IMIS | Vlaams Instituut voor de Zee
 

Vlaams Instituut voor de Zee

Platform voor marien onderzoek

IMIS

Publicaties | Instituten | Personen | Datasets | Projecten | Kaarten
[ meld een fout in dit record ] Print deze pagina

Neural network modelling of Baltic zooplankton abundances
Citeerbaar als data publicatie
Barth, A.; Herman, P.M.J.; (2018): Neural network modelling of Baltic zooplankton abundances. Marine Data Archive. https://doi.org/10.14284/381
Contact:

Beschikbaarheid: Creative Commons License Deze dataset valt onder een Creative Commons Naamsvermelding 4.0 Internationaal-licentie.

Beschrijving
This data product is a series of gridded abundance maps for 40 zooplankton species from 2007 to 2013 in the Baltic Sea, based on a neural network analysis. As input data a combination of EMODnet Biology datasets were used, together with the environmental variables dissolved oxygen, salinity, temperature, chlorophyll concentration bathymetry and the distance from coast. Additionally the position (latitude and longitude) and the year are provided to the neural network. DIVAnd (n-dimensional Data-Interpolating Variational Analysis) and the neural network library Knet were used in this analysis.

Scope
Kernwoorden:
Marien, Zooplankton, ANE, Baltic

Geografische spreiding
ANE, Baltic [Marine Regions]

Spreiding in de tijd
2007 - 2013

Bijdrage door
Deltares, meerdata creator
Université de Liège (ULG), meerdata creator

Gerelateerde datasets
Bron datasets:
Finnish Baltic Sea zooplankton monitoring, meer
ICES Zooplankton Community dataset, meer
SHARK - Marine zooplankton monitoring in Sweden since 1979, meer

Project
EMODNETBIO III: European Marine Observation and Data Network- Biology, meer

Publicatie
Gebruikt in deze dataset
Beckers, J.-M. et al. (2014). Approximate and efficient methods to assess error fields in spatial gridding with Data Interpolating Variational Analysis (DIVA). J. Atmos. Oceanic. Technol. 31(2): 515-530. http://hdl.handle.net/10.1175/JTECH-D-13-00130.1, meer
Barth, A. et al. (2014). divand-1.0: n-dimensional variational data analysis for ocean observations. Geosci. Model Dev. 7(1): 225-241. https://dx.doi.org/10.5194/gmd-7-225-2014, meer
Troupin, C. et al. (2012). Generation of analysis and consistent error fields using the Data Interpolating Variational Analysis (DIVA). Ocean Modelling 52-53: 90-101. https://dx.doi.org/10.1016/j.ocemod.2012.05.002, meer
Yuret, D. (2016). Knet: beginning deep learning with 100 lines of Julia, in: NIPS 2016: Proceedings of the 30th International Conference on Neural Information Processing Systems, Barcelona, Spain, December 5-10, 2016 . , meer


Dataset status: Afgelopen
Data type: Dataproducten
Metadatarecord aangemaakt: 2019-05-10
Informatie laatst gewijzigd: 2019-05-10
Alle informatie in het Integrated Marine Information System (IMIS) valt onder het VLIZ Privacy beleid