Umwelt Data Science - Natürliche Ressourcen - Dummies

Sie können Data Science verwenden, um natürliche Ressourcen in ihrer Rohform zu modellieren… Diese Art von Umweltdatenwissenschaft beinhaltet im Allgemeinen fortgeschrittene statistische Modelle, um natürliche Ressourcen besser zu verstehen. Sie modellieren die Ressourcen in den rohen - Wasser-, Luft- und Landbedingungen, wie sie in der Natur vorkommen - um die organischen Auswirkungen der natürlichen Umgebung auf das menschliche Leben besser zu verstehen.

Erforschung der Modellierung natürlicher Ressourcen

Die Umweltdatenwissenschaft kann natürliche Ressourcen im Rohzustand modellieren, so dass Sie Umweltprozesse besser verstehen können, um zu verstehen, wie diese Prozesse das Leben auf der Erde beeinflussen. Nachdem Umweltprozesse klar verstanden sind, können Umweltingenieure dann und nur dann in Systeme eintauchen, um Probleme zu lösen, die diese natürlichen Prozesse erzeugen können. Die folgende Liste beschreibt die Arten von Naturressourcenproblemen, die von der Umweltdatenwissenschaft modelliert und vorhergesagt werden können:

• Wasserprobleme: Niederschlagsraten, geohydrologische Muster, Grundwasserströme und Grundwassergiftkonzentrationen
• Luftprobleme: Die Konzentration und Verteilung von Feinstaub und Treibhausgaskonzentrationen
• Landfragen: Bodenschadstoffmigration und Geomorphologie sowie Geophysik, Mineralexploration und Öl- und Gasexploration

Wenn Sie ein Vorhersagemodell erstellen möchten, mit dem Sie natürliche Umweltprozesse besser verstehen können, können Sie die Modellierung natürlicher Ressourcen nutzen. Erwarten Sie nicht, dass die Modellierung natürlicher Ressourcen einfach ist. Die Statistiken, die in diese Typen von Modellen eingehen, können unglaublich komplex sein.

In der Datenwissenschaft arbeiten

Da Umweltprozesse und -systeme viele verschiedene voneinander abhängige Variablen beinhalten, erfordert die meisten Naturressourcenmodellierung die Verwendung von unglaublich komplexen statistischen Algorithmen. Die folgende Liste zeigt einige Elemente der Datenwissenschaft, die häufig in der Naturressourcenmodellierung eingesetzt werden:

• Statistik, Mathematik und maschinelles Lernen: Bayesianische Inferenz, mehrstufige hierarchische Bayesian Inferenz, Multitaper-Spektralanalyse, Copulas, Wavelet Autoregressive Methode (WARM), Autoregressive Moving Averages (ARMAs), Monte-Carlo-Simulationen, STAR-Modelle (Structured Additive Regression), Regression auf Ordnungsstatistiken (ROS), Maximum-Likelihood-Schätzungen (MLEs), Erwartungsmaximierung (EM), lineare und nichtlineare Dimension Reduktion, Wavelets-Analyse, Frequenzbereich-Methoden, Markov-Ketten, k-nächster Nachbar (kNN), Kerndichte und loggeine Dichte-Schätzung, neben anderen Methoden
• Räumliche Statistik: Im Allgemeinen etwas wie probabilistische Mapping
• Visualisierung: Wie in anderen Bereichen der Datenwissenschaft, die für die explorative Analyse und für die Kommunikation von Ergebnissen mit anderen benötigt werden
• Web-Scraping: Häufig erforderlich, wenn Daten gesammelt werden r-Umweltmodelle
• GIS-Technologie: Räumliche Analyse und Kartenherstellung
• Codierungsanforderungen: Verwendung von Python, R, SPSS, SAS, MATLAB, Fortran und SQL und anderen Programmiersprachen

Ressourcen zur Lösung von Umweltproblemen

Die Arbeit des Direktors des Columbia Water Centers, Dr.Upmanu Lall ist ein Beispiel für den Einsatz von Umweltdaten, um unglaublich komplexe Wasserressourcenprobleme zu lösen. Dr. Lall verwendet fortgeschrittene Statistiken, Mathematik, Kodierung und eine atemberaubende Fachkompetenz in der Umwelttechnik, um komplexe, voneinander abhängige Beziehungen zwischen globalen Wasserressourcenmerkmalen, nationalen Bruttoinlandsprodukten (BIP), Armut und nationalen Energieverbrauchsraten aufzudecken.

In einem der jüngsten Projekte von Dr. Lall stellte er fest, dass in Ländern mit hoher Niederschlagsvariabilität - Länder mit extremen Dürren und massiven Überschwemmungen - die Instabilität zu einem Mangel an stabilen Wasserressourcen für die Landwirtschaft führt. Entwicklung, mehr Abfluss und Erosion und insgesamt Rückgänge im BIP dieser Nation. Die Umkehrung trifft auch zu, wo Länder mit stabilen, moderaten Niederschlagsraten eine bessere Wasserressourcenversorgung für die landwirtschaftliche Entwicklung, insgesamt bessere Umweltbedingungen und höhere durchschnittliche BIPs haben. So konnte Dr. Lall mithilfe von Umweltdaten-Wissenschaft starke Korrelationen zwischen den Regentendenzen eines Landes und seinen Armutsraten ziehen.

In Bezug auf Data-Science-Technologien und -Methoden implementiert Dr. Lall diese Tools:

• Statistische Programmierung: Dr. Zu Lalls Arsenal gehören mehrstufige hierarchische Bayes-Modelle, Multitaper-Spektralanalyse, Copulas, Wavelet Autoregressive Moving Averages (WARMs), Autoregressive Moving Averages (ARMAs) und Monte-Carlo-Simulationen.
• Mathematische Programmierung: Zu ​​den Tools gehören lineare und nichtlineare Dimensionsreduktion, Wavelets-Analyse, Frequenzbereich-Methoden und inhomogene Hidden-Markov-Modelle.
• Clustering-Analyse: In diesem Fall stützt sich Dr. Lall auf die bewährten Methoden, einschließlich k-Nächster-Nachbar, Kernel-Dichte und Log-Spline-Dichteschätzung.
• Maschinelles Lernen: Hier konzentriert sich Dr. Lall auf die minimale Varianz-Einbettung.