Ved hjelp av romlig statistikk for å forutsi for miljøvariasjon over rom - dummier

Miljøvariabler er av sin natur lokalitetsavhengige: De endres med endringer i geospatial plassering. Formålet med å modellere miljøvariabler med romlig statistikk er å muliggjøre nøyaktige romlige spådommer slik at du kan bruke disse spådommene for å løse miljøproblemer.

Spatial statistikk skiller seg fra naturressursmodellering fordi den fokuserer på å forutse hvordan endringer i rommet påvirker miljøfenomenet. Naturligvis vurderes tidsvariabelen også, men romlig statistikk handler om å bruke statistikk til å modellere det indre arbeidet med romlig fenomen. Forskjellen er i form av tilnærming.

Adressering av miljøproblemer med romlig prediktiv analyse

Du kan bruke romlig statistikk til å modellere miljøvariabler over tid og rom slik at du kan forutsi endringer i miljøvariabler over hele rommet. Følgende liste beskriver hvilke miljøproblemer du kan modellere og forutse ved hjelp av romlig statistisk modellering:

• Epidemiologi og miljøhelse: Sykdomsmønstre og fordelinger
• Meteorologi: Værfølge
• Brann Vitenskap: Spredningen av en brann (ved å kanalisere din indre Smokey the Bear!)
• Hydraulikk: Aquifer ledningsevne
• Økologi: Fordeling av mikroorganismer over en sedimentær sjøbunn

Hvis målet ditt er å bygge en modell som du kan bruke til å forutsi hvordan endring i plass vil påvirke miljøvariabler, kan du bruke romlig statistikk for å hjelpe deg med å gjøre dette.

Beskriv datavitenskapen som er involvert

Fordi romlig statistikk innebærer modellering av x-, y-, z-parametrene som omfatter romlige datasett, kan statistikken involvert bli ganske interessant og uvanlig. Romlig statistikk er, mer eller mindre, et ekteskap av GIS romlig analyse og avansert prediktiv analyse. Følgende liste beskriver noen datavitenskapsprosesser som ofte brukes ved bruk av statistikk for å bygge prediktive romlige modeller:

• Romlig statistikk: Romlig statistikk involverer ofte krige og kriging, samt variogramanalyse. Begrepene "kriging" og "krige" angir forskjellige ting. Kriging metoder er et sett med statistiske estimeringsalgoritmer som kurvepasser kjente punktdata og produserer en prediktiv overflate for et helt studieområde. Krige representerer en automatisk implementering av krigingalgoritmer, der du bruker enkle standardparametere som hjelper deg med å generere prediktive overflater. Et variogram er et statistisk verktøy som måler hvordan forskjellige geografiske data blir når avstanden mellom datapunkter øker. Variogrammet er et mål for "romlig ulikhet". Når du krige, bruker du variogrammodeller med internt definerte parametere for å generere interpolative, prediktive overflater.
• Statistisk programmering: Dette inkluderer sannsynlighetsfordelinger, tidsserieanalyser, regresjonsanalyser og Monte Carlo-simuleringer, blant annet prosesser.
• Clustering analyse: Prosesser kan inkludere nærmeste nabo algoritmer, k-betyr clustering eller kjerne tetthet estimater.
• GIS-teknologi: GIS-teknologien dukker opp mye i dette kapittelet, men det kan forventes, fordi det er utrolig fleksibelt å bruke romsanalyse og kartlegging.
• Kodingskrav: Programmering for et romlig statistikkprosjekt kan medføre bruk av R, SPSS, SAS, MATLAB og SQL, blant annet programmeringsspråk.

Adressering av miljøspørsmål med romlig statistikk

Et godt eksempel på bruk av romlig statistikk for å generere spådommer for lokasjonsavhengige miljøvariabler kan ses i dr. Pierre Goovaerts 'nylige arbeid. Dr. Goovaerts bruker avansert statistikk, koding og hans autoritative fagkompetanse innen landbruksteknologi, jordfag og epidemiologi for å avdekke sammenhenger mellom romlig sykdomsmønster, dødelighet, eksponering for miljøgifter og samfunnsmessige sykdommer.

I en av Dr. Goovaerts siste prosjekter brukte han romlig statistikk til å modellere og analysere data om grunnvannets arsenskonsentrasjoner, plassering, geologiske egenskaper, værmønstre, topografi og landdekning. Gjennom sine nyere miljøvitenskapelige studier, oppdaget han at forekomsten av blære-, bryst- og prostatakreft er romlig korrelert med langsiktig arseneksponering.

Med hensyn til datavitenskapsteknologier og metoder, implementerer Dr. Goovaerts ofte følgende:

• Spatial statistisk programmering: Nok en gang, kriging og variogramanalyse topplisten.
• Statistisk programmering: Minste kvadratregressjon og Monte Carlo (en tilfeldig simuleringsmetode) er sentral for Dr. Goovaerts arbeid.
• GIS-teknologier: Hvis du vil ha kartlagringsfunksjonalitet og geografiske dataanalysemetoder, trenger du GIS-teknologier.