Inhoudsopgave:
- Modellering van natuurlijke hulpbronnen verkennen
- Dabbelen in data science
- Modelleren van natuurlijke middelen om milieuproblemen op te lossen
Je kunt data science gebruiken om natuurlijke hulpbronnen in hun ruwe vorm te modelleren. Dit type milieugegevenswetenschap omvat over het algemeen wat geavanceerde statistische modellering om natuurlijke hulpbronnen beter te begrijpen. U modelleert de hulpbronnen in de onbewerkte - water-, lucht- en landomstandigheden zoals ze voorkomen in de natuur - om de organische effecten van de natuurlijke omgeving op het menselijk leven beter te begrijpen.
Modellering van natuurlijke hulpbronnen verkennen
Environmental Data Science kan natuurlijke grondstoffen in het onbewerkte modelleren, zodat je milieuprocessen beter kunt begrijpen om te begrijpen hoe die processen het leven op aarde beïnvloeden. Nadat de milieuprocessen duidelijk zijn begrepen, kunnen milieutechnici dan pas beginnen met het ontwerpen van systemen om problemen op te lossen die deze natuurlijke processen mogelijk creëren. In de volgende lijst worden de soorten natuurlijke hulpbronnen beschreven die milieutechnologie kan modelleren en voorspellen:
- Waterproblemen: Neerslag, geohydrologische patronen, grondwaterstromen en grondwatertoxineconcentraties
- Luchtproblemen: De concentratie en dispersie van fijnstofniveaus en broeikasgasconcentraties
- Landproblemen: migratie van bodemverontreiniging en geomorfologie, maar ook geofysica, exploratie van mineralen en olie- en gasexploratie
Als het uw doel is om een voorspellend model te bouwen dat u kunt gebruiken om natuurlijke omgevingsprocessen beter te begrijpen, kunt u natuurlijke resource modellering gebruiken om u te helpen. Verwacht echter niet dat het modelleren van natuurlijke bronnen gemakkelijk zal zijn. De statistieken die in dit soort modellen worden gebruikt, kunnen ongelooflijk ingewikkeld zijn.
Dabbelen in data science
Omdat milieuprocessen en -systemen veel verschillende onderling afhankelijke variabelen omvatten, vereist de meeste natuurlijke hulpbronnen modellering het gebruik van ongelooflijk complexe statistische algoritmen. De volgende lijst toont een aantal elementen van de gegevenswetenschap die gewoonlijk worden gebruikt bij het modelleren van natuurlijke bronnen:
- Statistieken, wiskunde en machine learning: Bayesiaanse gevolgtrekking, hiërarchische Bayesiaanse gevolgtrekking op meerdere niveaus, multitaper spectrale analyse, copulas, Wavelet autoregressief Methode (WARM), Autoregressieve voortschrijdende gemiddelden (ARMA's), Monte Carlo-simulaties, gestructureerde additieve regressie (STAR) -modellen, regressie op orderstatistieken (ROS), maximumwaarschijnlijkheidsschattingen (MLE's), verwachtingsmaximalisatie (EM), lineaire en niet-lineaire dimensie reductie, wavelets-analyse, frequentiedomeinmethoden, Markov-ketens, k-dichtstbijzijnde neighbor (kNN), kerneldichtheid en logspline-dichtheidsschatting, naast andere methoden
- Ruimtelijke statistieken: Over het algemeen iets als probabilistische toewijzing
- Gegevens visualisatie: Net als op andere gebieden van data science, benodigd voor verkenningsanalyse en voor het communiceren van bevindingen met anderen
- Webscraping: Vele malen vereist bij het verzamelen van gegevens r milieumodellen
- GIS-technologie: Ruimtelijke analyse en kaarten maken
- Coderingseisen: Python, R, SPSS, SAS, MATLAB, Fortran en SQL gebruiken, naast andere programmeertalen
Modelleren van natuurlijke middelen om milieuproblemen op te lossen
Het werk van de directeur van Columbia Water Centre, Dr.Upmanu Lall, biedt een voorbeeld van wereldklasse van het gebruik van milieugegevenswetenschap om ongelooflijk complexe problemen met waterbronnen op te lossen. Dr. Lall gebruikt geavanceerde statistieken, wiskunde, codering en een verbluffende materiedeskundigheid op het gebied van milieutechniek om complexe, onderling afhankelijke relaties tussen globale kenmerken van waterbronnen, nationale bruto binnenlands producten (BBP's), armoede en nationale energieverbruikcijfers te ontdekken.
In een van de recente projecten van Dr. Lall ontdekte hij dat in landen met grote variaties in regenval - landen die extreme droogten kennen gevolgd door massale overstromingen - de instabiliteit resulteert in een gebrek aan stabiele waterbronnen voor de landbouw ontwikkeling, meer afvloeiing en erosie, en algehele dalingen in het bbp van die natie. Het tegenovergestelde is ook waar, waar landen met stabiele, matige regenvalpercentages een betere watervoorraad hebben voor de ontwikkeling van de landbouw, betere milieuomstandigheden in het algemeen en hogere gemiddelde bbp's. Dus, met behulp van milieugegevenswetenschap, heeft Dr. Lall sterke correlaties weten te trekken tussen de trends in regenval in een land en de armoedecijfers.
Met betrekking tot gegevenswetenschapstechnologieën en -methodologieën, implementeert Dr. Lall deze hulpmiddelen:
- Statistische programmering: Dr. Lall's arsenaal omvat multiniveau hiërarchische Bayesiaanse modellen, multitaper spectrale analyse, copulas, Wavelet Autoregressive Moving Averages (WARMs), Autoregressive Moving Averages (ARMA's) en Monte Carlo-simulaties.
- Mathematisch programmeren: De hulpmiddelen omvatten hier lineaire en niet-lineaire dimensiereductie, wavelets-analyse, frequentiedomeinmethoden en niet-homogene verborgen Markov-modellen.
- Clusteringanalyse: In dit geval vertrouwt Dr. Lall op de beproefde methoden, waaronder k-nearest neighbour, kerneldichtheid en logspline-dichtheidsschatting.
- Machine learning: Dr. Lall richt zich hier op minimale variantie-inbedding.
