Mit räumlichen Statistiken zur Vorhersage von Umweltvariationen über Raum hinweg - Dummies

Umweltvariablen sind naturgemäß ortsabhängig: Sie ändern sich mit Änderungen der geografischen Lage. Der Zweck der Modellierung von Umgebungsvariablen mit räumlichen Statistiken besteht darin, genaue räumliche Vorhersagen zu ermöglichen, sodass Sie diese Vorhersagen verwenden können, um Probleme im Zusammenhang mit der Umgebung zu lösen.

Die räumliche Statistik unterscheidet sich von der Modellierung natürlicher Ressourcen, da sie sich auf die Vorhersage konzentriert, wie sich Raumänderungen auf das Umweltphänomen auswirken. Natürlich wird auch die Zeitvariable berücksichtigt, bei der räumlichen Statistik geht es jedoch um die Verwendung von Statistiken zur Modellierung der inneren Funktionsweise räumlicher Phänomene. Der Unterschied liegt in der Art der Annäherung.

Beheben von Umweltproblemen mit räumlichen Vorhersageanalysen

Sie können räumliche Statistiken verwenden, um Umgebungsvariablen über Raum und Zeit hinweg zu modellieren, damit Sie Änderungen von Umgebungsvariablen im gesamten Raum vorhersagen können. Die folgende Liste beschreibt die Arten von Umweltproblemen, die Sie mithilfe der räumlichen statistischen Modellierung modellieren und vorhersagen können:

• Epidemiologie und menschliche Umweltgesundheit: Krankheitsmuster und -verteilungen
• Meteorologie: Wetterphänomen
• Feuer Wissenschaft: Die Ausbreitung eines Feuers (durch Channeling Ihres inneren Smokey the Bear!)
• Hydraulik: Leitfähigkeit des Aquifers
• Ökologie: Verbreitung des Mikroorganismus über einen Sedimentsee

Wenn Sie ein Modell erstellen möchten, mit dem Sie vorhersagen können, wie sich Änderungen im Raum auf Umgebungsvariablen auswirken, können Sie die räumliche Statistik verwenden, um dies zu erleichtern.

Beschreiben der betroffenen Datenwissenschaft

Da die räumliche Statistik die Modellierung der x-, y-, z-Parameter umfasst, die räumliche Datensätze umfassen, können die betreffenden Statistiken ziemlich interessant und ungewöhnlich werden. Räumliche Statistiken sind mehr oder weniger eine Mischung aus GIS-Raumanalyse und fortgeschrittener Vorhersageanalyse. In der folgenden Liste werden einige Data-Science-Prozesse beschrieben, die häufig verwendet werden, wenn statistische Daten verwendet werden, um vorausschauende räumliche Modelle zu erstellen:

• Raumstatistik: Die Raumstatistik beinhaltet häufig Krige und Kriging sowie Variogrammanalysen. Die Begriffe "Kriging" und "Krige" bezeichnen verschiedene Dinge. Kriging -Methoden sind eine Reihe von statistischen Schätzalgorithmen, die bekannte Punktdaten anpassen und eine Vorhersagefläche für ein gesamtes Untersuchungsgebiet erzeugen. Krige stellt eine automatische Implementierung von Kriging-Algorithmen dar, bei der Sie einfache Standardparameter verwenden, um Ihnen die Erstellung von Vorhersageoberflächen zu erleichtern. Ein -Variogramm ist ein statistisches Werkzeug, das misst, wie unterschiedliche räumliche Daten werden, wenn der Abstand zwischen Datenpunkten zunimmt. Das Variogramm ist ein Maß für "räumliche Unähnlichkeit". Wenn Sie krige, verwenden Sie Variogrammmodelle mit intern definierten Parametern, um interpolative, prädiktive Oberflächen zu erzeugen.
• Statistische Programmierung: Diese beinhaltet unter anderem Wahrscheinlichkeitsverteilungen, Zeitreihenanalysen, Regressionsanalysen und Monte-Carlo-Simulationen.
• Clustering-Analyse: Prozesse können Nearest-Neighbor-Algorithmen, K-Means-Clustering oder Kernel-Dichte-Schätzungen umfassen.
• GIS-Technologie: In diesem Kapitel taucht eine GIS-Technologie auf, aber das ist zu erwarten, da ihre räumlichen Analyse- und Kartenerstellungsoptionen unglaublich flexibel sind.
• Kodierungsanforderungen: Die Programmierung für ein räumliches Statistikprojekt kann unter anderem die Verwendung von R, SPSS, SAS, MATLAB und SQL mit sich bringen.

Behandlung von Umweltproblemen mit räumlichen Statistiken

Ein großartiges Beispiel für die Verwendung von räumlichen Statistiken zur Generierung von Vorhersagen für standortabhängige Umgebungsvariablen zeigt die aktuelle Arbeit von Dr. Pierre Goovaerts. Dr. Goovaerts verwendet fortgeschrittene Statistiken, Kodierung und seine maßgebliche Fachkompetenz in der Landtechnik, Bodenkunde und Epidemiologie, um Zusammenhänge zwischen räumlichen Krankheitsbildern, Mortalität, Umweltgiftbelastung und Soziodemografie aufzudecken.

In einem der jüngsten Projekte von Dr. Goovaerts nutzte er räumliche Statistiken, um Daten zu Grundwasser-Arsenkonzentrationen, Standort, geologischen Eigenschaften, Wettermustern, Topographie und Bodenbedeckung zu modellieren und zu analysieren. Durch seine jüngsten wissenschaftlichen Studien über Umweltdaten entdeckte er, dass die Inzidenz von Blasen-, Brust- und Prostatakrebs räumlich mit der Langzeit-Arsen-Exposition korreliert.

In Bezug auf Datenwissenschaftstechnologien und -methoden implementiert Dr. Goovaerts üblicherweise Folgendes:

• Räumliche statistische Programmierung: Erneut stehen die Kriging- und die Variogrammanalyse ganz oben auf der Liste.
• Statistische Programmierung: Die Regression der kleinsten Quadrate und Monte Carlo (eine zufällige Simulationsmethode) stehen im Mittelpunkt der Arbeit von Dr. Goovaerts.
• GIS-Technologien: Wenn Sie Kartenerstellungsfunktionen und räumliche Datenanalysemethoden benötigen, benötigen Sie GIS-Technologien.