Inhoudsopgave:
- Milieukwesties aanpakken met ruimtelijke voorspellende analyses
- Beschrijving van de betrokken gegevenswetenschap
- Milieukwesties aanpakken met ruimtelijke statistieken
Video: Learn the Bible in 24 Hours - Hour 1 - Small Groups - Chuck Missler 2024
Door hun aard zijn omgevingsvariabelen locatieafhankelijk: ze veranderen met veranderingen in ruimtelijke locatie. Het doel van het modelleren van omgevingsvariabelen met ruimtelijke statistieken is om nauwkeurige ruimtelijke voorspellingen mogelijk te maken, zodat u die voorspellingen kunt gebruiken om problemen in verband met de omgeving op te lossen.
Ruimtelijke statistieken worden onderscheiden van natuurlijke hulpbronnen, omdat het zich richt op het voorspellen hoe veranderingen in de ruimte van invloed zijn op het milieuverschijnsel. Natuurlijk wordt ook de tijdvariabele beschouwd, maar bij ruimtelijke statistieken gaat het om het gebruik van statistieken om de innerlijke werking van het ruimtelijke fenomeen te modelleren. Het verschil zit in de manier van aanpak.
Milieukwesties aanpakken met ruimtelijke voorspellende analyses
U kunt ruimtelijke statistieken gebruiken om omgevingsvariabelen in ruimte en tijd te modelleren, zodat u veranderingen in omgevingsvariabelen in de ruimte kunt voorspellen. In de volgende lijst worden de soorten milieuvraagstukken beschreven die u kunt modelleren en voorspellen met behulp van ruimtelijke statistische modellering:
- Epidemiologie en menselijke gezondheid van het milieu: Ziektepatronen en -verdelingen
- Meteorologie: Weerverschijnsel
- Vuur wetenschap: De verspreiding van een vuur (door je innerlijke smokey the Bear te channelen!)
- Hydraulica: Watergeleiding geleidendheid
- Ecologie: Distributie van micro-organismen over een bodem van een sedimentair meer
Als het uw doel is om een model te bouwen dat u kunt gebruiken om te voorspellen hoe verandering in de ruimte invloed heeft op omgevingsvariabelen, kunt u ruimtelijke statistieken gebruiken om dit te doen.
Beschrijving van de betrokken gegevenswetenschap
Omdat ruimtelijke statistieken betrekking hebben op het modelleren van de x-, y-, z-parameters die ruimtelijke gegevenssets omvatten, kunnen de betrokken statistieken nogal interessant en ongebruikelijk worden. Ruimtelijke statistieken zijn, min of meer, een combinatie van GIS-ruimtelijke analyse en geavanceerde voorspellende analyses. In de volgende lijst worden enkele gegevenswetenschappelijke processen beschreven die vaak worden gebruikt bij het gebruik van statistieken om voorspellende ruimtelijke modellen te bouwen:
- Ruimtelijke statistieken: Ruimtelijke statistieken omvatten vaak krige en kriging, evenals variogramanalyse. De termen "kriging" en "krige" duiden verschillende dingen aan. Kriging -methoden zijn een verzameling statistische schattingsalgoritmen waarmee bekende puntgegevens worden gecorrigeerd en een voorspellend oppervlak voor een volledig studiegebied wordt geproduceerd. Krige vertegenwoordigt een automatische implementatie van kriging-algoritmen, waarbij u eenvoudige standaardparameters gebruikt om u te helpen voorspellende oppervlakken te genereren. Een variogram is een statistische tool die meet hoe verschillende ruimtelijke gegevens worden als de afstand tussen gegevenspunten toeneemt. Het variogram is een maat voor "ruimtelijke ongelijkheid". Wanneer u krige bent, gebruikt u variogrammodellen met intern gedefinieerde parameters om interpolatieve, voorspellende oppervlakken te genereren.
- Statistische programmering: Deze omvat waarschijnlijkheidsverdelingen, tijdreeksanalyses, regressieanalyses en Monte Carlo-simulaties, naast andere processen.
- Clusteringanalyse: Processen kunnen algoritmen met de dichtstbijzijnde buur omvatten, k-means clustering of schattingen van de kerneldichtheid.
- GIS-technologie: GIS-technologie komt veel naar voren in dit hoofdstuk, maar dat is te verwachten omdat de ruimtelijke analyse en het maken van kaarten ongelofelijk flexibel zijn.
- Coderingseisen: Programmeren voor een ruimtelijk statistiekproject kan het gebruik van R, SPSS, SAS, MATLAB en SQL, naast andere programmeertalen, met zich meebrengen.
Milieukwesties aanpakken met ruimtelijke statistieken
Een goed voorbeeld van het gebruik van ruimtelijke statistieken om voorspellingen te genereren voor locatieafhankelijke omgevingsvariabelen is te zien in het recente werk van Dr. Pierre Goovaerts. Dr. Goovaerts gebruikt geavanceerde statistieken, codering en zijn gezaghebbende materiedeskundigheid in landbouwtechniek, bodemwetenschap en epidemiologie om correlaties tussen ruimtelijke ziektepatronen, mortaliteit, blootstelling aan milieutoxine en sociodemografische gegevens bloot te leggen.
In een van de recente projecten van Dr. Goovaerts gebruikte hij ruimtelijke statistieken om gegevens te modelleren en analyseren over arseenconcentraties van grondwater, locatie, geologische eigenschappen, weerpatronen, topografie en bodembedekking. Door zijn recente studies op het gebied van milieugegevenswetenschappen, ontdekte hij dat de incidentie van blaas-, borst- en prostaatkankers ruimtelijk gecorreleerd is aan langdurige blootstelling aan arseen.
Met betrekking tot gegevenswetenschapstechnologieën en -methodologieën implementeert Dr. Goovaerts gewoonlijk het volgende:
- Ruimtelijke statistische programmering: Opnieuw komt kriging en variogramanalyse boven aan de lijst.
- Statistisch programmeren: Kleinste kwadratenregressie en Monte Carlo (een willekeurige simulatiemethode) staan centraal in het werk van Dr. Goovaerts.
- GIS-technologieën: Als u kaartmakende functionaliteit en analysemethoden voor ruimtelijke gegevens wilt hebben, heeft u GIS-technologieën nodig.