Miljö datavetenskap - naturresurser - dummies

Du kan använda datavetenskap för att modellera naturresurser i sin råform. Denna typ av miljövetenskap innefattar generellt lite avancerad statistisk modellering för att bättre förstå naturresurser. Du modellerar resurserna i råa - vatten, luft och markförhållanden som de förekommer i naturen - för att bättre förstå naturens ekologiska effekter på människans liv.

Utforska naturresursmodellering

Miljödatateknik kan modellera naturresurser i råvaran så att du bättre kan förstå miljöprocesser för att förstå hur dessa processer påverkar livet på jorden. När miljöprocesser är tydliga förstå, då och då då kan miljöingenjörer gå in på att designa system för att lösa problem som dessa naturliga processer kan skapa. Följande lista beskriver de typer av naturresursfrågor som miljöinformatik kan modellera och förutsäga:

• Vattenproblem: Regnhastigheter, geohydrologiska mönster, grundvattenflöden och koncentrationer av grundvatten toxin
• Luftproblem: Koncentrationen och dispersionen av partiklar och växthusgaskoncentrationer
• Markproblem: Jordföroreningar och geomorfologi samt geofysik, mineralutforskning och olje- och gasutforskning

Om ditt mål är att bygga en prediktiv modell som du kan använda för att bättre förstå naturliga miljöprocesser, kan du använda naturresursmodellering för att hjälpa dig. Förvänta dig inte att naturresursmodellering är lätt. Statistiken som går in på dessa typer av modeller kan vara oerhört komplex.

Dabbling i datavetenskap

Eftersom miljöprocesser och system involverar många olika ömsesidiga beroende variabler kräver mest naturresursmodeller användning av otroligt komplexa statistiska algoritmer. Följande lista visar några delar av datavetenskap som vanligtvis används i naturresursmodellering:

• Statistik, matematik och maskininlärning: Bayesian inferens, multilevel hierarkisk Bayesian inferens, multitapelspektralanalys, copulas, Wavelet Autoregressive Metod (WARM), autoregressiva rörliga medelvärden (ARMA), Monte Carlo-simuleringar, strukturerade additivregression (STAR) -modeller, regression på orderstatistik (ROS), maximala sannolikhetsestimeringar (EM), linjär och icke-linjär dimension reduktion, waveletsanalys, frekvensdomänmetoder, Markov-kedjor, k-närmaste granne (kNN), kärntäthet och logsplintdensitetsuppskattning, bland andra metoder
• Rumslig statistik: Generellt är något som probabilistisk kartläggning
• Data visualisering: Som i andra datavetenskapsområden som behövs för undersökande analyser och för att kommunicera fynd med andra
• Webskrapning: Många gånger krävs när data samlas in r miljömodeller
• GIS-teknik: Spatialanalys och kartläggning
• Kodkrav: Använda Python, R, SPSS, SAS, MATLAB, Fortran och SQL, bland annat programmeringsspråk

Modellering naturligt resurser för att lösa miljöproblem

Columbia Water Centers regissörs arbete, Dr.Upmanu Lall, ger ett världsklassexempel på att använda miljövetenskap för att lösa otroligt komplexa vattenresursproblem. Dr. Lall använder avancerad statistik, matematik, kodning och en överdriven ämnesexpertise inom miljöteknik för att avslöja komplexa, ömsesidiga relationer mellan globala vattenresursegenskaper, nationella bruttonationalprodukter (BNP), fattigdom och nationella energikonsumtionsnivåer.

I en av Dr. Lalls senaste projekt fann han att i länder med hög regnskift - länder som upplever extremt torka följt av massiv översvämning - instabiliteten leder till brist på stabila vattenresurser för jordbruket utveckling, mer avrinning och erosion och övergripande minskningar i den nations BNP. Omvänden är också sant, där länder med stabila, måttliga nedgångshastigheter har bättre tillgång till vattenresurs för jordbruksutveckling, bättre miljöförhållanden totalt sett och högre genomsnittliga BNP. Så, med hjälp av miljödatavetenskap har Dr. Lall kunnat dra starka samband mellan en nations nedgångstendenser och fattigdomsgraden.

Med avseende på datavetenskapsteknologier och -metoder implementerar Dr. Lall dessa verktyg:

• Statistisk programmering: Dr. Lalls arsenal inkluderar multilevel hierarkiska bayesiska modeller, multitapelspektralanalys, copulas, Wavelet Autoregressive Moving Averages (WARMs), Autoregressive Moving Averages (ARMA) och Monte Carlo-simuleringar.
• Matematisk programmering: Verktyg här inkluderar linjär och olinjär dimensionreduktion, waveletsanalys, frekvensdomänmetoder och nonhomogena dolda Markov-modeller.
• Clusteringanalys: I detta fall lita Dr. Lall på de provade och sanna metoderna, inklusive k-närmaste granne, kärntäthet och logsplintdensitetsberäkning.
• Maskininlärning: Här fokuserar Dr. Lall på inbyggnad av minsta varians.