan ekologiczny rzek 183 kowych (L i i W i ) oraz pokrycia powierzchni przez dany takson (P i ) (gdzie i odnosi się do poszczególnych gatunków wskaźnikowych odnotowanych w badaniach) zgodnie z wzorem 1: ( Li Wi Pi ) MIR 10 (1) ( W P ) Wskaźnik MIR przyjmuje wartości od 10 w rzekach najbardziej zeutrofizowanych, do 100 w rzekach najmniej zdegradowanych. Badania botaniczne uzupełniono o ocenę parametrów fizyczno-chemicznych. Próbki wody pobierano w terminie badań makrofitowych. Wodę analizowano pod względem następujących parametrów: zasadowość (alkal.), przewodność elektrolityczna (zasad.), fosforany (P reakt. ), fosfor ogólny (P og. ), azotany (N-NO 3 ), azot amonowy (N-NH 4 ) oraz biochemiczne zapotrzebowanie na tlen po pięciu dobach (BZT 5 ). Wartości parametrów fizyko chemicznych oraz MIR analizowane były z użyciem pakietu Automatyczne sieci neuronowe programu STATISTICA [12]. Jako zbiór zmiennych objaśniających przyjęto parametry fizyczno-chemiczne, a jako zmienną objaśnianą wartości Makrofitowego Indeksu Rzecznego. W procesie uczenia sieci neuronowej wykorzystano wyniki z 70% stanowisk badawczych, a w procesach walidacji i testowania po 15%. Ocena sieci, czyli porównanie taksonomicznej wartości Makrofitowego Indeksu Rzecznego z wartościami ich predykatorów otrzymanymi ze zbudowanej sieci neuronowej wykonano na podstawie następujących statystyk: pierwiastka błędu średniokwadratowego (RMSE) [13], znormalizowanego pierwiastka błędu średniokwadratowego (NRMSE) oraz średniego błędu bezwzględnego (MAE) [1]. Natomiast jakość sieci została oceniona na podstawie wartości współczynnika korelacji (r). Ocenę wpływu poszczególnych parametrów wykonano na podstawie globalnej analizy wrażliwości otrzymanej z programu statystycznego. Analiza wrażliwości ocenia jak ważne dla modelu statystycznego są poszczególne predyktory. Otrzymana dla każdego predykatora wartość jest ilorazem błędu średniokwadratowego sieci dla danej zmiennej do błędu z kompletem zmiennych objaśniających. Zmienne, którym w analizie przypisano wartości bliskie lub mniejsze niż jeden nie wnoszą istotnych informacji do sieci. i i 3. WYNIKI I DYSKUSJA Do predykcji stanu ekologicznego na podstawie wskaźnika MIR zbudowana została jednokierunkowa sieć wielowarstwowa MLP (Multi-Layer Perceptron). Klasyczny perceptron wielowarstwowy (MLP) używany jest jako najpowszechniejsza architektu-
4 184 D. GEBLER i in. ra sieci neuronowej. [7] Schemat sieci MLP 7:4:1 został przedstawiony na rysunku 1. Składa się ona z warstwy wejściowej złożonej z siedmiu neuronów (parametry fizyczno-chemiczne), pojedynczej warstwy ukrytej złożonej z czterech neuronów i warstwy wyjściowej z jednym neuronem (MIR). Funkcją aktywacji neuronów zastosowaną w warstwie ukrytej był tangens hiperboliczny, natomiast w warstwie wyjściowej zastosowano funkcję wykładniczą. Przed rozpoczęciem analiz wszystkie zmienne wejściowe zostały zestandaryzowane, co zapewnia polepszenie uczenia się sieci. Rys. 1. Schemat sieci neuronowej (MLP 7:4:1) Dla modelu sieci zostały wyliczone parametry określające jakość predykcji w trzech procesach konstruowania sieci (tab. 1). Na ich podstawie można stwierdzić, że prognoza wartości Makrofitowego Indeksu Rzecznego wykonana przy zastosowaniu sieci neuronowej jest względnie dokładna. Oznacza to, że zbudowana sieć neuronowa nie prognozuje zbyt często zawyżonych lub zaniżonych wartości MIR w odniesieniu do rzeczywistych ich wartości (rys. 1). Analizując wartości MAE w przypadku testowania sieci neuronowej wynosząca 0,123 oraz wartość znormalizowanego pierwiastka błędu średniokwadratowego równą 0,118 konkludujemy, że błąd prognozy nie przekracza 20%. Wyznaczone wartości współczynników korelacji dla uczenia, walidacji i testowania sieci neuronowej wskazują silny liniowy związek pomiędzy ocenianymi, a rzeczywistymi wartościami Makrofitowego Indeksu Rzecznego (rys. 2). Przeprowadzone analizy są jedną z pierwszych prób wykorzystania sztucznych sieci neuronowych w badaniach roślinności wodnej. Techniki sztucznej inteligencji były wykorzystywane, co prawda, w badaniach ekosystemów wodnych ale w odniesieniu do niemal wszystkich ważniejszych grup organizmów z wyjątkiem właśnie makrofitów. W literaturze znaleźć można przykłady ich wykorzystania w odniesieniu do badań ichtiofauny [13], makrobezkręgowców bentosowych [8] i wspomnianego już na wstępie fitoplanktonu [6,15]. Zastosowane w pracy techniki analizy danych używane były również do modelowania wskaźników jakości wody, gdzie na podstawie kilkunastu parametrów modelowano wartości wskaźników tlenowych. Oszacowane w niniejszej pracy błędy sieci
5 Ocena wpływu wybranych parametrów fuzyczno-chemicznych na stan ekologiczny rzek 185 nie różniły się znacząco od błędów otrzymanych w przez innych autorów [11]. Na możliwość modelowania stanu ekologicznego wód powierzchniowych na podstawie wskaźników biologicznych przy wykorzystaniu sieci neuronowych wskazują również inni autorzy [8]. Tabela 1. Parametry działania stworzonej sieci neuronowej n r RMSE NRMSE MAE Uczenie 160 0,870 9,757 0,128 0,161 Walidacja 35 0,825 9,979 0,120 0,165 Test 35 0,907 7,991 0,118 0,123 n liczba obserwacji w zbiorze Rys. 2. Porównanie zbadanych i predykowanych za pomocą sieci wartości wskaźnika MIR, a) uczenie, b) walidacja, c) testowanie Ocena wpływu każdej zmiennej wejściowej na zbudowany model została dokonana na podstawie globalnej analizy wrażliwości (tab. 2). Dowiedziono, że model predykcji wartości MIR jest przede wszystkim wrażliwy na zmiany wartości zasadowości wody. Iloraz błędu średniokwadratowego sieci zbudowanej bez zmiennej opisującej zasadowość do błędu sieci ze wszystkimi zmiennymi wynosił 3,108. W dalszej kolej-
6 186 D. GEBLER i in. ności na wskaźnik MIR wpływały stężenie fosforu ogólnego oraz samych fosforanów. Nieco mniejszy wpływ na modelowane wartości wykazała przewodność elektrolityczna. Pozostałe parametry mają wartości zbliżone do jeden, co wskazuje, że nie wnoszą one do modelu żadnych istotnych informacji, które mogłyby wpłynąć na jego wyższą jakość. Przeprowadzone analizy pozwoliła na wykazanie zależności pomiędzy rozwojem roślinności wodnej a czynnikami fizyczno-chemicznymi. Uzyskane wyniki analizy wrażliwości pokrywają się z innymi badaniami dotyczącymi wpływu pierwiastków biogennych, na makrofitowe wskaźniki degradacji rzek [5]. Stwierdzony duży wpływ zasadowości na model wskazuje na istotną rolę tego czynnika na indeks MIR. Rola tego parametru, jako czynnika powiązanego z rozwojem hydrofitów i innych organizmów wodnych wykazywana jest często w literaturze [9,10]. Niewielki wpływ stężenia azotu amonowego i azotanów na wskaźnik MIR został opisany wcześniej przez innych autorów [5] co zostało potwierdzone przez przeprowadzoną analizę wrażliwości. Tabela 2. Globalna analiza wrażliwości Sieć Zasad.. P og. P reakt. Przew. N-NO3 N-NH 4 BZT 5 MLP 7:4:1 3,108 1,884 1,594 1,484 1,060 1,037 1, WNIOSKI 1. Dzięki zastosowaniu sztucznych sieci neuronowych możliwe jest modelowanie wartości Makrofitowego Indeksu Rzecznego na podstawie pomiarów parametrów fizyczno-chemicznych wody. Otrzymane wartości błędów dla sieci neuronowej wskazują na dobre działanie modelu dla wprowadzonych zmiennych. 2. Analiza wrażliwość wykazała, że największy wpływ na zbudowany model predykcji wartości wskaźnika MIR miała zasadowość. W nieco mniejszym stopniu na model wpływały: stężenie fosforu ogólnego i reaktywnego oraz przewodność elektrolityczna. 3. Stężenie azotu amonowego, azotanów i wartość wskaźnika BZT 5 w nieznacznym stopniu wpływają na modelowane wartości MIR. Wskazuje to na mniejszy ich związek z badanym wskaźnikiem makrofitowy. LITERATURA [1] BHANDARKAR S.M., CHEN F., Similarity Analysis of Video Sequences Using an Artificial Neural Network, Applied Intelligence, 2005, Vol. 22,
7 Ocena wpływu wybranych parametrów fuzyczno-chemicznych na stan ekologiczny rzek 187 [2] DYREKTYWA 2000/60/WE Parlamentu Europejskiego i Rady z dnia 23 października 2000 r. ustanawiająca ramy wspólnotowego działania w dziedzinie polityki wodnej. [3] ROZPORZĄDZENIE MINISTRA ŚRODOWISKA Z DNIA 20 SIERPNIA 2008R., W sprawie klasyfikacji stanu jednolitych części wód powierzchniowych, Dz.U. nr 162 poz [4] ILIADIS L.S., MARIS F., An Artificial Neural Networks model for mountainous water-resources management: The case of Cyprus mountainous watersheds, Environ. Mod. & Software, 2007, Vol. 22, [5] JUSIK SZ., STANISZEWSKI R., SZOSZKIEWICZ K., HRYC-JUSIK B., Zastosowanie makrofitów w ocenie stanu ekologicznego rzek wyżynnych polski, Zeszyty Problemowe Postępów Nauk Rolniczych, 2010, Vol. 547, [6] LEE J.H.W., HUANG Y., DICKMAN M., JAYAWARDENA A.W., Neural network modelling of coastal algal blooms, Ecological Modelling, 2003, Vol. 159, [7] LEK S., GIRAUDEL J.L., GUEGAN J.F., Neural Networks:Algorithms and Architectures for Ecologists and Evolutionary Ecologists, [w:] Neural Networks. Aplication to Ecology and Evolution, pod red. S. Lek, J.F. Guegan, Artificial Springer-Verlag Berlin, Heidelberg [8] Park Y.S., VERDONSCHOT P.F.M., CHON T.S., LEK S., Patterning and predicting aquatic macroinvertebrate diversities using artificial neural network, Water Research, 2003, Vol. 37, [9] RAUN A.L., BORUM J., SAND-JENSEN K, Influence of sediment organic enrichment and water alkalinity on growth of aquatic isoetid and elodeid plants, Freshwater Biology, 2010, Vol. 55, [10] RIIS T., SAND-JENSEN K., VESTERGAARD O., Plant communities in lowland Danish streams: species composition and environmental factors, Aquatic botany, 2000, Vol. 66, No. 4, [11] SINGH K.P, BASANT A., MALIK A., JAIN G., Artificial neural network modeling of the river water quality A case study, Ecological Modeling, 2009, Vol. 220, [12] StatSoft, Inc. (2010). STATISTICA (data analysis software system), version 9.1. [13] SURYANAYARANA I., BRAIBANTI A., RAO R.S., RAMAM V.A., SUDARSAN D., RAO G.N., Neural networks in fisheries research, Fisheries Research, 2008, Vol. 92, No. 2-3, [14] SZOSZKIEWICZ K., ZBIERSKA J., JUSIK S., ZGOŁA T., Makrofitowa Metoda Oceny Rzek. Podręcznik metodyczny do oceny i klasyfikacji stanu ekologicznego wód płynących w oparciu o rośliny wodne, Boguski Wydawnictwo Naukowe, Poznań [15] ŻBIKOWSKI R., Use of artificial neural networks to identify the origin of green macroalgae, Estuarine, Coastal and Shelf Science, 2011, Vol. 94, No. 2, EVALUATION OF SELECTED PHYSICO-CHEMICAL PARAMETERS IMPACT ON THE ECOLOGICAL CONDITION OF RIVERS According to the Water Framework Directive (WFD) assessment of surface waters is carried out mainly on the basis of biological indicators. Physico-chemical and hydromorphological parameters support this assessment. Macrophytes belongs together with fish, macroinvertebrates and phytoplankton to elements used in evaluation of the ecological status of rivers. Macrophyte Index for Rivers (MIR) is used in the national monitoring for rivers in Poland. The aim of this study was to analyze the effect of selected physico-chemical parameters (BOD5, alkalinity, conductivity, electrolytic, phosphates and reactive phosphorus, nitrate and ammonium nitrogen) on the ecological status of rivers determined by the Macrophyte Index for Rivers. Analyses based on 230 survey sites located throughout the country. All data were used
8 188 D. GEBLER i in. to create a neural network, in which values of the MIR index were modeled on the base of selected physico-chemical parameters. A high correlation between measured and modeled values of MIR was obtained in the learning process of the network. Impact of various environmental parameters on the ecological status was considered using sensitivity analysis. It was shown that alkalinity and phosphorus influenced most strongly the modeled values of macrophyte index.
Makrofitowa Metoda Oceny Rzek
Uniwersytet Przyrodniczy w Poznaniu Krzysztof Szoszkiewicz Makrofitowa Metoda Oceny Rzek Elementy oceny stanu ekologicznego wód ELEMENTY BIOLOGICZNE bezkręgowce bentosowe makrofity i fitobentos fitoplankton
Bardziej szczegółowoWYZNACZANIE WARTOŚCI PODSTAWOWYCH PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH KOMBAJNÓW ZBOŻOWYCH PRZY UŻYCIU SSN
Inżynieria Rolnicza 2(9)/7 WYZNACZANIE WARTOŚCI PODSTAWOWYCH PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH KOMBAJNÓW ZBOŻOWYCH PRZY UŻYCIU SSN Sławomir Francik Katedra Inżynierii Mechanicznej i Agrofizyki, Akademia
Bardziej szczegółowoPolitechnika Krakowska im. Tadeusza Kościuszki. Karta przedmiotu. obowiązuje studentów rozpoczynających studia w roku akademickim 2015/2016
Politechnika Krakowska im. Tadeusza Kościuszki Karta przedmiotu Wydział Inżynierii Środowiska obowiązuje studentów rozpoczynających studia w roku akademickim 2015/2016 Kierunek studiów: Inżynieria Środowiska
Bardziej szczegółowoZastosowanie makrofitów w ocenie wód płynących
Uniwersytet Przyrodniczy w Poznaniu LETNIA SZKOŁA EKOLOGII Kurs naukowo-szkoleniowy przygotowujący do realizacji zadań wynikających z Ramowej Dyrektywy Wodnej i Dyrektywy Siedliskowej Zastosowanie makrofitów
Bardziej szczegółowoActa 12 (2) 2012.indd :41:15. Acta Sci. Pol., Formatio Circumiectus 12 (2) 2013,
Acta 1 () 01.indd 93 013-1-1 11:41:15 Acta Sci. Pol., Formatio Circumiectus 1 () 013, 9310 ** Streszczenie. Abstract. Acta 1 () 01.indd 94 013-1-1 11:41:15 94 Acta Sci. Pol. Acta 1 () 01.indd 95 013-1-1
Bardziej szczegółowoNauka Przyroda Technologie
Nauka Przyroda Technologie ISSN 1897-7820 http://www.npt.up-poznan.net Dział: Melioracje i Inżynieria Środowiska Copyright Wydawnictwo Uniwersytetu Przyrodniczego w Poznaniu 2009 Tom 3 Zeszyt 3 KAROL PIETRUCZUK
Bardziej szczegółowoZależność między klasyfikacją rzek opartą na makrofitach a jakością fizyczno-chemiczną wody na przykładzie rzek województwa wielkopolskiego
OCHRONA ŚRODOWISKA Vol. 34 2012 Nr 1 Karol Pietruczuk, Krzysztof Szoszkiewicz Zależność między klasyfikacją rzek opartą na makrofitach a jakością fizyczno-chemiczną wody na przykładzie rzek województwa
Bardziej szczegółowoOcena stanu / potencjału ekologicznego, stanu chemicznego i ocena stanu wód rzecznych.
Ocena stanu jednolitych części powierzchniowych wód płynących (w tym zbiorników zaporowych) w 2013 roku, z uwzględnieniem monitoringu w latach 2011 i 2012. Zgodnie z zapisami Ramowej Dyrektywy Wodnej podstawowym
Bardziej szczegółowoZastosowanie makrofitów w ocenie wód płynących
Uniwersytet Przyrodniczy w Poznaniu LETNIA SZKOŁA EKOLOGII Kurs naukowo-szkoleniowy przygotowujący do realizacji zadań wynikających z Ramowej Dyrektywy Wodnej i Dyrektywy Siedliskowej Zastosowanie makrofitów
Bardziej szczegółowoOcena jakości wód powierzchniowych rzeki transgranicznej Wisznia
VI KONFERENCJA NAUKOWA WODA - ŚRODOWISKO - OBSZARY WIEJSKIE- 2013 Ocena jakości wód powierzchniowych rzeki transgranicznej Wisznia A. Kuźniar, A. Kowalczyk, M. Kostuch Instytut Technologiczno - Przyrodniczy,
Bardziej szczegółowoWPŁYW CZYNNIKÓW DEGRADACJI WÓD NA OCENĘ STANU EKOLOGICZNEGO RZEK WYNIKI BADAŃ DOŚWIADCZALNYCH
WPŁYW CZYNNIKÓW DEGRADACJI WÓD NA OCENĘ STANU EKOLOGICZNEGO RZEK WYNIKI BADAŃ DOŚWIADCZALNYCH Szymon Jusik, Uniwersytet Przyrodniczy w Poznaniu, Katedra Ekologii i Ochrony Środowiska Umiejętność obserwacji
Bardziej szczegółowoPrognozowanie zanieczyszczeń atmosferycznych przy użyciu sieci neuronowych
Prognozowanie zanieczyszczeń atmosferycznych przy użyciu sieci neuronowych prof. zw. dr hab. inż. Stanisław Osowski dr inż. Krzysztof Siwek Politechnika Warszawska Kontynuacja prac Prace prowadzone w roku
Bardziej szczegółowoPODOBIEŃSTWO BOTANICZNE POMIĘDZY GRUPAMI STANOWISK O RÓŻNYM STANIE EKOLOGICZNYM
Karol PIETRUCZUK *, Krzysztof SZOSZKIEWICZ *, Anna BUDKA **, Dariusz KAZER ** ocena rzek, stan ekologiczny, indeks Jaccarda, makrofity PODOBIEŃSTWO BOTANICZNE POMIĘDZ GRUPAMI STANOWISK O RÓŻNM STANIE EKOLOGICZNM
Bardziej szczegółowoALGORYTMY SZTUCZNEJ INTELIGENCJI
ALGORYTMY SZTUCZNEJ INTELIGENCJI Sieci neuronowe 06.12.2014 Krzysztof Salamon 1 Wstęp Sprawozdanie to dotyczy ćwiczeń z zakresu sieci neuronowych realizowanym na przedmiocie: Algorytmy Sztucznej Inteligencji.
Bardziej szczegółowoZastosowanie makrofitów w ocenie wód płynących
Uniwersytet Przyrodniczy w Poznaniu LETNIA SZKOŁA EKOLOGII Kurs naukowo-szkoleniowy przygotowujący do realizacji zadań wynikających z Ramowej Dyrektywy Wodnej i Dyrektywy Siedliskowej Zastosowanie makrofitów
Bardziej szczegółowoMetody biologiczne w ocenie stanu środowiska
1. Nazwa przedmiotu/modułu w języku polskim Metody biologiczne w ocenie stanu środowiska 2. Nazwa przedmiotu/modułu w języku angielskim Biological methods for the environmental assessment 3. Jednostka
Bardziej szczegółowoInżynieria Rolnicza 3(121)/2010
Inżynieria Rolnicza 3(121)/2010 METODA OCENY NOWOCZESNOŚCI TECHNICZNO- -KONSTRUKCYJNEJ CIĄGNIKÓW ROLNICZYCH WYKORZYSTUJĄCA SZTUCZNE SIECI NEURONOWE. CZ. III: PRZYKŁADY ZASTOSOWANIA METODY Sławomir Francik
Bardziej szczegółowoTemat: Sztuczne Sieci Neuronowe. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Sztuczne Sieci Neuronowe Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Sztuczne sieci neuronowe
Bardziej szczegółowoWYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH W PROGNOZOWANIU
WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH W PROGNOZOWANIU THE USE OF ARTIFICIAL NEURAL NETWORKS IN FORECASTING Konrad BAJDA, Sebastian PIRÓG Resume Artykuł opisuje wykorzystanie sztucznych sieci neuronowych
Bardziej szczegółowoROZPORZĄDZENIE MINISTRA ŚRODOWISKA 1) z dnia 9 listopada 2011 r.
Dz.U.2011.258.1549 ROZPORZĄDZENIE MINISTRA ŚRODOWISKA 1) z dnia 9 listopada 2011 r. w sprawie klasyfikacji stanu ekologicznego, potencjału ekologicznego i stanu chemicznego jednolitych części wód powierzchniowych
Bardziej szczegółowoPROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH
InŜynieria Rolnicza 14/2005 Sławomir Francik Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie PROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH Streszczenie W
Bardziej szczegółowoOcena hydromorfologiczna rzek w oparciu o River Habitat Survey
Uniwersytet Przyrodniczy w Poznaniu Katedra Ekologii i Ochrony Środowiska LETNIA SZKOŁA EKOLOGII Kurs naukowo-szkoleniowy Ocena hydromorfologiczna rzek w oparciu o River Habitat Survey Poznań, 15-17 lipca
Bardziej szczegółowoROZPORZĄDZENIE MINISTRA ŚRODOWISKA 1) z dnia 9 listopada 2011 r.
Dziennik Ustaw Nr 258 15110 Poz. 1549 1549 ROZPORZĄDZENIE MINISTRA ŚRODOWISKA 1) z dnia 9 listopada 2011 r. w sprawie klasyfikacji stanu ekologicznego, potencjału ekologicznego i stanu chemicznego jednolitych
Bardziej szczegółowoOcena hydromorfologiczna rzek w oparciu o River Habitat Survey
Uniwersytet Przyrodniczy w Poznaniu Katedra Ekologii i Ochrony Środowiska LETNIA SZKOŁA EKOLOGII Kurs naukowo-szkoleniowy Ocena hydromorfologiczna rzek w oparciu o River Habitat Survey Poznań, 15-17 lipca
Bardziej szczegółowow świetle badań monitoringowych Wolsztyn, wrzesień 2013 r.
Ocena rekultywacji jezior w świetle badań monitoringowych Wolsztyn, wrzesień 2013 r. Zagadnienia: przesłanki decyzji o podjęciu działań rekultywacyjnych, a kryteria wyboru jeziora do badań monitoringowych;
Bardziej szczegółowoOCENA STANU JAKOŚCI WÓD RZEK OMULEW I ROZOGA NA PODSTAWIE MAKROFITÓW
Inżynieria Ekologiczna vol. 38, 2014, 129 135 DOI: 10.12912/2081139X.39 OCENA STANU JAKOŚCI WÓD RZEK OMULEW I ROZOGA NA PODSTAWIE MAKROFITÓW Anna Grabińska 1, Sławomir Szymczyk 1, Bożena Grabińska 1 1
Bardziej szczegółowoProjekt Sieci neuronowe
Projekt Sieci neuronowe Chmielecka Katarzyna Gr. 9 IiE 1. Problem i dane Sieć neuronowa miała za zadanie nauczyć się klasyfikować wnioski kredytowe. W projekcie wykorzystano dane pochodzące z 110 wniosków
Bardziej szczegółowoROZPORZĄDZENIE MINISTRA ŚRODOWISKA 1) z dnia 9 listopada 2011 r.
Dziennik Ustaw Nr 258 15110 Poz. 1549 1549 ROZPORZĄDZENIE MINISTRA ŚRODOWISKA 1) z dnia 9 listopada 2011 r. w sprawie klasyfikacji stanu ekologicznego, potencjału ekologicznego i stanu chemicznego jednolitych
Bardziej szczegółowoWYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO PROGNOZOWANIA CEN NA GIEŁDZIE ENERGII
WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO PROGNOZOWANIA CEN NA GIEŁDZIE ENERGII Autor: Katarzyna Halicka ( Rynek Energii nr 1/2010) Słowa kluczowe: giełda energii, prognozowanie cen energii elektrycznej,
Bardziej szczegółowoLETNIA SZKOŁA EKOLOGII. Zastosowanie makrofitów w ocenie stanu ekologicznego wód płynących
Uniwersytet Przyrodniczy w Poznaniu Katedra Ekologii i Ochrony Środowiska LETNIA SZKOŁA EKOLOGII Kurs naukowo-szkoleniowy przygotowujący do realizacji zadań wynikających z Ramowej Dyrektywy Wodnej i Dyrektywy
Bardziej szczegółowoSieci neuronowe w Statistica
http://usnet.us.edu.pl/uslugi-sieciowe/oprogramowanie-w-usk-usnet/oprogramowaniestatystyczne/ Sieci neuronowe w Statistica Agnieszka Nowak - Brzezińska Podstawowym elementem składowym sztucznej sieci neuronowej
Bardziej szczegółowoZASTOSOWANIE AUTORSKIEJ METODY WYZNACZANIA WARTOŚCI PARAMETRÓW NOWOCZESNYCH SYSTEMÓW TECHNICZNYCH DO PŁUGÓW I OPRYSKIWACZY POLOWYCH
Inżynieria Rolnicza 9(118)/2009 ZASTOSOWANIE AUTORSKIEJ METODY WYZNACZANIA WARTOŚCI PARAMETRÓW NOWOCZESNYCH SYSTEMÓW TECHNICZNYCH DO PŁUGÓW I OPRYSKIWACZY POLOWYCH Sławomir Francik Katedra Inżynierii Mechanicznej
Bardziej szczegółowoWSTĘPNA OCENA STANU EKOLOGICZNEGO MAŁEJ RZEKI NIZINNEJ NA PODSTAWIE MAKROFITOWEJ METODY OCENY RZEK
INFRASTRUKTURA I EKOLOGIA TERENÓW WIEJSKICH INFRASTRUCTURE AND ECOLOGY OF RURAL AREAS Nr 9/2010, POLSKA AKADEMIA NAUK, Oddział w Krakowie, s. 221 230 Komisja Technicznej Infrastruktury Wsi Wstępna ocena
Bardziej szczegółowoMonika Kotulak Klub Przyrodników. Jak bronić swojej rzeki, warsztaty Klubu Przyrodników i WWF, Schodno czerwca 2012
Monika Kotulak Klub Przyrodników Jak bronić swojej rzeki, warsztaty Klubu Przyrodników i WWF, Schodno 16 17 czerwca 2012 Ramowa Dyrektywa Wodna "...woda nie jest produktem handlowym takim jak każdy inny,
Bardziej szczegółowoModel fizykochemiczny i biologiczny
Model fizykochemiczny i biologiczny dr Czesław Kliś Instytut Ekologii Terenów Uprzemysłowionych Projekt współfinansowany ze środków Europejskiego Funduszu Rozwoju Regionalnego w ramach Programu Operacyjnego
Bardziej szczegółowow ocenie hydromorfologicznej rzek na potrzeby Ramowej Dyrektywy Wodnej
MoŜliwości wykorzystania systemu River Habitat Survey w ocenie hydromorfologicznej rzek na potrzeby Ramowej Dyrektywy Wodnej Krzysztof Szoszkiewicz, Janina Zbierska, Ryszard Staniszewski, Szymon Jusik,
Bardziej szczegółowoAnaliza możliwości szacowania parametrów mieszanin rozkładów prawdopodobieństwa za pomocą sztucznych sieci neuronowych 4
Wojciech Sikora 1 AGH w Krakowie Grzegorz Wiązania 2 AGH w Krakowie Maksymilian Smolnik 3 AGH w Krakowie Analiza możliwości szacowania parametrów mieszanin rozkładów prawdopodobieństwa za pomocą sztucznych
Bardziej szczegółowoMATLAB Neural Network Toolbox przegląd
MATLAB Neural Network Toolbox przegląd WYKŁAD Piotr Ciskowski Neural Network Toolbox: Neural Network Toolbox - zastosowania: przykłady zastosowań sieci neuronowych: The 1988 DARPA Neural Network Study
Bardziej szczegółowoczyli kilka słów teorii
O rzekach czyli kilka słów teorii Strażnicy Rzek Wrocław - Warszawa, 17-24 listopada 2018 r. Morfologia rzek naturalnych Fot. D.Serwecińska Źródło: Popek Z., Żelazo J., 2002: Podstawy renaturalizacji rzek
Bardziej szczegółowoWarszawa, dnia 5 sierpnia 2016 r. Poz ROZPORZĄDZENIE MINISTRA ŚRODOWISKA 1) z dnia 21 lipca 2016 r.
DZIENNIK USTAW RZECZYPOSPOLITEJ POLSKIEJ Warszawa, dnia 5 sierpnia 2016 r. Poz. 1187 ROZPORZĄDZENIE MINISTRA ŚRODOWISKA 1) z dnia 21 lipca 2016 r. w sprawie sposobu klasyfikacji stanu jednolitych części
Bardziej szczegółowoZASTOSOWANIE SIECI NEURONOWYCH DO OPTYMALIZACJI WARUNKÓW OBRÓBKI CIEPLNEJ STOPÓW Mg-Al
LESZEK A. DOBRZAŃSKI, TOMASZ TAŃSKI ZASTOSOWANIE SIECI NEURONOWYCH DO OPTYMALIZACJI WARUNKÓW OBRÓBKI CIEPLNEJ STOPÓW Mg-Al APPLICATION OF NEURAL NETWORKS FOR OPTIMISATION OF Mg-Al ALLOYS HEAT TREATMENT
Bardziej szczegółowoMODEL NEURONOWY ZMIAN TEMPERATURY PODCZAS KONWEKCYJNEGO SUSZENIA ZRĘBKÓW WIERZBY ENERGETYCZNEJ
Inżynieria Rolnicza 11(109)/2008 MODEL NEURONOWY ZMIAN TEMPERATURY PODCZAS KONWEKCYJNEGO SUSZENIA ZRĘBKÓW WIERZBY ENERGETYCZNEJ Bogusława Łapczyńska-Kordon, Sławomir Francik, Zbigniew Ślipek Katedra Inżynierii
Bardziej szczegółowoROZPORZĄDZENIE MINISTRA ŚRODOWISKA 1) z dnia r.
wersja 4., projekt z dnia 1 VI 2011 r. ROZPORZĄDZENIE MINISTRA ŚRODOWISKA 1) z dnia................... 2011 r. w sprawie klasyfikacji stanu ekologicznego, potencjału ekologicznego i stanu chemicznego jednolitych
Bardziej szczegółowoAproksymacja stężeń zanieczyszczeń powietrza za pomocą neuronowych modeli szeregów czasowych
Inżynieria i Ochrona Środowiska 2009, t. 12, nr 3, s. 231-239 Szymon HOFFMAN Politechnika Częstochowska, Katedra Chemii, Technologii Wody i Ścieków ul. Dąbrowskiego 69, 42-200 Częstochowa Aproksymacja
Bardziej szczegółowoKryteria dodatkowe. System B z Załącznika II RDW
Kryteria dodatkowe System B z Załącznika II RDW System B: Kryteria dodatkowe Czas retencji Współczynnik Schindlera Typ mieszania wód Kształt jeziora Stężenie tłowe substancji biogennych MEI Paleorekonstrukcja
Bardziej szczegółowoZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OCENY ZDOLNOŚCI KREDYTOWYCH ROLNIKÓW KLIENTÓW FIRMY LEASINGOWEJ
Inżynieria Rolnicza 1(99)/2008 ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OCENY ZDOLNOŚCI KREDYTOWYCH ROLNIKÓW KLIENTÓW FIRMY LEASINGOWEJ Marta Kiljańska, Marek Klimkiewicz Katedra Organizacji i Inżynierii
Bardziej szczegółowoJanusz Igras. Instytut Uprawy Nawożenia i Gleboznawstwa Państwowy Instytut Badawczy w Puławach
Janusz Igras Instytut Uprawy Nawożenia i Gleboznawstwa Państwowy Instytut Badawczy w Puławach Początkiem wszechrzeczy jest woda Tales z Miletu (VII - VI p.n.e.) Woda nie jest produktem handlowym takim
Bardziej szczegółowoWstęp do teorii sztucznej inteligencji Wykład III. Modele sieci neuronowych.
Wstęp do teorii sztucznej inteligencji Wykład III Modele sieci neuronowych. 1 Perceptron model najprostzszy przypomnienie Schemat neuronu opracowany przez McCullocha i Pittsa w 1943 roku. Przykład funkcji
Bardziej szczegółowoIMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ
IMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ Celem ćwiczenia jest zapoznanie się ze sposobem działania sieci neuronowych typu MLP (multi-layer perceptron) uczonych nadzorowaną (z nauczycielem,
Bardziej szczegółowoPRZEWIDYWANIE RODZAJU USZKODZEŃ PRZEWODÓW WODOCIĄGOWYCH ZA POMOCĄ KLASYFIKUJĄCYCH SIECI NEURONOWYCH
Przewody wodociągowe, sieci neuronowe, uszkodzenia Małgorzata KUTYŁOWSKA* PRZEWIDYWANIE RODZAJU USZKODZEŃ PRZEWODÓW WODOCIĄGOWYCH ZA POMOCĄ KLASYFIKUJĄCYCH SIECI NEURONOWYCH Celem pracy jest analiza i
Bardziej szczegółowoOcena hydromorfologiczna rzek w oparciu o Hydromorfologiczny Indeks Rzeczny
Uniwersytet Przyrodniczy w Poznaniu Katedra Ekologii i Ochrony Środowiska LETNIA SZKOŁA EKOLOGII Kurs naukowo-szkoleniowy Ocena hydromorfologiczna rzek w oparciu o Hydromorfologiczny Indeks Rzeczny Poznań,
Bardziej szczegółowoWojewódzki Inspektorat Ochrony Środowiska w Warszawie wykonywał badania:
Monitoring jezior w latach 2010-2012 Program badań realizowany przez Wojewódzki Inspektorat Ochrony Środowiska w Warszawie był zgodny z Programem Państwowego Monitoringu Środowiska województwa mazowieckiego
Bardziej szczegółowoStudia podyplomowe MONITORING WÓD POWIERZCHNIOWYCH WEDŁUG RAMOWEJ DYREKTYWY WODNEJ
Studia podyplomowe MONITORING WÓD POWIERZCHNIOWYCH WEDŁUG RAMOWEJ DYREKTYWY WODNEJ Cel studiów Studia kierowane są do absolwentów studiów wyższych magisterskich, inżynierskich i licencjackich, pracujących
Bardziej szczegółowoRADA UNII EUROPEJSKIEJ. Bruksela, 27 maja 2013 r. (28.05) (OR. fr) 9801/13 ENV 428
RADA UNII EUROPEJSKIEJ Bruksela, 27 maja 2013 r. (28.05) (OR. fr) 9801/13 ENV 428 PISMO PRZEWODNIE Od: Komisja Europejska Data otrzymania: 23 maja 2013 r. Do: Sekretarz Generalny Rady Nr dok. Kom.: D025283/03
Bardziej szczegółowoWody powierzchniowe stojące
RAPORT O STANIE ŚRODOWISKA WOJEWÓDZTWA LUBELSKIEGO W 2012 roku Wody powierzchniowe stojące Ekosystemy wodne, a szczególnie jeziora należą do najcenniejszych elementów krajobrazu przyrodniczego Lubelszczyzny.
Bardziej szczegółowoPRZEWODNIK DO OCENY STANU EKOLOGICZNEGO RZEK NA PODSTAWIE MAKROBEZKRĘGOWCÓW BENTOSOWYCH
INSPEKCJA OCHRONY ŚRODOWISKA PRZEWODNIK DO OCENY STANU EKOLOGICZNEGO RZEK NA PODSTAWIE MAKROBEZKRĘGOWCÓW BENTOSOWYCH Redakcja naukowa: Barbara BIS Artur MIKULEC BIBLIOTEKA MONITORINGU ŚRODOWISKA WARSZAWA
Bardziej szczegółowoSieci neuronowe w Statistica. Agnieszka Nowak - Brzezioska
Sieci neuronowe w Statistica Agnieszka Nowak - Brzezioska Podstawowym elementem składowym sztucznej sieci neuronowej jest element przetwarzający neuron. Schemat działania neuronu: x1 x2 w1 w2 Dendrites
Bardziej szczegółowoPROBLEMY METODYCZNE ZWIĄZANE Z OCENĄ STOPNIA EUTROFIZACJI JEZIOR NA POTRZEBY WYZNACZANIA STREF WRAŻLIWYCH NA AZOTANY
WODA-ŚRODOWISKO-OBSZARY WIEJSKIE 2009: t. 9 z. 1 (25) WATER-ENVIRONMENT-RURAL AREAS s. 151 159 www.imuz.edu.pl Instytut Melioracji i Użytków Zielonych w Falentach, 2009 PROBLEMY METODYCZNE ZWIĄZANE Z OCENĄ
Bardziej szczegółowoPRACE ORYGINALNE. Wprowadzenie. Daniel GEBLER, Krzysztof SZOSZKIEWICZ
PRACE ORYGINALNE Przegląd Naukowy Inżynieria i Kształtowanie Środowiska nr 52, 2011: 75 83 (Prz. Nauk. Inż. Kszt. Środ. 52, 2011) Scientific Review Engineering and Environmental Sciences No 52, 2011: 75
Bardziej szczegółowoWojewódzki Inspektorat Ochrony Środowiska w Warszawie wykonywał badania:
MONITORING JEZIOR W LATACH 2010-2015 Program badań realizowany przez Wojewódzki Inspektorat Ochrony Środowiska w Warszawie w latach 2010-2015 był zgodny z Programem Państwowego Monitoringu Środowiska województwa
Bardziej szczegółowoMETODA PROGNOZOWANIA SZEREGÓW CZASOWYCH PRZY UŻYCIU SZTUCZNYCH SIECI NEURONOWYCH
Inżynieria Rolnicza 6(115)/2009 METODA PROGNOZOWANIA SZEREGÓW CZASOWYCH PRZY UŻYCIU SZTUCZNYCH SIECI NEURONOWYCH Sławomir Francik Katedra Inżynierii Mechanicznej i Agrofizyki, Uniwersytet Rolniczy w Krakowie
Bardziej szczegółowoStreszczenie. Słowa kluczowe: modele neuronowe, parametry ciągników rolniczych
InŜynieria Rolnicza 11/2006 Sławomir Francik Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie METODA PROGNOZOWANIA WARTOŚCI PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH MASZYN ROLNICZYCH
Bardziej szczegółowoSztuczna Inteligencja Tematy projektów Sieci Neuronowe
PB, 2009 2010 Sztuczna Inteligencja Tematy projektów Sieci Neuronowe Projekt 1 Stwórz projekt implementujący jednokierunkową sztuczną neuronową złożoną z neuronów typu sigmoidalnego z algorytmem uczenia
Bardziej szczegółowoMała retencja w praktyce, w aktach prawnych i dokumentach strategicznych.
Mała retencja w praktyce, w aktach prawnych i dokumentach strategicznych. Spis treści: 1. Cele lekcji 2. Wprowadzenie 3. Poziom międzynarodowy 3.1 Konwencje 3.2 Dyrektywy 4. Poziom krajowy 4.1 Akty prawne
Bardziej szczegółowoElementy modelowania matematycznego
Elementy modelowania matematycznego Modelowanie algorytmów klasyfikujących. Podejście probabilistyczne. Naiwny klasyfikator bayesowski. Modelowanie danych metodą najbliższych sąsiadów. Jakub Wróblewski
Bardziej szczegółowoWYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO ANALIZY WPŁYWU WYBRANYCH PARAMETRÓW NA ŚREDNICE KOLUMN INIEKCYJNYCH
Maciej OCHMAŃSKI * Politechnika Śląska WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO ANALIZY WPŁYWU WYBRANYCH PARAMETRÓW NA ŚREDNICE KOLUMN INIEKCYJNYCH 1. Wprowadzenie Kolumny iniekcyjne jet grouting
Bardziej szczegółowoBADANIA PODATNOŚCI ŚCIEKÓW Z ZAKŁADU CUKIERNICZEGO NA OCZYSZCZANIE METODĄ OSADU CZYNNEGO
oczyszczanie, ścieki przemysłowe, przemysł cukierniczy Katarzyna RUCKA, Piotr BALBIERZ, Michał MAŃCZAK** BADANIA PODATNOŚCI ŚCIEKÓW Z ZAKŁADU CUKIERNICZEGO NA OCZYSZCZANIE METODĄ OSADU CZYNNEGO Przedstawiono
Bardziej szczegółowoMODELOWANIE WPŁYWU PARAMETRÓW PROCESU OSADZANIA POWŁOK NA WŁAŚCIWOŚCI WARSTW
4-2008 PROBLEMY EKSPLOATACJI 219 Magdalena TRZOS Instytut Technologii Eksploatacji PIB, Radom MODELOWANIE WPŁYWU PARAMETRÓW PROCESU OSADZANIA POWŁOK NA WŁAŚCIWOŚCI WARSTW Słowa kluczowe Modelowanie, modele
Bardziej szczegółowo1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN. Agenda
Sieci neuropodobne 1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN Agenda Trochę neurobiologii System nerwowy w organizmach żywych tworzą trzy
Bardziej szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Uczenie maszynowe Sztuczne sieci neuronowe Plan na dziś Uczenie maszynowe Problem aproksymacji funkcji Sieci neuronowe PSZT, zima 2013, wykład 12
Bardziej szczegółowoSystemy pomiarowo-diagnostyczne. Metody uczenia maszynowego wykład I dr inż. 2015/2016
Systemy pomiarowo-diagnostyczne Metody uczenia maszynowego wykład I dr inż. Bogumil.Konopka@pwr.edu.pl 2015/2016 1 Wykład I - plan Sprawy organizacyjne Uczenie maszynowe podstawowe pojęcia Proces modelowania
Bardziej szczegółowoSztuczne Sieci Neuronowe. Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW
Sztuczne Sieci Neuronowe Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW SN są częścią dziedziny Sztucznej Inteligencji Sztuczna Inteligencja (SI) zajmuje się
Bardziej szczegółowoOkrzemki bentosowe w ocenie jakości wód płynących na podstawie wybranych rzek w ramach projektu STAR
Okrzemki bentosowe w ocenie jakości wód płynących na podstawie wybranych rzek w ramach projektu STAR Barbara Rakowska, Joanna śelazna-wieczorek, Ewelina Szczepocka Katedra Algologii i Mikologii, Uniwersytet
Bardziej szczegółowoKLASYFIKACJA JAKOŚCI WÓD POWIERZCHNIOWYCH W POLSCE CLASSIFICATION OF SURFACE WATER QUALITY IN POLAND
INFRASTRUKTURA I EKOLOGIA TERENÓW WIEJSKICH INFRASTRUCTURE AND ECOLOGY OF RURAL AREAS Nr 9/2008, POLSKA AKADEMIA NAUK, Oddział w Krakowie, s. 259 269 Komisja Technicznej Infrastruktury Wsi Klasyfikacja
Bardziej szczegółowoMODELOWANIE PROCESÓW PRZETWÓRCZYCH Z UŻYCIEM SZTUCZNYCH SIECI NEURONOWYCH
Inżynieria Rolnicza 7(125)/2010 MODELOWANIE PROCESÓW PRZETWÓRCZYCH Z UŻYCIEM SZTUCZNYCH SIECI NEURONOWYCH Jerzy Langman, Norbert Pedryc Katedra Inżynierii Mechanicznej i Agrofizyki, Uniwersytet Rolniczy
Bardziej szczegółowoSIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU)
SIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU) 1. Opis problemu - ocena końcowa projektu Projekt jako nowe, nietypowe przedsięwzięcie wymaga właściwego zarządzania. Podjęcie się realizacji
Bardziej szczegółowoOcena hydromorfologiczna rzek w oparciu o Hydromorfologiczny Indeks Rzeczny
Uniwersytet Przyrodniczy w Poznaniu Katedra Ekologii i Ochrony Środowiska LETNIA SZKOŁA EKOLOGII Kurs naukowo-szkoleniowy Ocena hydromorfologiczna rzek w oparciu o Hydromorfologiczny Indeks Rzeczny Poznań,
Bardziej szczegółowoBadania elementów biologicznych i fizykochemicznych zostały wykonane w okresie IX.2014 VIII.2015 w pobliżu ujścia JCWP do odbiornika.
Wyniki badań elementów biologicznych i fizykochemicznych jednolitych części wód powierzchniowych (JCWP) nie objętych Państwowym Monitoringiem Środowiska w zlewni rzeki Bobrzy: 1. JCWP Bobrza do Ciemnicy
Bardziej szczegółowowojewództwa lubuskiego w 2011 roku
Ocena jakości wód powierzchniowych jeziornych województwa lubuskiego w 2011 roku Na obszarze województwa lubuskiego w 2011 roku, w ramach Państwowego Monitoringu Środowiska, zbadano i oceniono ogółem 19
Bardziej szczegółowoDevelopment, Evaluation and Implementation of a Standardised Fish-based Assessment Method for the Ecological Status of European Rivers
Development, Evaluation and Implementation of a Standardised Fish-based Assessment Method for the Ecological Status of European Rivers MoŜliwo liwość wykorzystania Europejskiego Indeksu Rybnego EFI opracowanego
Bardziej szczegółowoZastosowanie sieci neuronowych w problemie klasyfikacji wielokategorialnej. Adam Żychowski
Zastosowanie sieci neuronowych w problemie klasyfikacji wielokategorialnej Adam Żychowski Definicja problemu Każdy z obiektów może należeć do więcej niż jednej kategorii. Alternatywna definicja Zastosowania
Bardziej szczegółowoOcena hydromorfologiczna rzek w oparciu o Hydromorfologiczny Indeks Rzeczny
Uniwersytet Przyrodniczy w Poznaniu Katedra Ekologii i Ochrony Środowiska LETNIA SZKOŁA EKOLOGII Kurs naukowo-szkoleniowy Ocena hydromorfologiczna rzek w oparciu o Hydromorfologiczny Indeks Rzeczny Poznań,
Bardziej szczegółowoAktualizacja Programu wodno-środowiskowego kraju i Planów gospodarowania wodami na obszarach dorzeczy. Aktualizacja planów gospodarowania wodami
Aktualizacja Programu wodno-środowiskowego kraju i Planów gospodarowania wodami na obszarach dorzeczy Aktualizacja planów gospodarowania wodami Aktualizacja planów gospodarowania wodami na obszarach dorzeczy
Bardziej szczegółowoINSTYTUT METEOROLOGII I GOSPODARKI WODNEJ PAŃSTWOWY INSTYTUT BADAWCZY Oddział we Wrocławiu. Görlitz
Görlitz 17.11.2014 Pakiet programów MIKE opracowany na Politechnice Duńskiej, zmodyfikowany przez Duński Instytut Hydrauliki, Zasady działania modeli: MIKE NAM - model konceptualny o parametrach skupionych,
Bardziej szczegółowoZastosowanie sieci neuronowej do oceny klienta banku pod względem ryzyka kredytowego Streszczenie
Adam Stawowy Paweł Jastrzębski Wydział Zarządzania AGH Zastosowanie sieci neuronowej do oceny klienta banku pod względem ryzyka kredytowego Streszczenie Jedną z najczęściej podejmowanych decyzji w działalności
Bardziej szczegółowoDEPARTAMENT PLANOWANIA I ZASOBÓW WODNYCH. Derogacje, czyli odstępstwa od osiągnięcia celów środowiskowych z tytułu art. 4.7 Ramowej Dyrektywy Wodnej
DEPARTAMENT PLANOWANIA I ZASOBÓW WODNYCH Derogacje, czyli odstępstwa od osiągnięcia celów środowiskowych z tytułu art. 4.7 Ramowej Dyrektywy Wodnej Nadrzędny dokument określający wymogi i standardy w dziedzinie
Bardziej szczegółowoOcena jakości wód powierzchniowych na terenie Łodzi
Ocena jakości wód powierzchniowych na terenie Łodzi Surface water quality assessment in Lodz Sylwia Krężel, Katarzyna Wira, Dorota Olejnik * Instytut Inżynierii Środowiska i Instalacji Budowlanych, Wydział
Bardziej szczegółowoMonitoring morskich wód przybrzeżnych i zbiorników wodnych w Gminie Gdańsk w roku 2011
Monitoring morskich wód przybrzeżnych i zbiorników wodnych w Gminie Gdańsk w roku 2011 MORSKIE WODY PRZYBRZEŻNE Monitoring morskich wód przybrzeżnych 2011 r. realizowany był w ramach nadzoru nad jakością
Bardziej szczegółowoWojewódzki Inspektorat Ochrony Środowiska w Warszawie wykonywał badania:
MONITORING JEZIOR W LATACH 2010-2014 Program badań realizowany przez Wojewódzki Inspektorat Ochrony Środowiska w Warszawie w latach 2010-2014 był zgodny z Programem Państwowego Monitoringu Środowiska województwa
Bardziej szczegółowoZMIANY WYBRANYCH WSKAŹNIKÓW JAKOŚCI WODY RZEKI PROSNY PRZEPŁYWAJĄCEJ PRZEZ ZBIORNIK PSURÓW
Proceedings of ECOpole Vol. 4, No. 2 2010 Mirosław WIATKOWSKI 1 ZMIANY WYBRANYCH WSKAŹNIKÓW JAKOŚCI WODY RZEKI PROSNY PRZEPŁYWAJĄCEJ PRZEZ ZBIORNIK PSURÓW CHANGES OF SELECTED INDICATORS ON WATER QUALITY
Bardziej szczegółowoWYKORZYSTANIE SIECI NEURONOWYCH DO ODWZOROWANIA DEFORMACJI POWIERZCHNI NA TERENACH GÓRNICZYCH
IZABELA SKRZYPCZAK, DAWID ZIENTEK WYKORZYSTANIE SIECI NEURONOWYCH DO ODWZOROWANIA DEFORMACJI POWIERZCHNI NA TERENACH GÓRNICZYCH THE APPLICATION OF NEURAL NETWORKS FOR PROJECTION OF SURFACES DEFORMATIONS
Bardziej szczegółowoMETODY HYDROMORFOLOGICZNEJ WALORYZACJI RZEK STOSOWANE DOTYCHCZAS W KRAJACH UNII EUROPEJSKIEJ
WdraŜanie Ramowej Dyrektywy Wodnej Ocena stanu ekologicznego wód w Polsce ECOSTATUS Łódź 7-97 9 grudzień 2005 METODY HYDROMORFOLOGICZNEJ WALORYZACJI RZEK STOSOWANE DOTYCHCZAS W KRAJACH UNII EUROPEJSKIEJ
Bardziej szczegółowoOcena hydromorfologiczna rzek w oparciu o Hydromorfologiczny Indeks Rzeczny
Uniwersytet Przyrodniczy w Poznaniu Katedra Ekologii i Ochrony Środowiska LETNIA SZKOŁA EKOLOGII Kurs naukowo-szkoleniowy Ocena hydromorfologiczna rzek w oparciu o Hydromorfologiczny Indeks Rzeczny Poznań,
Bardziej szczegółowoWoltamperometryczne oznaczenie paracetamolu w lekach i ściekach
Analit 6 (2018) 45 52 Strona czasopisma: http://analit.agh.edu.pl/ Woltamperometryczne oznaczenie lekach i ściekach Voltammetric determination of paracetamol in drugs and sewage Martyna Warszewska, Władysław
Bardziej szczegółowoAkademia Morska w Szczecinie. Wydział Mechaniczny
Akademia Morska w Szczecinie Wydział Mechaniczny ROZPRAWA DOKTORSKA mgr inż. Marcin Kołodziejski Analiza metody obsługiwania zarządzanego niezawodnością pędników azymutalnych platformy pływającej Promotor:
Bardziej szczegółowoZintegrowana strategia zrównoważonego zarządzania wodami w zlewni
Zintegrowana strategia zrównoważonego zarządzania wodami w zlewni Projekt finansowany ze środków funduszy norweskich, w ramach programu Polsko-Norweska Współpraca Badawcza realizowanego przez Narodowe
Bardziej szczegółowoGŁÓWNY INSPEKTORAT OCHRONY ŚRODOWISKA
GŁÓWNY INSPEKTORAT OCHRONY ŚRODOWISKA OCENA STANU I POTENCJAŁU EKOLOGICZNEGO I CHEMICZNEGO JEDNOLITYCH CZĘŚCI WÓD POWIERZCHNIOWYCH PŁYNĄCYCH ZAGROŻONYCH NIEOSIĄGNIĘCIEM CELÓW ŚRODOWISKOWYCH (BADANYCH W
Bardziej szczegółowoZastosowania sieci neuronowych
Zastosowania sieci neuronowych aproksymacja LABORKA Piotr Ciskowski zadanie 1. aproksymacja funkcji odległość punktów źródło: Żurada i in. Sztuczne sieci neuronowe, przykład 4.4, str. 137 Naucz sieć taką
Bardziej szczegółowoBudowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego
Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Dorota Witkowska Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wprowadzenie Sztuczne
Bardziej szczegółowoZastosowanie makrofitów w ocenie stanu ekologicznego wód płynących
Uniwersytet Przyrodniczy w Poznaniu Katedra Ekologii i Ochrony Środowiska Kurs naukowo-szkoleniowy przygotowujący do realizacji zadań wynikających z Ramowej Dyrektywy Wodnej i Dyrektywy Siedliskowej Zastosowanie
Bardziej szczegółowo