|
|||||||||||||||
|
Home
» Biológus szekció
Zoológus/Biológus szekcióJandó Benedek II. évfolyam Állatorvostudományi Egyetem, Zoológiai Tanszék Témavezetők: Dr. Szűts Tamás, Verbőczyné Füstös Vivien Változó világunkban a biodiverzitásváltozás monitorozása elsődleges szerepet tölt be a trendek és az élőlények környezettel való interakcióinak megértésében. Nincs ez másképp a halak esetében sem, amelyek számos kiterjedt vízi életmódú taxon mellett gyakran képezik tárgyát vízi ökológiai vizsgálatoknak. Folyami élőhelyek esetén azonban a gyorsan változó és nehezen megközelíthető környezet akadályozza az átfogó mintavételt, ugyanígy a teljes közösséget lefedő modellezést is. Ebből adódóan hiányos ismeretekkel rendelkezünk a folyami halközösségek szerveződéséről. A rendszertelen mintavétel „kifoltozására” és az extenzív monitoring támogatására jelenthetnek megoldást a Machine Learning (ML) alapú modellezési megközelítések, amelyek megfelelően képesek felismerni és alkalmazni a halak és környezetük közötti komplex kapcsolatot. Ennek ellenére hullámtéri halközösségek kiterjedt modellezésére korábban nem alkalmazták őket. Kutatásunkban Európa egyik legnagyobb természetközeli állapotban megmaradt hullámterének halközösség modellezésére tettünk kísérletet kaszkádolt neurális hálók felhasználásával, különböző mintavételi módszerekkel (eDNS és elektromos halászgép) gyűjtött adatok alapján. A rendelkezésre álló halfaunisztikai minták rendszertelenül és eltérő tulajdonságokkal rendelkező mintavételi módszerekkel lettek felvéve. Ezenkívül a környezeti háttérváltozók komplex természetűek (pl: víztestek konnektivitása), illetve a halközösségek gyakorisági összetétele is egyenetlen. Annak érdekében, hogy ezek a problémák a lehető legkevésbé befolyásolják a modell teljesítményét a különböző torzítottságú mintavételeket szimultán alkalmaztuk, az egymással megfeleltethető mintákat összeolvasztottuk, a fajokat pedig hasonló élőhelypreferencia, élőhelyhasználat és életmód alapján robusztus funkcionális csoportokba rendeztük. Továbbá két diszkrét modellezési tartományt határoltunk le, amelyek a korábbi hullámtéri hidrológiai modellezéseket követik és egy átlagos, illetve egy árvízi állapotnak feleltethetőek meg. A modell validálását követően megkíséreljük az átlagos és árvízi vízállások melletti hullámtéri halközösségek szimulációját a lehatárolt víztestekben. Azt kívánjuk igazolni, hogy a kaszkádolt neurális hálókon alapuló megközelítés kielégítően képes közösségi modellek megalkotására a fennálló biológiai eredetű nehézségek megfelelő kezelésével és kiküszöbölésével. Előadások listája |