Ved hjælp af rumlig statistik til at forudsige for miljøvariation over rummet - dummies

I deres natur er miljøvariablerne lokalitetsafhængige: De ændrer sig med ændringer i geospatial placering. Formålet med at modellere miljøvariabler med rumlig statistik er at muliggøre nøjagtige rumlige forudsigelser, så du kan bruge disse forudsigelser til at løse problemer relateret til miljøet.

Rumlig statistik skelnes fra naturressourcemodellering, fordi den fokuserer på at forudsige, hvordan ændringer i rummet påvirker miljøfænomenet. Naturligvis betragtes tidsvariablen også godt, men rumlig statistik handler om at bruge statistikker til at modellere rumlige fænomeners indre virkninger. Forskellen er i form af tilgang.

Adressering af miljøproblemer med rumlig forudsigende analyse

Du kan bruge rumlig statistik til at modellere miljøvariabler på tværs af rum og tid, så du kan forudsige ændringer i miljøvariabler på tværs af rummet. Følgende liste beskriver de typer miljøproblemer, som du kan modellere og forudsige ved hjælp af rumlig statistisk modellering:

• Epidemiologi og miljøhelse: Sygdomsmønstre og -fordelinger
• Meteorologi: Vejrfænomen
• Brand videnskab: Spredning af en ild (ved at kanalisere din indre Smokey Bear!)
• Hydraulik: Aquifer ledningsevne
• Økologi: Fordeling af mikroorganismer over en sedimentær søbund

Hvis dit mål er at opbygge en model, som du kan bruge til at forudsige, hvordan ændringer i rummet påvirker miljøvariablerne, kan du bruge rumlig statistik til at hjælpe dig med at gøre dette.

Beskriv datavidenskaben, der er involveret

Eftersom rumlig statistik involverer modellering af x-, y-, z-parametre, der omfatter rumlige datasæt, kan de involverede statistikker blive ret interessante og usædvanlige. Rumlig statistik er mere eller mindre et ægteskab af GIS rumlig analyse og avanceret predictive analytics. Følgende liste beskriver nogle datavidenskabsprocesser, der almindeligvis anvendes ved brug af statistikker til at opbygge prædiktive rumlige modeller:

• Rumlig statistik: Rumlig statistik involverer ofte krige og kriging, samt variogramanalyse. Betegnelserne "kriging" og "krige" angiver forskellige ting. Kriging -metoder er et sæt statistiske estimeringsalgoritmer, der kurver-fit kendte punktdata og producerer en forudsigelig overflade for et helt studieområde. Krige repræsenterer en automatisk implementering af krigingalgoritmer, hvor du bruger enkle standardparametre til at hjælpe dig med at generere prædiktive overflader. Et variogram er et statistisk værktøj, der måler, hvordan forskellige rumlige data bliver, når afstanden mellem datapunkter stiger. Variogrammet er et mål for "rumlig ulighed". Når du krige, bruger du variogrammodeller med internt definerede parametre til at generere interpolative, prædiktive overflader.
• Statistisk programmering: Denne metode involverer sandsynlighedsfordeling, tidsserieanalyser, regressionsanalyser og Monte Carlo-simuleringer, blandt andre processer.
• Klyngningsanalyse: Processer kan omfatte nærmeste nabo algoritmer, k-midler clustering eller kerne tætheds estimeringer.
• GIS-teknologi: GIS-teknologien dukker op meget i dette kapitel, men det kan forventes, fordi dets rumlige analyse og kortlægningstilbud er utroligt fleksible.
• Kodningskrav: Programmering til et rumlig statistikprojekt kan indebære brugen af ​​R, SPSS, SAS, MATLAB og SQL, blandt andet programmeringssprog.

Adressering af miljøspørgsmål med rumlig statistik

Et godt eksempel på anvendelse af rumlig statistik til frembringelse af forudsigelser for lokalitetsafhængige miljøvariabler kan ses i Dr. Pierre Goovaerts 'nylige arbejde. Dr. Goovaerts anvender avanceret statistik, kodning og hans autoritative fagkundskaber inden for landbrugsteknologi, jordvidenskab og epidemiologi for at afdække sammenhæng mellem rumlige sygdomsmønstre, dødelighed, eksponering af miljøgift og sociodemografi.

I et af Dr. Goovaerts seneste projekter anvendte han rumlige statistikker til at modellere og analysere data om arsenkoncentrationer i grundvand, beliggenhed, geologiske egenskaber, vejrmønstre, topografi og jorddække. Gennem sine seneste miljødidaktikstudier opdagede han, at forekomsten af ​​blære-, bryst- og prostatacancer er rumligt korreleret med langvarig arseneksponering.

Med hensyn til datavidenskabsteknologier og -metoder implementerer Dr. Goovaerts almindeligvis følgende:

• Rumlig statistisk programmering: Endnu en gang går kriging og variogramanalyse øverst på listen.
• Statistisk programmering: Mindste kvadratregression og Monte Carlo (en tilfældig simuleringsmetode) er centrale for Dr. Goovaerts arbejde.
• GIS-teknologier: Hvis du vil have kortlægningsfunktionalitet og rumlige dataanalysemetoder, skal du bruge GIS-teknologier.