Flächenhafte Schätzung mit Classification and Regression Trees und robuste Gütebestimmung ökologischer Parameter in einem kleinen Einzugsgebiet

Simulationsmodelle ökologischer Prozesse erlangen zunehmende Bedeutung als wissenschaftliche Entscheidungsgrundlage der öffentlichen Verwaltung und der Politik. Für die Anwendung flächenhafter Prozess- und Simulationsmodelle sind hierfür zuverlässige Eingangsinformationen bereit zu stellen. Komplexe Eingangsvariablen lassen sich teilweise nicht oder nur mit unverhältnismäßig hohem Aufwand durch flächenhafte Aufnahmen und Messungen, z. B. mit Fernerkundungsverfahren ermitteln. Ihre räumliche Bereitstellung ist nur mit Hilfe von Schätzverfahren möglich. Manche Variablen lassen sich nicht mit modernen Interpolationsverfahren, wie z. B. Kriging-Verfahren schätzen, da die Werte keinen räumlichen Zusammenhang aufweisen. In diesem Falle können jedoch andere flächenhaft ermittelbare Variable, die mit der gesuchten Variable in einem kausalen Zusammenhang stehen, als Hilfsvariable für eine räumliche Schätzung auf Grundlage von Punktmessungen dienen. Messungen in den experimentellen Geowissenschaften sind trotz größter Sorgfalt mit Fehlern behaftet. Hierbei handelt es sich sowohl um Rundungs- und gerätebedingte Messungenauigkeiten als auch um extreme Werte. Robuste statistische parametrische Verfahren sind in der Lage, mit beiden Fehlertypen zurecht zu kommen. Bislang gehen fast alle vorhandenen Gütemaße von fehlerfreien Messwerten aus. Die im Rahmen dieser Arbeit entwickelten Gütemaße integrieren robuste Verfahren und führen so zu Gütemaßen, die gegenüber beiden Fehlertypen robust sind. Classification and regression trees (CART) stellen ein Verfahren dar, mit dem sowohl nominalskalierte als auch stetige Zielgrößen auf der Basis von erklärenden Variablen geschätzt werden können. Dabei können die erklärenden Variablen unterschiedlichen Skalentypen angehören. Die classification and regression trees lassen sich leicht interpretieren und für die Klassifizierung neuer Objekte verwenden. Am Beispiel des 6,3 km2 großen Einzugsgebiets "Weiherbach" im Kraichgau wird die flächenhafte Schätzung mit Hilfe von regression trees exemplarisch für die Variablen Nitratgehalt im Boden und Korngrößenfraktionsanteile des Bodens dargestellt. Die Ergebnisse werden mit Hilfe der weiter entwickelten Gütemaße charakterisiert und mit den Ergebnissen einfacher Referenzschätzverfahren verglichen. Es zeigt sich, dass bei beiden Zielvariablen die Schätzung mit einem regression tree den Referenzschätzverfahren hinsichtlich den meisten Gütemaßen mindestens ebenbürtig, wenn nicht überlegen ist. Die Schätzungen mit Hilfe der regression trees zeichnen sich bei beiden Zielvariablen insbesondere durch einen deutlich geringeren Bias und eine geringere maximale Schätzabweichung aus. Bei der Schätzung der Korngrößenfraktionsanteile lässt sich beim CART-Verfahren gegenüber einem von Weiblen (1997) beschriebenen Verfahren ein stärkerer linearer Zusammenhang zwischen den gemessenen und den geschätzten Werten feststellen. Robuste Gütemaße ergänzen den Kanon bisher vorhandener Gütemaße und ermöglichen eine differenziertere Beschreibung der Qualität der Schätzungen. Insbesondere die robusten Versionen der core-Gütemaße sind zur Formulierung von Mindestanforderungen geeignet. Es zeigt sich, dass weniger die Schätzverfahren, als vielmehr die qualitative und quantitative Datengrundlage die Grenzen der Leistungsfähigkeit moderner Regionalisierungsverfahren darstellen.

Level thesis:degree_level

thesis.doctoral

Grantor dc:publisher

Universität Bayreuth

Year

2002

Author dc:creator

• Schillinger, Marco Patrick

Contributors dc:contributor

• Huwe, Bernd

Repository record source_url

https://epub.uni-bayreuth.de/id/eprint/1025/

OAI identifier oai:identifier

oai:epub.uni-bayreuth.de:1025