A GIS and remote sensing protocol for the extraction and definition of Interrill and Rill erosion ty...

مرکز و کتابخانه مطالعات اسلامی به زبان های اروپایی

منو

" A GIS and remote sensing protocol for the extraction and definition of Interrill and Rill erosion types/intensities over a large area of Iran "
Hossein Saadat

Document Type	:	BL
Record Number	:	758358
Doc. No	:	b578323
Main Entry	:	Michael Seitz
Title & Author	:	Intervalldaten und generalisierte lineare Modelle.\ Michael Seitz
Edition Statement	:	Online-ausg
Publication Statement	:	Wiesbaden : Springer Fachmedien Wiesbaden, 2015
Series Statement	:	BestMasters; EBL-Schweitzer
Page. NO	:	((126 Seiten))
ISBN	:	3658087463
	:	: 9783658087463
Abstract	:	Geleitwort; Vorwort; Inhaltsverzeichnis; Abbildungsverzeichnis; Tabellenverzeichnis; Algorithmenverzeichnis; 1. Einleitung; 2. Intervalldaten und generalisierte lineare Modelle; 2.1. Generalisierte lineare Regression; 2.2. Regression mit Intervalldaten; 2.3. Notation; 2.4. Formulierung als Optimierungsproblem; 2.5. Optimierung mit Strafterm; 2.6. Analytische Lösung für die lineare Regression; 3. Eindimensionaler Parameterraum; 3.1. Unabhängige Optimierung der Score-Anteile; 3.2. Lineare Regression; 3.3. Exponentialverteilung mit log-Link; 3.4. Direkte Optimierung des Parameters.3.5. Optimierung des Parameters mit Strafterm3.6. Heuristischer Algorithmus zur Suche des globalen Extremums; 3.7. Simulationsstudien; 3.7.1. Simulationsmodell SLA und SLB; 3.7.2. Simulationsmodell SLC; 3.7.3. Simulationsmodell SLD; 3.7.4. Simulationsmodell SEA und SEB; 3.7.5. Simulationsmodell SEC; 3.7.6. Schlussfolgerung aus den Simulationsstudien; 4. Mehrdimensionaler Parameterraum; 4.1. Lineare Regression mit Intercept; 4.2. Generalisierte lineare Regression mit Exponentialverteilung; 4.3. Simulationsstudien; 4.3.1. Simulationsmodell MLA und MLB; 4.3.2. Simulationsmodell MLD.4.3.3. Simulationsmodell MEA und MEB4.3.4. Schlussfolgerung aus den Simulationsstudien; 4.4. Einhüllende des zweidimensionalen Parameterraums; 4.5. Multiple Regression; 5. Anwendungsbeispiel; 5.1. Zusammenhang der Ausgaben für Forschung und Entwicklung mit dem Bruttoinlandsprodukt; 5.2. Regressionsmodell mit Intervalldaten; 6. Schluss; 6.1. Zusammenfassung; 6.2. Ausblick; Literaturverzeichnis; A. Übersicht verwendeter Verfahren; A.1. Numerische Optimierungsverfahren; A.2. Verfahren zur Schätzung der Parameterintervalle für die generalisierte lineare Regression mit Intervalldaten.B. Weiteres Material für die SimulationsbeispieleC. Weiteres Material für das Anwendungsbeispiel; C.1. Quelle und Generierung der Daten; C.2. Tabelle der Daten; C.3. Weitere Ergebnisse.Da eine direkte präzise Schätzung von Parametern mit Intervalldaten in generalisierten linearen Modellen nicht möglich ist, formuliert Michael Seitz die Intervallschätzungen der Parameter als Optimierungsproblem und schlägt numerische Verfahren vor, um diese zu lösen. Die Herausforderung liegt dabei in der numerischen Lösung des hochdimensionalen Optimierungsproblems. Dieses wird hier näherungsweise mit einer Kombination aus bekannten numerischen Verfahren für nicht-lineare Zielfunktionen und heuristischem Vorgehen gelöst. Des Weiteren werden für einige Spezialfälle andere zuverlässigere Verfa.
Subject	:	Biology -- Data processing.
Subject	:	Distribution (Probability theory)
Subject	:	Global analysis (Mathematics)
LC Classification	:	‭QH324.2‬‭M534 2015‬
Added Entry	:	Michael Seitz