Sains Data Alam Sekitar - Sumber Asli - dummies

Anda boleh menggunakan sains data untuk memodelkan sumber semula jadi dalam bentuk mentah mereka. Jenis sains data persekitaran umumnya melibatkan beberapa pemodelan statistik maju untuk lebih memahami sumber semula jadi. Anda memodalkan sumber-sumber dalam mentah - air, udara, dan keadaan tanah kerana ia berlaku dalam alam semula jadi - untuk lebih memahami kesan organik alam sekitar terhadap kehidupan manusia.

Meneroka pemodelan sumber semula jadi

Sains data alam sekitar boleh memodelkan sumber semula jadi dalam mentah supaya anda dapat memahami proses alam sekitar dengan lebih baik untuk memahami bagaimana proses tersebut menjejaskan kehidupan di Bumi. Selepas proses alam sekitar difahami dengan jelas, maka dan kemudian hanya boleh jurutera alam sekitar melangkah ke dalam sistem reka bentuk untuk menyelesaikan masalah yang proses semulajadi ini boleh dibuat. Senarai berikut menerangkan jenis isu sumber alam yang sains data alam sekitar boleh membuat model dan meramalkan:

• Isu air: Kadar hujan, corak geohydrologic, aliran air bawah tanah dan kepekatan toksin air bawah tanah
• Isu udara: Kepekatan dan penyebaran tahap zarah zarah dan kepekatan gas rumah hijau
• Isu-isu tanah: Penghijauan tanah dan geomorfologi tanah serta geofizik, penerokaan mineral, dan penerokaan minyak dan gas

Jika matlamat anda adalah untuk membina model ramalan yang boleh anda gunakan untuk membantu anda memahami proses alam semulajadi semula jadi, anda boleh menggunakan pemodelan sumber semulajadi untuk membantu anda. Jangan mengharapkan pemodelan sumber semulajadi mudah, walaupun. Statistik yang masuk ke dalam model ini boleh menjadi sangat kompleks.

Dabbling dalam sains data

Oleh kerana proses dan sistem alam sekitar melibatkan banyak pembolehubah saling bergantung, kebanyakan pemodelan sumber semulajadi memerlukan penggunaan algoritma statistik yang sangat kompleks. Senarai berikut menunjukkan beberapa elemen sains data yang biasa digunakan dalam pemodelan sumber semula jadi:

• Statistik, matematik, dan pembelajaran mesin: Kesimpulan Bayesian, kesimpulan Bayesian hierarki berbilang peringkat, analisis spektral multitaper, copulas, Wavelet Autoregressive Kaedah (WARM), Peralihan Autoregressive Moving Averages (ARMAs), simulasi Monte Carlo, model regresi tambahan berstruktur (STAR), regresi statistik statistik pesanan (ROS), anggaran maksimum kemungkinan (MLEs), dimaksimumkan jangkaan (EM), linear dan dimensi tidak linear pengurangan, analisis wavelet, kaedah domain kekerapan, rantai Markov, k-terdekat tetangga (kNN), ketumpatan kernel, dan anggaran kepadatan logsplin, antara kaedah lain
• Statistik Spatial: Secara umumnya, pemetaan probabilistik
• penglihatan: Seperti dalam bidang sains data lain, diperlukan untuk analisis penerokaan dan untuk menyampaikan dapatan dengan orang lain
• Web-scraping: Banyak kali, diperlukan ketika mengumpulkan data model persekitaran r
• Teknologi GIS: Analisis spatial dan pembuatan peta
• Keperluan pengekodan: Menggunakan Python, R, SPSS, SAS, MATLAB, Fortran dan SQL, antara bahasa pengaturcaraan lain

sumber untuk menyelesaikan masalah alam sekitar

Kerja pengarah Columbia Water Center, Dr.Upmanu Lall, menyediakan contoh kelas menggunakan sains data alam sekitar untuk menyelesaikan masalah sumber air yang sangat kompleks. Dr Lall menggunakan statistik lanjutan, matematik, pengekodan, dan kepakaran masalah subjek dalam kejuruteraan alam sekitar untuk menzahirkan hubungan yang kompleks dan saling bergantung antara ciri-ciri sumber air global, keluaran dalam negara kasar negara (KDNK), kemiskinan, dan kadar penggunaan tenaga negara.

Di salah satu projek baru Dr. Lall, beliau mendapati bahawa di negara-negara dengan variasi keterapan hujan - negara-negara yang mengalami kemarau yang melampau diikuti oleh banjir yang besar - ketidakstabilan mengakibatkan kekurangan sumber air yang stabil untuk pertanian pembangunan, larian dan hakisan yang lebih banyak, dan penurunan secara keseluruhan dalam KDNK negara itu. Kebalikannya juga benar, di mana negara-negara yang mempunyai kadar hujan sederhana yang stabil mempunyai bekalan sumber air yang lebih baik untuk pembangunan pertanian, keadaan alam sekitar yang lebih baik secara keseluruhan, dan KDNK purata yang lebih tinggi. Oleh itu, menggunakan sains data alam sekitar, Dr. Lall telah dapat menarik hubungan yang kuat antara trend hujan negara dan kadar kemiskinannya.

Berkenaan dengan teknologi dan metodologi sains data, Dr. Lall mengimplementasikan alat-alat ini:

• Pengaturcaraan statistik: Dr. Arsenal Lall termasuk model Bayesian hierarki bertingkat, analisis spektral multitaper, copulas, Wavelet Autoregressive Moving Averages (WARMs), Autoregressive Moving Averages (ARMAs), dan Monte Carlo simulasi.
• Pengaturcaraan matematik: Alat di sini merangkumi pengurangan dimensi linear dan bukan linear, analisis wavelet, kaedah domain kekerapan, dan model Markov tersembunyi yang tidak bermodel.
• Analisis klustering: Dalam kes ini, Dr Lall bergantung kepada kaedah yang cuba dan benar, termasuk jiran terdekat, ketumpatan kernel, dan anggaran kepadatan logspline.
• Pembelajaran Mesin: Di sini, Dr. Lall memberi tumpuan kepada pemakaian varians minimum.