Questo sito utilizza cookie di terze parti per inviarti pubblicità in linea con le tue preferenze. Se vuoi saperne di più clicca QUI 
Chiudendo questo banner, scorrendo questa pagina, cliccando su un link o proseguendo la navigazione in altra maniera, acconsenti all'uso dei cookie. OK

Analisi di dati relativi alle polveri contenute in una carota di ghiaccio antartico prelevate in località Talos Dome

Il laboratorio di glaciologia del Dipartimento di Scienze dell’Ambiente e del Territorio ha sezionato ed analizzato una carota di ghiaccio antartico prelevata in località Talos Dome ed ha raccolto una serie di dati sulla presenza di particelle intrappolate nel ghiaccio, fornendo un record contenente informazioni circa l’età ed il numero, il volume, la massa, la media, la mediana e la moda al tempo 0 ed al tempo 24.
Il ghiaccio è infatti in grado di “imprigionare” segnali riconducibili ai climi passati; la sua localizzazione in aree remote del pianeta, come la Calotta Polare Antartica, ha fatto sì che tali segnali siano potuti giungere virtualmente inalterati fino ai giorni nostri.
Per ognuna delle quantità misurate, (età, numero, volume, massa, media, mediana e moda) si è proceduto, attraverso l’uso della PCA (Principal Component Analysis), all’analisi delle correlazioni fra le variabili. In seguito si è effettuata un’analisi con le Reti Neurali (Neural Network) con il software STATISTICA, per valutare la prevedibilità delle quantità analizzate.
La prima fase del lavoro ha cercato di stabilire se esiste una tipologia di rete in grado di descrivere in modo ottimale le variabili considerate.
L’individuazione della rete più consona è stata eseguita utilizzando l’opzione “Intelligent Problem Solver”; attraverso il confronto fra gli errori quadratici delle previsioni fornite rispetto alla serie storica dei dati, si è giunti all’individuazione della migliore tipologia di rete.
Siccome le previsioni erano poco soddisfacenti, si sono testate le tipologie individuate nella prima fase e la loro sensibilità alla variazione del numero di strati nascosti e di nodi al loro interno, del numero di passi indietro e di altri parametri. In particolare si sono confrontate l’età ed il numero di particelle, il volume, la massa, la media, la mediana e la moda al tempo 0 ed al tempo 24 con le reti MLP (Multilayer Perceptrons), RBF (Radial Basis Function) e LINEARI.
In particolare ci si è accorti che le approssimazioni migliori venivano fornite dalle reti RBF e LINEARI rispetto alle reti MLP; queste ultime infatti fornivano valori previsti fortemente discordanti da quelli reali, con i valori degli scarti quadratici superiori rispetto alle altre due tipologie.
Si può, quindi, concludere affermando che i risultati ottenuti con le Reti Neurali su questi dati non sono completamente accettabili: sono soddisfacenti solo le stime relative alla media, alla mediana ed alla moda al tempo 0 ed al tempo 24, mentre per le altre quantità si hanno delle previsioni che non seguono perfettamente l’andamento delle variabili reali.

Mostra/Nascondi contenuto.
INTRODUZIONE Ilnull laboratorionull dinullglaciologianulldelnullDipar ct ie im nz ee nnull tonull ded lli’A null mb S ientenullenulldelnull Territorionull hanull sezionatonull ednull analizzatonull unull nanull ghc ia ac rc oit oa null nullad nitarticonull prelevatanullinnulllocalitànullTalosnullDomenullednull null hasnull erir ea null cco dlitnull onull da utnia nullsullanullpresenzanull dinull particellenull intrappolatenull nelnull ghiaccio,null nnull forn re en cd oo rnull dnullucontenentenull informazioninullcircanulll’etànullednullilnullnumer ao null ,null mials null sa,v null olulm anull e,null me l dia,nulllanullmediananullenull lanullmodanullalnulltemponull0nullednullalnulltemponull24.null Ilnull ghiaccionull ènull infattinull innull gradonull dinull gn“ailm inull prigriio cn oa nrdeu”c null ibilisnull e ainull climinull passati;null lanull suanull localizzazionenull innull areenull ianr ee ta m,o null tenull comd ee null lnull lap null Calottanull Polarenull Antartica,null hanull fattonull sìnull chenull ta olnull inullps oe tg un tianull linullgiu sinagnerenull virtualmentenull inalteratinull finonull ainull giorninull ongonsutn ra i.null null d Pe elr le null null quantitànull misurate,null(età,nullnumero,nullvolume,nullmassa,null nm anull edie anull ,nullm moe dd ai)anullcinullsinullproponenulldinull realizzare,nullattraversonulll’usonulldellanullPCAnull om( pP ornie nn citp null alnull AnC alysis),nullun’analisinull dellenullcorrelazioninullfranulllenullvariabili.nullv Iu no null lenull seg eu fif te ot null tuanull sr u ie null n’analisinullconnull lenullRetinullNeuralinull(NeuralnullNetwork)nullconnull AT ilnull ISTsI oC fA tw ,null arep null ernull STvalutarenull lanull prevedibilitànull dellenull quantitànull analizzataenull .null fa Ls ae null nullpd rie m lnull lavoronull cercanull dinull stabilirenull senull esistenull unanull tipologianull dinulldrie null tenull desic nr null iverg ernull adonull innull modonull ottimalenull lenull variabilinull considerate.null L’indnull ividu da ez llia onull ne retenull piùnull consonanull puònull esserenulleseguitanullutilizzandonulll’opzionenull“I Pn rt oe bllle ig m enull ntnull Solver”;nullattraversonull ilnullconfrontonullfranullglinullerrorinullquadratic io inull ninull de flo le rnull nite pnull revr is ispettonullallanullserienull storicanulldeinulldati,nullsinullgiungerànullall’indilv la id null uaz mio ignle ionull renull de tipologianulldinullrete.null 1

Laurea liv.I

Facoltà: Scienze Ambientali

Autore: Manuela Cassè Contatta »

Composta da 49 pagine.

 

Questa tesi ha raggiunto 319 click dal 17/12/2010.

Disponibile in PDF, la consultazione è esclusivamente in formato digitale.