Zbiory przybliżone i możliwości ich wykorzystania w leśnictwie

• Autorzy: Tracz W. , Mozgawa J.

Warianty tytułu

EN

Rough sets and the possibility of their use in forestry

• Języki publikacji: PL

Abstrakty

EN

The need for effective management of uncertainty and incomplete information is the main factor of interest in the rough set theory and multi−use methods of analysis based on this theory, both in scientific research and in solving practical problems. Rough sets can be used for processing of both non spatial and spatial data. Five areas of application of rough set in decision−support systems in forestry and forest research are presented in the study. The example of using rough sets methods for data processing in order to determine cause−effect relationships and making classification is also presented.

Słowa kluczowe

PL

teoria zbiorow przyblizonych; wykorzystanie; lesnictwo; analiza danych; procesy decyzyjne

• Wydawca: -
• Czasopismo: Sylwan
• Rocznik: 2013
• Tom: 157
• Numer: 06
• Opis fizyczny: s.425-433,rys.,tab.,bibliogr.

Twórcy

autor

Tracz W.

• Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Szkoła Główna Gospodarstwa Wiejskiego w Warszawie, ul.Nowoursynowska 159, 02-776 Warszawa

autor

Mozgawa J.

• Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Szkoła Główna Gospodarstwa Wiejskiego w Warszawie, ul.Nowoursynowska 159, 02-776 Warszawa

Bibliografia

• Aldridge C. 2001. A rough set based methodology for geographic knowledge discovery. Proceedings of the 6th International Conference on GeoComputation. University of Queensland, Australia.
• Bazan J., Nguyen H., Nguyen S., Synak P., Wróblewski J. 2000. Rough set algorithms in classification problem. W: Polkowski L., Tsumoto S., Lin T. [red.]. Rough Set Methods and Applications. Physica−Verlag, Heidelberg New York. 49−88.
• Beaubouef T., Petry F., Ladner R. 2007. Spatial data methods and vague regions: a rough set approach. Applied Soft Computing 7: 425−440.
• Czogała E., Pedrycz W. 1985. Elementy i metody teorii zbiorów rozmytych. PWN, Warszawa.
• Dempster A. P. 1967. Upper and lower probabilities induced by a multivalued mapping. The Annals of Mathematical Statistics 38 (2): 325−339.
• Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R. [red.]. 2000. Sieci neuronowe. W: Biocybernetyka i inżynieria biomedyczna. Exit, Warszawa.
• Duckham M., Lingham J., Mason K., Worboys M. 2006. Qualitative reasoning about consistency in geographic information. Information Sciences 176 (6): 601−627.
• Goldberg D. 1998. Algorytmy genetyczne i ich zastosowania. WNT, Warszawa.
• Gorsevski P., Jankowski P. 2008. Discerning landslide susceptibility using rough sets. Computers, Environment and Urban Systems 32: 53−65.
• Klimkiewicz M., Moczulska K. 2008. Zastosowanie zbiorów przybliżonych do analizy satysfakcji klienta serwisu pojazdów. Inżynieria Rolnicza 1 (99).
• Klimkiewicz M. 2005. Zastosowanie zbiorów przybliżonych do diagnostyki aparatury paliwowej silników o zapłonie samoczynnym. Inżynieria Rolnicza 14.
• Liu J., Zeng Z., Liu H., Wang H. 2011. A rough set approach to analyze factors affecting landslide incidence. Computers & Geosciences 37: 1311−1317.
• Murgante B., Las Casas G., Sansone A. 2008. A spatial rough set for extracting periurban fringe. Revue des Nouvelles Technologies de l’Information 857: 101−125.
• Panchal V., Gupta G., Saxena P. 2005. Rough Set Framework for Geo−Spatial Information. MAP INDIA−2005, 8th
• Annual International Conference, GPS, Aerial Photography and Remote Sensing, February 7−9, 2005.
• Pawlak Z. 1982. Rough Sets. International Journal of Information and Computer Sciences 11: 344−356.
• Pawlak Z. 2004. Zbiory przybliżone. Nowa matematyczna metoda analizy danych. Konwersatorium Politechniki Warszawskiej 5.
• Qi G., Du Y., Cao F. 2010. Extracting the spatial−temporal rules of the mesoscale ocean eddies in the south china sea based on rough sets. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences 38 (II).
• Renigier−Biłozor M., Biłozor A. 2008. Zastosowanie teorii zbiorów przybliżonych i teorii zbiorów rozmytych w gospodarce przestrzennej. W: Czyż T., Stryjakiewicz T., Churski P. [red.]. Biuletyn Instytutu Geografii Społeczno−Ekonomicznej i Gospodarki Przestrzennej UAM w Poznaniu. Seria Rozwój Regionalny i Polityka Regionalna 3.
• Schneider M. 2008. Fuzzy Spatial Data Types for Spatial Uncertainty Management in Databases. Handbook of Research on Fuzzy Information Processing in Databases. 490−515.
• Shafer G. 1976. A Mathematical Theory of Evidence. Princeton University Press.
• Shi W., Wang Sh., Li D., Wang X. 2003. Uncertainty based spatial data mining. Asia GIS 2003 Conference. October 16−8, 2003. Wuhan, China.
• Synak P. 2003. Temporalne aspekty eksploracji danych: metody zbiorów przybliżonych. Praca doktorska. Instytut Podstaw Informatyki PAN.
• Tadeusiewicz R. 1993. Sieci neuronowe. Akademicka Oficyna Wydawnicza RM. Warszawa.
• Tracz W. 2001. Nowoczesne narzędzia wspomagania procesu decyzyjnego w leśnictwie. Sylwan 145 (2): 39−47.
• Tracz W. 2003. Wykorzystanie sieci neuronowych wspomagających SIP w analizach przestrzennych w leśnictwie. Sylwan 147 (12): 1−9.
• Tracz W. 2010. Zastosowanie sieci neuronowych i systemów ekspertowych w leśnym GIS. Geomatyka w Lasach Państwowych, cz.1 – podstawy, podręcznik. Centrum Informacyjne Lasów Państwowych, Warszawa.
• Tracz W., Mozgawa J. 2006. The conception of fuzzy expert system for management of aesthetic values of forests. W: Barczak A., Tadeusiewicz R. [red.]. Proceedings of Artificial Intelligence Studies. Publishing House of University of Podlasie. Siedlce.
• Upadhyaya Sh., Arora A., Jain R. 2006. Rough Set Theory: Approach for Similarity Measure in cluster analysis. Proceedings of the 2006 International Conference on Data Mining, DMIN. Las Vegas, Nevada, USA.
• Zadeh L. 1965. Fuzzy sets. Information and Control 8 (3): 338−353.