Carregant...
Tipus de document
TesiVersió
Versió publicadaData de publicació
Tots els drets reservats
Si us plau utilitzeu sempre aquest identificador per citar o enllaçar aquest document: https://hdl.handle.net/2445/36092
La classificació numèrica de la vegetació basada en la composició florística
Títol de la revista
Autors
Director/Tutor
ISSN de la revista
Títol del volum
Recurs relacionat
Resum
[cat] En aquesta tesi s'estudia la metodologia numèrica de classificació de comunitats de vegetals. Les dades estudiades són inventaris de pastures dels estatges montà i subalpí, així com diversos matollars, màquies i boscos mediterranis. En un primer bloc de capítols s'aborden l'estructura i composició de les comunitats d'estudi. Concretament, s'estudia la diversitat de les comunitats i la suficiència de mostratge, la metodologia de càlcul de la fidelitat dels tàxons en bases de dades, i els problemes de discriminabilitat numèrica entre sintàxons. Un segon bloc d'aportacions s'ocupa d'estudiar pròpiament la metodologia de classificació: Es revisen i comparen diversos mètodes estadístics d'anàlisi de grups de vegetació (algoritmes jeràrquics aglomeratius, TWINSPAN, algoritmes partitius), s'estudia l'efecte que té la manera de mesurar les distàncies o proximitats entre inventaris sobre l'anàlisi de grups, es proposa un nou model de classificació per a l'anàlisi de grups de vegetació basat en l'algorisme Possibilistic C-means, i s'estudien estratègies de ponderació de variables (especies). El bloc final de capítols està dedicat a les aplicacions informàtiques desenvolupades. Per una banda es descriuen els programes QUERCUS, un editor de dades de vegetació, y GINKGO, una eina d'anàlisi multivariant basada en distàncies. Per l'altra, es presenta un sistema basat en el coneixement, anomenat ARAUCARIA, que té com a objectiu la determinació automàtica d'inventaris de vegetació. ENGLISH
[eng] This thesis studies the numerical classification methodology of plant community classification. The analyzed data sets are relevés from montane and subalpine grassland communities (O. Brometalia erecti ), and mediterranean shrublands, maquis and forests (Cl. Quercetea ilicis ). The first block of chapters approaches the structure and composition of the data sets. Concretely, community diversity and sampling sufficiency are studied first, followed by a chapter on taxon fidelity calculation methodology and another on numerical discriminability between syntaxa. The second block of chapters deals with numerical classification methodology itself: Cluster analysis numerical algorithms (hierarchical agglomerative, TWINSPAN , partitive) are reviewed and compared. The effect of numerical scalar transforms of data and proximity measures on clustering results are compared. A new vegetation data clustering strategy is proposed, on the basis of Possibilistic C-means algorithm. Finally, the effect of some variable weighting strategies on classification results are tested. The final chapters are devoted to describing software applications. On one hand two programs are described, the vegetation data editor QUERCUS and GINKGO, a multivariate analysis tool oriented to distance-based analyses. On the other hand, a knowledge-based system called ARAUCARIA is presented to provide automatic classification of relevé data.
[eng] This thesis studies the numerical classification methodology of plant community classification. The analyzed data sets are relevés from montane and subalpine grassland communities (O. Brometalia erecti ), and mediterranean shrublands, maquis and forests (Cl. Quercetea ilicis ). The first block of chapters approaches the structure and composition of the data sets. Concretely, community diversity and sampling sufficiency are studied first, followed by a chapter on taxon fidelity calculation methodology and another on numerical discriminability between syntaxa. The second block of chapters deals with numerical classification methodology itself: Cluster analysis numerical algorithms (hierarchical agglomerative, TWINSPAN , partitive) are reviewed and compared. The effect of numerical scalar transforms of data and proximity measures on clustering results are compared. A new vegetation data clustering strategy is proposed, on the basis of Possibilistic C-means algorithm. Finally, the effect of some variable weighting strategies on classification results are tested. The final chapters are devoted to describing software applications. On one hand two programs are described, the vegetation data editor QUERCUS and GINKGO, a multivariate analysis tool oriented to distance-based analyses. On the other hand, a knowledge-based system called ARAUCARIA is presented to provide automatic classification of relevé data.
Matèries (anglès)
Citació
Col·leccions
Citació
CÁCERES AINSA, Miquel de. La classificació numèrica de la vegetació basada en la composició florística. [consulta: 29 de gener de 2026]. [Disponible a: https://hdl.handle.net/2445/36092]