Ciência dos dados ambientais - Recursos naturais - manequins

Você pode usar ciência de dados para modelar os recursos naturais em sua forma bruta. Este tipo de ciência de dados ambientais geralmente envolve algum modelo estatístico avançado para entender melhor os recursos naturais. Você modela os recursos nas condições brutas - água, ar e terra, à medida que ocorrem na natureza - para entender melhor os efeitos orgânicos do ambiente natural na vida humana.

Explorando a modelagem de recursos naturais

A ciência dos dados ambientais pode modelar os recursos naturais no cru para que você possa entender melhor os processos ambientais, a fim de compreender como esses processos afetam a vida na Terra. Depois que os processos ambientais são claramente compreendidos, então, e somente então, os engenheiros ambientais podem intervir para projetar sistemas para resolver problemas que esses processos naturais podem estar criando. A lista a seguir descreve os tipos de problemas de recursos naturais que a ciência dos dados ambientais pode modelar e prever:

Questões de água: Taxas de precipitação, padrões geohydrologic, fluxos de águas subterrâneas e concentrações de toxinas subterrâneas
Problemas de ar: A concentração e dispersão de níveis de partículas e concentrações de gases de efeito estufa
Problemas de terras: Migração de contaminantes do solo e geomorfologia, bem como geofísica, exploração mineral e exploração de petróleo e gás

Se o seu objetivo é construir um modelo preditivo que você possa usar para ajudá-lo a entender melhor os processos ambientais naturais, você pode usar a modelagem de recursos naturais para ajudá-lo. Não é provável que a modelagem de recursos naturais seja fácil. As estatísticas que entram nesses tipos de modelos podem ser incrivelmente complexas.

Dabbling in data science

Como os processos e sistemas ambientais envolvem muitas variáveis interdependentes diferentes, a maioria dos modelos de recursos naturais requer o uso de algoritmos estatísticos incrivelmente complexos. A seguinte lista mostra alguns elementos da ciência dos dados que são comumente implantados na modelagem de recursos naturais:

Estatísticas, matemática e aprendizagem em máquina: Inferência bayesiana, inferência bayesiana hierárquica multinível, análise espectral de múltiplos escores, copulas, Wavelet Autoregressivo Método (WARM), Médias Móveis Autoregressivas (ARMA), simulações de Monte Carlo, modelos de regressão aditiva estruturada (STAR), regressão sobre estatísticas de pedidos (ROS), estimativas de máxima verossimilhança (MLEs), maximização de expectativa (EM), dimensão linear e não-linear redução, análise de wavelets, métodos de domínio de freqüência, cadeias de Markov, k-vizinho mais próximo (kNN), densidade de kernel e estimativa de densidade de logspline, entre outros métodos
Estatísticas espaciais: Geralmente, algo como mapeamento probabilístico
Dados visualização: Como em outras áreas de ciência de dados, necessárias para análise exploratória e para comunicar resultados com outros
Raspagem na Web: Muitas vezes, necessárias ao reunir dados para Modelos ambientais
Tecnologia SIG: Análise espacial e criação de mapas
Requisitos de codificação: Usando Python, R, SPSS, SAS, MATLAB, Fortran e SQL, entre outras linguagens de programação

Modelagem natural recursos para resolver problemas ambientais

O trabalho do diretor do Columbia Water Centre, Dr.Upmanu Lall, fornece um exemplo de classe mundial de uso de ciência de dados ambientais para resolver problemas de recursos hídricos incrivelmente complexos. O Dr. Lall usa estatísticas avançadas, matemática, codificação e uma experiência surpreendente em matéria de engenharia ambiental para descobrir relações complexas e interdependentes entre as características globais dos recursos hídricos, os produtos nacionais brutos nacionais (PIBs), a pobreza e as taxas nacionais de consumo de energia.

Em um dos projetos recentes do Dr. Lall, ele descobriu que em países com alta variabilidade de chuva - países que experimentam secas extremas seguidas de inundações maciças - a instabilidade resulta na falta de recursos hídricos estáveis para a agricultura desenvolvimento, mais escoamento e erosão, e diminuições globais no PIB desse país. O inverso também é verdade, onde os países com taxas de precipitação estáveis e moderadas possuem um melhor recurso de recursos hídricos para o desenvolvimento agrícola, melhores condições ambientais globais e maiores PIBs médios. Assim, usando a ciência ambiental de dados, o Dr. Lall conseguiu estabelecer fortes correlações entre as tendências da chuva de uma nação e suas taxas de pobreza.

Com relação às tecnologias e metodologias de ciência dos dados, o Dr. Lall implementa essas ferramentas:

Programação estatística: Dr. O arsenal de Lall inclui modelos Bayesianos hierárquicos de vários níveis, análise espectral de multitaperes, copulas, Médias Movimentais Autoregressivas Wavelet (WARMs), Médias Mover Autoregressivas (ARMAs) e simulações de Monte Carlo.
Programação matemática: As ferramentas aqui incluem redução de dimensão linear e não linear, análise de wavelets, métodos de domínio de freqüência e modelos de Markov ocultos não homogêneos.
Análise de agrupamento: Neste caso, o Dr. Lall baseia-se nos métodos experimentados e verdadeiros, incluindo o vizinho mais próximo, a densidade do kernel e a estimativa da densidade da logspline.
Aprendizado de máquina: Aqui, o Dr. Lall enfoca a incorporação de variância mínima.