uu.seUppsala University Publications
Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Ensemblemodellering av piggvarens habitat utgående från provfiske- och miljödata
Institutionen för akvatiska resurser, SLU.
2016 (Swedish)Independent thesis Advanced level (professional degree), 20 credits / 30 HE creditsStudent thesisAlternative title
Ensemble modelling of the habitat of turbot based on video analyses and fish survey data (English)
Abstract [sv]

Piggvarens (Scophthalmus maximus) val av habitat i Östersjön har modellerats utifrån provfiskedata och miljövariabler. Vid totalt 435 stationer i Östersjön har data samlats in i form av provfiske, CTD-mätningar (konduktivitet, temperatur och djup) och videofilmer. Genom att analysera videofilmerna från havsbotten i Östersjön har den klassificerats efter fyra olika förklaringsvariabler: täckningsgrad mjukbotten, strukturbildande växter, övriga alger och täckningsgrad blåmusslor. Ytterligare sex förklaringsvariabler har samlats in från mätningar och befintliga kartor: bottensalinitet, bottentemperatur, djup, siktdjup, vågexponering och bottenlutning. Dessa tio förklaringsvariabler har använts i tio olika enskilda statistiska modelleringsmetoder med förekomst/icke-förekomst av piggvar som responsvariabel. Nio av tio modeller visade på bra resultat (AUC > 0,7) där CTA (Classification Tree Analysis) och GBM (Global Boosting Model) hade bäst resultat (AUC > 0,9). Genom att kombinera modeller med bra resultat på olika sätt skapades sex ensemblemodeller för att minska varje enskild modells svagheter. Ensemblemodellerna visade tydligt fördelarna med denna typ av modellering då de gav ett mycket bra resultat (AUC > 0,949). Den sämsta ensemblemodellen var markant bättre än den bästa enskilda modellen.

Resultaten från modellerna visar att största sannolikheten för piggvarsförekomst i Östersjön är vid grunt (< 20 meter) och varmt (> 10 oC) vatten med hög vågexponering (> 30 000 m²/s). Dessa tre variabler var de med högst betydelse för modellerna. Täckningsgrad mjukbotten och de två växtlighetsvariablerna från videoanalyserna var de tre variabler som hade lägst påverkan på piggvarens val av habitat. Med en högre kvalitet på videofilmerna hade de variablerna kunnat klassificeras i mer specifika grupper vilket eventuellt gett ett annat resultat. Generellt visade modellerna att denna typ av habitatmodellering med provfiske och miljödata både är möjlig att utföra.

Abstract [en]

The turbots’ (Scophthalmus maximus) selection of habitat in the Baltic Sea has been modeled on the basis of fish survey data and environmental variables. At a total of 435 stations in the Baltic Sea, data was collected in the form of fish survey data, CTD (Conductivity, Temperature and Depth) measurements and videos. By analyzing the videos from the seabed of the Baltic Sea, four different explanatory variables have been classified: coverage of soft bottom, structure-forming plants, other algae and coverage of mussels. Another six explanatory variables have been collected from measurements and existing rasters: salinity, temperature, depth, water transparency, wave exposure and the bottom slope. These ten explanatory variables have been used in ten different species distribution modeling methods with the presence/absence of turbot as a response variable. Nine out of ten models showed good results (AUC > 0.7) where the CTA (Classification Tree Analysis) and GBM (Global Boosting Model) performed the best (AUC > 0.9). By combining the models with good performance in six different ensemble models each individual models’ weaknesses were decreased. The ensemble models clearly showed strength as they gave a very good performance (AUC > 0.94). The worst ensemble model was significantly better than the best individual model.

The results of the models show that the largest probability of occurrence of turbot in the Baltic Sea is in shallow (< 20 m) and warm (> 10 ° C) water with high wave exposure (> 30,000 m²/s). These three variables were those with the highest significance for the models. Coverage of soft bottom and the two vegetation variables, from the video analyzes, had the lowest impact on the turbots’ choice of habitat. A higher quality of the videos would have made it possible to classify these variables in more specific groups which might have given a different result. Generally, the models showed that this type of modeling of habitat is possible to perform with fish survey and environmental monitoring data and generates useful results.

Place, publisher, year, edition, pages
2016.
Series
UPTEC W, ISSN 1401-5765 ; 16004
Keyword [en]
Turbot, Species distribution modeling, Ensemble Modeling, Video Analysis
Keyword [sv]
Piggvar, Habitatmodellering, Ensemblemodellering, Videoanalys
National Category
Oceanography, Hydrology, Water Resources
Identifiers
URN: urn:nbn:se:uu:diva-281462OAI: oai:DiVA.org:uu-281462DiVA: diva2:914473
Educational program
Master Programme in Environmental and Water Engineering
Supervisors
Examiners
Available from: 2016-03-24 Created: 2016-03-24 Last updated: 2016-03-24Bibliographically approved

Open Access in DiVA

fulltext(2341 kB)27 downloads
File information
File name FULLTEXT01.pdfFile size 2341 kBChecksum SHA-512
f0a8a48a2bb34a32f52d180db93e5bd3c4720ee37bbb5a2f93de55dac5e1f45782119f8eb1b876bc5f82c8380c5553501bcd8032cb1393110e00ba6a60c26017
Type fulltextMimetype application/pdf

Search in DiVA

By author/editor
Erlandsson, Mårten
Oceanography, Hydrology, Water Resources

Search outside of DiVA

GoogleGoogle Scholar
Total: 27 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 244 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf