Menggunakan Statistik Spasial untuk Ramalan Perubahan Alam Sekitar di seluruh Ruang - patung

Oleh sifatnya, pembolehubah persekitaran adalah bergantung kepada lokasi: Mereka berubah dengan perubahan dalam lokasi geospatial. Tujuan memodelkan pembolehubah alam sekitar dengan statistik ruang adalah untuk membolehkan ramalan spasi tepat supaya anda boleh menggunakan ramalan tersebut untuk menyelesaikan masalah yang berkaitan dengan alam sekitar.

Statistik spatial dibezakan daripada pemodelan sumber semula jadi kerana ia memberi tumpuan kepada meramalkan bagaimana perubahan ruang mempengaruhi fenomena alam sekitar. Secara semulajadi, pembolehubah masa dianggap juga, tetapi statistik spatial adalah mengenai penggunaan statistik untuk memodelkan kerja dalaman fenomena spatial. Perbezaannya adalah dengan cara pendekatan.

Menangani isu-isu alam sekitar dengan analitik ramalan spatial

Anda boleh menggunakan statistik spatial untuk memodelkan pembolehubah persekitaran dalam ruang dan masa supaya anda boleh meramalkan perubahan dalam pembolehubah persekitaran merentas ruang. Senarai berikut menerangkan jenis isu alam sekitar yang boleh anda model dan meramalkan menggunakan pemodelan statistik spatial:

• Epidemiologi dan kesihatan manusia alam sekitar: Corak dan pengedaran penyakit
• Meteorologi: Fenomena cuaca
• Kebakaran Penyebaran api (dengan menyalurkan ke dalam Smokey Bear anda!)
• Hidraulik: Kekonduksian akuifer
• Ekologi: Pengedaran mikroorganisasikan di bahagian bawah tasik sedimen

Jika matlamat anda adalah untuk membina model yang boleh anda gunakan untuk meramalkan bagaimana perubahan ruang akan mempengaruhi pembolehubah persekitaran, anda boleh menggunakan statistik ruang untuk membantu anda melakukan ini.

Menggambarkan sains data yang terlibat

Oleh kerana statistik spatial melibatkan pemodelan parameter x-, y-, z yang terdiri daripada dataset spasial, statistik yang terlibat boleh menjadi agak menarik dan luar biasa. Statistik spatial, lebih kurang, pernikahan analisis spasial GIS dan analitis ramalan maju. Senarai berikut menerangkan beberapa proses sains data yang biasanya digunakan apabila menggunakan statistik untuk membina model spatial ramalan:

• Statistik Spatial: Statistik spatial sering melibatkan krige dan kriging, serta analisis variogram. Istilah "kriging" dan "krige" menggambarkan perkara yang berbeza. Kaedah Kriging adalah satu set algoritma anggaran statistik yang memasangkan data titik yang diketahui lengkung dan menghasilkan permukaan ramalan untuk keseluruhan kawasan kajian. Krige mewakili pelaksanaan automatik algoritma kriging, di mana anda menggunakan parameter lalai mudah untuk membantu anda menjana permukaan ramalan. A variogram adalah alat statistik yang mengukur bagaimana data spasial yang berlainan menjadi seperti jarak antara titik data meningkat. Variogram adalah ukuran "ketidaksetaraan spatial". Bila anda krige, anda menggunakan model variogram dengan parameter yang ditentukan secara dalaman untuk menjana permukaan ramalan, interpolatif.
• Pengaturcaraan statistik: Ini melibatkan pengagihan kebarangkalian, analisis siri masa, analisis regresi, dan simulasi Monte Carlo, antara proses lain.
• Analisis kluster: Proses boleh termasuk algoritma tetangga terdekat, k-means clustering, atau perkiraan kepadatan kernel.
• Teknologi GIS: Teknologi GIS banyak muncul dalam bab ini, tetapi itu diharapkan kerana analisis spatial dan penawaran membuat peta sangat fleksibel.
• Keperluan pengekodan: Pengaturcaraan untuk projek statistik spatial boleh melibatkan penggunaan R, SPSS, SAS, MATLAB, dan SQL, antara bahasa pengaturcaraan lain.

Menangani isu-isu alam sekitar dengan statistik spatial

Contoh hebat menggunakan statistik ruang untuk menghasilkan ramalan untuk pembolehubah persekitaran yang bergantung pada lokasi dapat dilihat dalam karya Dr Pierre Goovaerts baru-baru ini. Dr. Goovaerts menggunakan statistik maju, pengekodan, dan kepakaran bidang kepakarannya dalam bidang kejuruteraan pertanian, sains tanah, dan epidemiologi untuk mendedahkan korelasi antara corak penyakit spatial, kematian, pendedahan toksin alam sekitar, dan sosiodemografi.

Di salah satu projek baru Dr. Goovaerts, beliau menggunakan statistik ruang untuk memodelkan dan menganalisis data mengenai kepekatan arsenik air bawah tanah, lokasi, sifat geologi, corak cuaca, topografi, dan penutup tanah. Melalui kajian saintifik data sains baru-baru ini, beliau mendapati bahawa kejadian kanser pundi kencing, payu dara dan kanser prostat bersesuaian secara spasial dengan pendedahan arsenik jangka panjang.

Berkenaan dengan teknologi dan metodologi sains data, Dr Goovaerts biasanya menerapkan berikut:

• Pengatur statistik statistik: Sekali lagi, kriging dan variogram analisis atas senarai.
• Pengaturcaraan statistik: Regresi sekurang-kurangnya kuadrat dan Monte Carlo (kaedah simulasi rawak) adalah pusat kerja Dr. Goovaerts.
• Teknologi GIS: Jika anda mahukan fungsi membuat peta dan metodologi analisis data ruang, anda memerlukan teknologi GIS.