دانلود ترجمه مقاله مدل سازی شرایط پایه شاخص های اکولوژیکی: نظارت محیطی بر انرژی های تجدیدپذیر

1. مقدمه 2. روش ها 3. نتایج 4. بحث و بررسی 5. نتیجه گیری

چکیده – شاخص های اکولوژیکی غالباً برای تشخیص و نظارت بر تغییرات محیطی جمع آوری می گردند. مدل های آماری برای برآورد تغییرات طبیعی، روند های موجود، و پیش بینی های محیطی از شرایط شاخص پایه ای مورد استفاده قرار می گیرند. ایجاد مدل هایی استاندارد برای مشخصات پایه ای سیستم، برای طراحی کارآمد و پیاده سازی برنامه های نظارت محیطی، حیاتی می باشد. اقدامات انسان شناسی که نیاز به نظارت دارد همان توسعه سایت های انرژی های تجدیدپذیر دریایی است. در حال حاضر، هیچ استانداردی برای آنالیز داده های نظارت محیطی برای این سایت های توسعه یافته وجود ندارد. داده هاغی نظارت بر انرژی های تجدیدپذیر دریایی به عنوان یک مطالعه موردی در توسعه و به کار گیری یک ارزیابی مدل در ایجاد بهترین اقدامات برای مشخص کردن داده های شاخص اکولوژیکی پایه مورد استفاده قرار می گیرند. ما یک سری مدل ها را بررسی کرده ایم که شامل شش مدل رگرسیون بسط یافته، چهار مدل سری زمانی، و سه مدل غیر پارامتری می باشند. از آنجایی که داده های نظارتی همیشه توزیع نرمالی ندارند، ما توانایی مدل در مشخص کردن داده های نرمال و غیر نرمال را با استفاده از معیارهای هیدروکاستیک ارزیابی کرده ایم که به عنوان پروکسی برای داده های شاخص اکولوژیکی استفاده می شوند. مدل های جنگل تصادفی و رگرسیون بردار پشتیبان غیر پارمتری و مدل های سری های زمانی فضای حالت پارامتری عموماً دقیق ترین روش ها در درون یابی داده های معیار نرمال می باشند. مدل های فضای حالت و رگرسیون بردار پشتیبان، بهترین درون یابی را از داده های توزیع نرمال انجام می دهند. در صورتی که نتایج پارامتری در این زمینه دارای اولویت باشند، مدل های فضای حالت برای مشخصه های پایه ای بهترین انتخاب خواهند بود. ارزیابی طیف گسترده ای از این مدل ها، مشخصه جامعی از داده های مربوط به مطالعات موردی را ارائه داده و مزایای مدل های مورد استفاده در نظارت محیطی برای انرژی های تجدیدپذیر دریایی را برجسته می کند. یافته های مدل های ما برای هر داده شاخص اکولوژیکی با مشخصه های مشابه در ارتباط بوده و روش های ارزیابی برای هر برنامه نظارتی قابل اجرا می باشند.

Ecological indicators are often collected to detect and monitor environmental change. Statistical models are used to estimate natural variability, pre-existing trends, and environmental predictors of baseline indicator conditions. Establishing standard models for baseline characterization is critical to the effective design and implementation of environmental monitoring programs. An anthropogenic activity that requires monitoring is the development of Marine Renewable Energy sites. Currently, there are no standards for the analysis of environmental monitoring data for these development sites. Marine Renewable Energy monitoring data are used as a case study to develop and apply a model evaluation to establish best practices for characterizing baseline ecological indicator data. We examined a range of models, including six generalized regression models, four time series models, and three nonparametric models. Because monitoring data are not always normally distributed, we evaluated model ability to characterize normal and non-normal data using hydroacoustic metrics that serve as proxies for ecological indicator data. The nonparametric support vector regression and random forest models, and parametric state-space time series models generally were the most accurate in interpolating the normal metric data. Support vector regression and state-space models best interpolated the non-normally distributed data. If parametric results are preferred, then state-space models are the most robust for baseline characterization. Evaluation of a wide range of models provides a comprehensive characterization of the case study data, and highlights advantages of models rarely used in Marine Renewable Energy environmental monitoring. Our model findings are relevant for any ecological indicator data with similar properties, and the evaluation approach is applicable to any monitoring program.