Περιβαλλοντικές Επιστήμες - Φυσικοί Πόροι - Dummies

Μπορείτε να χρησιμοποιήσετε την επιστήμη των δεδομένων για να μοντελοποιήσετε τους φυσικούς πόρους στην ακατέργαστη μορφή τους. Αυτός ο τύπος περιβαλλοντικής επιστήμης δεδομένων περιλαμβάνει γενικά κάποια προηγμένη στατιστική μοντελοποίηση για την καλύτερη κατανόηση των φυσικών πόρων. Μοντελοποιήσατε τους πόρους στις ακατέργαστες - συνθήκες νερού, αέρα και γης όπως εμφανίζονται στη φύση - για να κατανοήσετε καλύτερα τις οργανικές επιδράσεις του φυσικού περιβάλλοντος στην ανθρώπινη ζωή.

Εξερεύνηση μοντέλων φυσικών πόρων

Η επιστήμη των περιβαλλοντικών δεδομένων μπορεί να μοντελοποιήσει τους φυσικούς πόρους στις πρώτες ύλες, ώστε να κατανοήσετε καλύτερα τις περιβαλλοντικές διεργασίες προκειμένου να κατανοήσουμε πώς οι διαδικασίες αυτές επηρεάζουν τη ζωή στη Γη. Αφού οι περιβαλλοντικές διαδικασίες είναι σαφώς κατανοητές, τότε και μόνο τότε οι περιβαλλοντικοί μηχανικοί μπορούν να προχωρήσουν στο σχεδιασμό συστημάτων για την επίλυση προβλημάτων που αυτές οι φυσικές διαδικασίες μπορεί να δημιουργήσουν. Η ακόλουθη λίστα περιγράφει τους τύπους των θεμάτων φυσικών πόρων που η επιστήμη περιβαλλοντικών δεδομένων μπορεί να διαμορφώσει και να προβλέψει:

Θέματα αέρα: Η συγκέντρωση και η διασπορά των σωματιδιακών ουσιών και των συγκεντρώσεων αερίων του θερμοκηπίου

Ζητήματα γαιών: Μετανάστευση και γεωμορφολογία ρύπων εδάφους καθώς και γεωφυσική, εξερεύνηση ορυκτών και εξερεύνηση πετρελαίου και αερίου

Εάν ο στόχος σας είναι να δημιουργήσετε ένα μοντέλο πρόβλεψης που μπορείτε να χρησιμοποιήσετε για να κατανοήσετε καλύτερα τις φυσικές περιβαλλοντικές διεργασίες, μπορείτε να χρησιμοποιήσετε τη μοντελοποίηση φυσικών πόρων για να σας βοηθήσουμε. Μην περιμένετε να είναι εύκολη η μοντελοποίηση των φυσικών πόρων. Οι στατιστικές που πηγαίνουν σε αυτούς τους τύπους μοντέλων μπορούν να είναι εξαιρετικά περίπλοκες.

Διάλυση στην επιστήμη των δεδομένων

Επειδή οι περιβαλλοντικές διεργασίες και συστήματα περιλαμβάνουν πολλές διαφορετικές αλληλεξαρτώμενες μεταβλητές, η περισσότερη μοντελοποίηση φυσικών πόρων απαιτεί τη χρήση απίστευτα περίπλοκων στατιστικών αλγορίθμων. Η ακόλουθη λίστα παρουσιάζει μερικά στοιχεία της επιστήμης των δεδομένων που χρησιμοποιούνται συνήθως σε μοντέλα φυσικών πόρων:

Στατιστική, μαθηματικά και μηχανική μάθηση:

Bayesian εξαγωγή, πολυεπίπεδη ιεραρχική Bayesian εξαγωγή, φασματική ανάλυση multitaper, copulas, Μέθοδοι (WARM), Αυτορρυθμιζόμενοι Μέσοι Μέσοι (ARMAs), προσομοιώσεις Monte Carlo, μοντέλα παλινδρόμησης δομημένων προσθέτων (STAR), στατιστικά στοιχεία παλινδρόμησης κατά παραγγελία (ROS), εκτιμήσεις μέγιστης πιθανότητας (MLE), μεγιστοποίηση προσδοκιών (9)> Χωρικές στατιστικές:

• Γενικά, κάτι σαν την πιθανοτική χαρτογράφηση Δεδομένα οπτικοποίηση:
• Όπως και σε άλλους τομείς της επιστήμης των δεδομένων, που απαιτούνται για διερευνητική ανάλυση και για την κοινοποίηση ευρημάτων με άλλους Web-ξύσιμο:
• Πολλές φορές απαιτούνται κατά τη συλλογή δεδομένων Περιβαλλοντικά μοντέλα Τεχνολογία GIS:
• Χωρική ανάλυση και χαρτογράφηση Απαιτήσεις κωδικοποίησης:
• Χρήση Python, R, SPSS, SAS, MATLAB, Fortran, πόροι για την επίλυση περιβαλλοντικών προβλημάτων Το έργο του διευθυντή του Κέντρου Νερού του Columbia, Dr.Upmanu Lall, παρέχει ένα παγκόσμιας κλάσης παράδειγμα της χρήσης της επιστήμης περιβαλλοντικών δεδομένων για την επίλυση εξαιρετικά πολύπλοκων προβλημάτων υδατικών πόρων. Ο καθηγητής Lall χρησιμοποιεί προηγμένες στατιστικές, μαθηματικά, κωδικοποίηση και κλιμακωτή εμπειρογνωμοσύνη στον τομέα της περιβαλλοντικής μηχανικής για να αποκαλύψει σύνθετες, αλληλεξαρτώμενες σχέσεις μεταξύ των παγκόσμιων χαρακτηριστικών υδατικών πόρων, των εθνικών ακαθάριστων εγχώριων προϊόντων (ΑΕΠ), της φτώχειας και των εθνικών συντελεστών κατανάλωσης ενέργειας.
• Σε ένα από τα πρόσφατα έργα του Dr. Lall, διαπίστωσε ότι στις χώρες με μεγάλη ποικιλομορφία βροχοπτώσεων

- χώρες που αντιμετωπίζουν ακραίες ξηρασίες ακολουθούμενες από μαζικές πλημμύρες - η αστάθεια οδηγεί σε έλλειψη σταθερών υδατικών πόρων για γεωργικές ανάπτυξη, περισσότερη απορροή και διάβρωση και συνολική μείωση του ΑΕγχΠ αυτού του έθνους. Το αντίστροφο είναι επίσης αλήθεια, όπου χώρες με σταθερά, μέτρια ποσοστά βροχόπτωσης έχουν καλύτερη παροχή νερού για αγροτική ανάπτυξη, καλύτερες περιβαλλοντικές συνθήκες συνολικά και υψηλότερα μέσα ΑΕΠ. Έτσι, με τη χρήση της επιστήμης περιβαλλοντικών δεδομένων, ο Δρ Lall κατάφερε να συνάψει ισχυρούς συσχετισμούς μεταξύ των τάσεων βροχοπτώσεων ενός έθνους και των ποσοστών φτώχειας.

Όσον αφορά τις τεχνολογίες δεδομένων και τις μεθοδολογίες, ο Δρ Lall εφαρμόζει τα παρακάτω εργαλεία:

Στατιστικός προγραμματισμός: Δρ. Το οπλοστάσιο Lall περιλαμβάνει πολυεπίπεδα ιεραρχικά Bayesian μοντέλα, φασματικές αναλύσεις πολλαπλών επιπέδων, copulas, αυτόματους μετατοπιστικούς μέσους Wavelet (WARMs), αυτόματους μετακινούμενους μέσους όρους (ARMA) και προσομοιώσεις Monte Carlo. Μαθηματικός προγραμματισμός:

Τα εργαλεία περιλαμβάνουν γραμμική και μη γραμμική μείωση διάστασης, wavelets ανάλυση, μεθόδους τομέα συχνοτήτων και μη ομοιογενή κρυμμένα μοντέλα Markov.

• Ανάλυση ομαδοποίησης: Σε αυτή την περίπτωση, ο Dr. Lall βασίζεται στις δοκιμασμένες και πραγματικές μεθόδους, συμπεριλαμβανομένης της k-πλησιέστερης γειτονιάς, της πυκνότητας του πυρήνα και της εκτίμησης πυκνότητας logspline.
• Εκμάθηση μηχανών: Εδώ, ο Δρ Lall επικεντρώνεται στην ενσωμάτωση ελάχιστης διακύμανσης.