Using dynamic Bayesian networks with hidden variables for change inference of the plankton community in the Archipelago Sea

Show full item record



Permalink

http://urn.fi/URN:NBN:fi:hulib-202005052005
Title: Using dynamic Bayesian networks with hidden variables for change inference of the plankton community in the Archipelago Sea
Author: Boman, Rasmus
Other contributor: Helsingin yliopisto, Bio- ja ympäristötieteellinen tiedekunta
University of Helsinki, Faculty of Biological and Environmental Sciences
Helsingfors universitet, Bio- och miljövetenskapliga fakulteten
Publisher: Helsingin yliopisto
Date: 2020
Language: eng
URI: http://urn.fi/URN:NBN:fi:hulib-202005052005
http://hdl.handle.net/10138/314682
Thesis level: master's thesis
Degree program: Ympäristömuutoksen ja globaalin kestävyyden maisteriohjelma
Master's Programme in Environmental Change and Global Sustainability
Magisterprogrammet i miljöförändringar och global hållbarhet
Specialisation: Ympäristömuutos
Environmental Change
Miljöförändring
Abstract: Vuorovaikutukset planktonyhteisön sisällä ovat monimutkaisia ja näiden vuorovaikutusten realistinen mallintaminen on haaste ekosysteemitason mallinnuksessa. Tämän opinnäytetyön tavoitteena oli tutkia soveltuisivatko Bayes-verkot näiden vuorovaikutusten mallintamiseen. Työn toinen tavoite oli tutkia mahdollista muutosta ekosysteemitasolla. Tutkimuksessa käytettiin dynaamisia Bayes-verkkoja piilomuuttujilla ja tarkkailtiin, voisivatko muutokset planktonyhteisöjen rakenteessa heijastua laajempiin muutoksiin akvaattisissa ekosysteemeissä. Mallien tarkkuuden ja suorituskyvyn vertailua varten luotiin kaksi Bayes-ravintoverkkoa, joissa havaintojen väliset kausaaliset linkit eroavat toisistaan. Yksinkertaisempi rakenne, joka perustuu Markovin piilomalliin, suoriutui paremmin ja havaitsi piilomuuttujassa selkeän trendin. Tämä trendi aikasarjassa viittaa siihen, että tarkasteltavien muuttujien väliset suhteet ovat muuttuneet tutkimusjakson aikana. Analyyseissä käytetty planktonaineisto oli kerätty vuosien 1991 ja 2016 välillä Saaristomeren tutkimusasemalta ja mallin tuloksia arvioitiin yhdessä näytteistä kerätyn aineiston kanssa. Kasviplanktonin kokonaisbiomassa näytteissä kasvoi tutkimusajanjakson aikana, ja vastaavasti samaan aikaan eläinplanktonin kokonaisbiomassa näytteissä väheni. Bayes-verkko huomioi muutokset tarkastelluissa muuttujissa ja samaan aikaan maksimoi piilomuuttujan sopivuuden. Havaittu muutos piilomuuttujassa viittaa siis siihen, että jotkin muuttujat, jotka eivät ole havaittavissa, vaikuttavat molempien planktonyhteisöjen rakenteeseen. Havaittu kehityssuunta piilomuuttujassa saattaa viitata Saaristomeren rehevöitymiseen tutkimusajanjakson aikana, mutta tarkempien syiden selvittäminen vaatii lisätutkimuksia. Tämän opinnäytetyön perusteella piilomuuttujilla varustettu dynaaminen Bayes-verkko on lupaava menetelmä planktonyhteisön mallintamiseen.The interactions within plankton communities are complex, and realistic modelling of these interactions create a challenge in large-scale environmental models. The objective of this thesis was to evaluate whether Bayesian networks could be a suitable method in the modelling of these communities. Besides observing the interactions between different groups within phyto- and zooplankton communities, another goal was to focus on the potential change on the ecosystem level. To achieve this, dynamic Bayesian networks with hidden variables were used to observe whether structural changes in plankton communities could reveal larger trends in the aquatic ecosystem. To compare performance and accuracy of the model, two Bayesian food webs with differing causal links between observations were built. Of the two models, the simpler construct utilizing hidden Markov model fared better, and a clear trend was detected in the hidden variable. This trend in the time series signify that the relationships between the observed variables have changed during the study period. The plankton data set was collected from the Archipelago Sea between 1991 and 2016 and the results from the model were further analyzed alongside with this observational plankton data. In the samples the total biomass of phytoplankton grew throughout the study period, whereas at the same time the total biomass of zooplankton declined. As the Bayesian network considers the observable variables while maximizing the fit of the hidden variable, the observed trend in the hidden variable indicate that some unobservable variables are affecting both phyto- and zooplankton communities. This clear trend detected by the hidden variable might be related to a trend of increasing eutrophication in the study area, but to better understand the drivers causing this change further research is needed. Besides detecting underlying trends, the dynamic Bayesian networks are a promising method to study the interactions within plankton communities.
Subject: bayesilainen mallinnus
dynaaminen Bayes-verkko
piilomuuttuja
planktonyhteisö
rehevöityminen
Saaristomeri


Files in this item

Total number of downloads: Loading...

Files Size Format View
Boman_Rasmus_Pro_gradu_2020.pdf 3.708Mb PDF View/Open

This item appears in the following Collection(s)

Show full item record