Botaanika osakonna bakalaureusetööd – Bachelor's theses

Selle kollektsiooni püsiv URIhttps://hdl.handle.net/10062/30325

Sirvi

Sirvi Botaanika osakonna bakalaureusetööd – Bachelor's theses Märksõna "andmebaasid" järgi

Tulemuste filtreerimiseks trükkige paar esimest tähte
Nüüd näidatakse 1 - 2 2
  • Pisipilt
    listelement.badge.dso-type Kirje ,
    Liikide koosesinemise leidmine tehisaru abil
    (Tartu Ülikool, 2025) Pärnpuu, Marta Miia; Pärtel, Meelis, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Botaanika osakond
    Liikide koosesinemiste uurimine on pika ajalooga uurimissuund. Varasemad käsitlused rõhutasid konkurentsi tähtsust koosluste kujunemisel, kuid hilisemad uuringud on toonud esile ka soodustavate ja vahendatud interaktsioonide ning levikupiirangute rolli. Tänapäevased lähenemised kombineerivad nii statistilisi mudeleid kui ka mitmekülgseid andmekogumeid, et mõista, millised tegurid määravad, miks teatud liigid esinevad koos ja teised mitte. Koosesinemiste uurimine aitab paremini mõista ökosüsteemide struktuuri ja toimimist ning võimaldab hinnata ka kooslustest puudu olevat ehk tumedat elurikkust. Töö eesmärk oli uurida, kas ja kuidas on võimalik kasutada tehisaru taimeliikide koosesinemise tuvastamiseks Eesti puisniitude rohurinde taimeruutude fotodelt. Uurimisküsimusele vastamiseks viidi läbi uurimus, kus hinnati PlantNeti rakenduse võimet määrata liike taimeruutude fotodelt, millel esineb mitmeid liike. Uurimus keskendus fotode lõikamisel kasutavate parameetrite muutmise mõjule määramistulemustele. Selgus, et mitmeks ristkülikuks taimeruudu foto oli lõigatud mõjutas oluliselt määramist – kõige paremad tulemused saavutati lõigates fotot viieks nii risti- kui pikkupidi. Pildiosade osaline kattuvus mõjutas statistiliselt oluliselt saagist, võimaldades tuvastada rohkem andmestikus tegelikult esinevaid liike. Tulemused näitasid, et mõned liigid olid tehisaru jaoks kergemini ära tuntavad, samas kui osad määrati sagedamini valesti. Tehisarul on potentsiaal toetada liikide koosesinemise uurimist, eriti kui on vaja analüüsida järjest suurenevaid andmehulkasid. Samas on mitmeid kitsaskohti, nagu andmete puudulik kvaliteet, määramatuse eri allikad ning vajadus laiapõhjalisema interdistsiplinaarse koostöö järele. Edasine areng tehisaru kasutamisel liikide koosesinemiste leidmiseks piltidelt võiks liikuda segmenteerimise täiustamise suunas. Kuigi töö raames läbi viidud uurimus oli esmane ja lihtsustatud, viitab see siiski võimalusele kaasata tehisaru liikide koosesinemiste tuvastamisse, pakkudes uut võimalust elurikkuse analüüsimiseks. The study of species co-occurrences has a long history. Previous approaches highlighted the importance of competition in the formation of communities, but later studies have emphasised the role of facilitation, indirect interactions, and dispersal limitations. Modern approaches combine statistical models and multifaceted datasets to understand which factors determine why particular species occur together, while others do not. The study of species co-occurrences helps to better understand the structure and functioning of ecosystems, whilst making it possible to evaluate the missing, or dark, diversity. This thesis aimed to investigate whether and how artificial intelligence can be used to detect the co-occurrences of plant species from photographs of vegetation quadrats of the herbaceous layer of Estonian wooded meadows. A study was conducted to evaluate the ability of the PlantNet application to identify species from photographs of vegetation quadrats in which multiple species occur. The analysis part of this thesis focused on the effect that altering the parameters used for splitting photos had on species identification. It turned out that the amount of cuttings made significantly influenced the species identification results – the best results were achieved when splitting the quadrat photos into five parts, both lengthwise and widthwise. The partial overlap of the split image segments had a statistically significant effect on recall, increasing the number of correctly classified positive samples. The results showed that some species were more easily identifiable for AI, while others were often incorrectly identified. Artificial intelligence has the potential to further the research of species co-occurrences, especially with the increasing amounts of data that needs to be analyzed. At the same time, there are multiple bottlenecks, such as the lack of quality data, the different sources of uncertainty in machine learning, and the need for broader interdisciplinary collaboration. Further development could move towards improvement in segmentation. Although the research carried out within the framework of this work was primary and simplified, it still supports the possibility of involving AI in the detection of species co-occurrence, thus offering new opportunities for the analysis of biodiversity and communities.
  • Pisipilt
    listelement.badge.dso-type Kirje ,
    Suurandmete kasutus makroökoloogias
    (Tartu Ülikool, 2024) Radvilavicius, Merilin; Pärtel, Meelis, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Botaanika osakond
    Suurandmed ja andmeteaduse meetodid võimaldavad pakkuda vastuseid küsimustele, millega on bioloogid juba aastakümneid rinda pistnud. Käesoleva töö eesmärk on anda kirjanduse põhjal ülevaade, mida kujutavad suurandmed endast ette makroökoloogia kontekstis. Selleks teen esmalt jalutuskäigu suurandmete olemusse ja selle võidukäiku makroökoloogiasse, misjärel kirjeldan suurandmeid just makroökoloogia kontekstis: mis need on ja kust need tulevad. Annan ka ülevaate suurandmete kasutamise võimalustest, kitsaskohtadest ja võimalikest lahendustest, mis võivad ette tulla erinevates suurandmetega töötamise etappides. Kõige selle juures illustreerin töö eesmärke graafilise analüüsiga, kus annan ülevaate makroökoloogiliste uuringute temaatilisest rühmitumisest suurandmete kontekstis. The use of big data in macroecology Big data and data science methods can provide answers to questions that biologists have been struggling with for decades. This thesis aims to provide a literature-based overview of what big data represent in the context of macroecology. To do this, I will first take a walk through the nature of big data and its triumphal march into macroecology, whereupon I describe the big data specifically in the context of macroecology - what are they and where they come from. In addition, the thesis provides an overview of the opportunities, challenges, and possible solutions to the use of big data that can occur at different stages of working with big data. I illustrate the aims of the work with a graphical analysis of the thematic clustering of macroecological research in the context of big data.