Šiame darbe buvo įvertinta žėlimui paliktų plyno kirtimo biržių jaunuolynų formavimosi priklausomybė nuo motininio medyno rūšinės sudėties. Tyrimo tikslas: Ištirti savaiminio žėlimo intensyvumą ir žėlinių rūšinę sudėtį, priklausomai nuo augavietės ir motininio medyno rūšinės sudėties. Tyrimo uždaviniai: Ištirti savaiminio žėlimo intensyvumą ir jo eigą 5 metų plyno kirtimo biržėse Šiaulių miškų urėdijoje priklausomai nuo augavietės. Ištirti žėlinių rūšinę sudėtį ir jos kitimą, priklausomai nuo motininio medyno rūšinės sudėties. Tyrimo objektas: VĮ „Šiaulių miškų urėdijos“ miškai Iš urėdijos plynų kirtimų registracijos knygų išrinktos 302 2000 -2004 m. plyno kirtimo kirtavietės ir sudarytas jų sąrašas. Detalesni tyrimai atlikti 14 biržių, jose išskirti tyrimo bareliai. Tyrimo metodai: Pagal 1995 m. ir 2006 m. miškotvarkos medžiagą pateikiama buvusio motininio medyno ir augančių jaunuolynų taksacinė charakteristika, bei analizuojama jaunuolyno rūšinės sudėties priklausomybė nuo augavietės tipo ir motininio medyno rūšinės sudėties. Detalesni tyrimai buvo atliekami remiantis lauko tyrimais atsienojant laikinas tyrimo aikšteles. Tyrimo rezultatai: Tyrimo eigoje nustatyta, kad motininio medyno rūšinė sudėtis turi didžiausią įtaką savaiminiam žėlimui ir atsikūrusio miško rūšinei sudėčiai. Beržynai formuojasi, kai motininio medyno rūšinėje sudėtyje, buvo 1 dalis beržo ir greta auga derantys beržynai. Juodalksnio jaunuolynas susiformuoja, kai motininio medyno sudėtyje 5 ir daugiau... [toliau žr. visą tekstą] / The aim of present study was to evaluate relationship of young self-generating stand from previous generation stand after clear cut. The object of this study is situated in Šiauliai forest enterprise forest stands. Also there were clear-cutting registration papers and forest inventory of year 1995-2006 analyzed in this study. It was found that bigger area is after clear-cutting for self generating and species composition of previous generation stand has the main influence to self generating and species composition of new self generating stand.

The present study evaluates the effects of incompatible verbal behavior when engaging in the Wisconsin Card Sorting Test (WCST). The WCST is a complex task that requires participants to match stimulus cards based on self-generated rules. After a varying number of trials, the rule changes and the participant will have to self-generate a new rule. Verbal behavior, specifically joint control, is likely involved in rule-following. Seven participants took part in this study. Participants engaged in the WCST either silently or while performing a putatively incompatible behavior, counting backward from 100 to 0. Results suggest joint control might be involved as when participants engaged in the incompatible behavior their performance was affected in terms of lower accuracy and longer reaction times compared to the silent baseline.

Submitted by Lucelia Lucena (lucelia.lucena@ufpe.br) on 2015-03-06T19:37:29Z No. of bitstreams: 2 DISSERTAÇÃO Dayvid Victor Rodrigues de Oliveira.pdf: 798881 bytes, checksum: 3b4ac40fda11573b025340c2b03e8903 (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Made available in DSpace on 2015-03-06T19:37:29Z (GMT). No. of bitstreams: 2 DISSERTAÇÃO Dayvid Victor Rodrigues de Oliveira.pdf: 798881 bytes, checksum: 3b4ac40fda11573b025340c2b03e8903 (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Previous issue date: 2014-02-25 / Técnicas de redução de instâncias são técnicas usadas para reduzir a quantidade de instâncias em um conjunto de dados. Estas técnicas podem atuar removendo dados redundantes ou gerando novos dados. As instâncias resultantes são chamadas de protótipos. Técnicas de seleção de protótipos, são técnicas de redução de instâncias que realizam esta tarefa selecionando um subconjunto do conjunto de dados original. Já as técnicas de geração de protótipos, são técnicas de redução de instâncias que criam instâncias que não necessariamente pertencem ao conjunto de dados original. Algoritmos evolucionários têm sido frequentemente utilizados em seleção de protótipos, tal abordagem é chamada de evolutionary prototype selection. Algumas bases de dados do mundo real possuem muitas instâncias de uma classe, a classe majoritária, e poucas de outra, classe minoritária, estas bases são chamadas de bases desbalanceadas. Em tais bases, muitos algoritmos de redução de instâncias se tornam inviáveis, retornando muitas instâncias da classe majoritária e poucas, ou até nenhuma, da classe minoritária. Este efeito é ainda mais acentuado em técnicas de remoção de ruídos. Neste trabalho, são propostas duas técnicas de geração de protótipos que minimizam o efeito de desbalanceamento entre classes. A primeira proposta é o Creative Steady-State Memetic Algorithm (CSSMA), um algoritmo de geração de protótipos que utiliza um algoritmo evolucionário, incorporando uma busca local, para encontrar o conjunto de protótipos artificiais que maximiza a função de aptidão. Esta técnica é inspirada no Steady-State Memetic Algorithm, uma das melhores técnicas de seleção de protótipos na literatura, tanto em redução quanto em classificação. A segunda proposta é o Adaptive Self- Generating Prototypes (ASGP), esta técnica gera instâncias levando em consideração o tamanho do maior agrupamento de cada classe. O ASGP é uma derivação do Self-Generating Prototypes (SGP), considerada uma das técnicas de geração de protótipos de maior poder de generalização, sendo, porém, ineficiente em bases desbalanceadas. As bases de dados usadas nos experimentos são do módulo imbalanced datasets do KEEL software, dicotômicas, e com diferentes níveis de desbalanceamento. Cada base é dividida em 5 partições para aplicação do k-fold cross validation (k=5). As métricas usadas para avaliar a performance dos algoritmos foram a area under the ROC curve (AUC) e a taxa de redução. Para comparar os resultados, foi utilizado o teste estatístico de Wilcoxon. Os resultados mostram que o CSSMA foi superior em taxa de acerto, AUC, a outros algoritmos evolucionários de redução de instâncias recentemente propostos. O ASGP também obteve uma AUC superior ao Self-Generating Prototypes 2, versão mais atual do SGP.

No description available.