Med hjälp av rumslig statistik för att förutspå för miljövariationen över rymden - dummies

Enligt sin natur är miljövariablerna lokaliseringsberoende: De förändras med förändringar i geospatial plats. Syftet med att modellera miljövariabler med rumslig statistik är att möjliggöra exakta spatiala förutsägelser så att du kan använda dessa förutsägelser för att lösa problem som är relaterade till miljön.

Spatial statistik skiljer sig från naturresursmodellering eftersom den fokuserar på att förutsäga hur förändringar i rymden påverkar miljöfenomenet. Naturligtvis ses tidsvarianten också, men rumsstatistik handlar om att använda statistik för att modellera det inre arbetet med rumsligt fenomen. Skillnaden är i sättet att närma sig.

Adressering av miljöfrågor med spatial predictive analytics

Du kan använda rumslig statistik för att modellera miljövariabler över rymden och tiden så att du kan förutsäga förändringar i miljövariabler över rymden. Följande lista beskriver de typer av miljöfrågor som du kan modellera och förutsäga med hjälp av rumslig statistisk modellering:

Epidemiologi och miljöhälsa: Sjukdomsmönster och fördelningar
Meteorologi: Väderfenomen
Brand vetenskap: Spridningen av en eld (genom att kanalisera din inre Smokey Bear!)
Hydraulik: Vattenledarledningsförmåga
Ekologi: Distribution av mikroorganismer över en sedimentär sjöbottna

Om ditt mål är att bygga en modell som du kan använda för att förutse hur förändring i rymden påverkar miljövariablerna, kan du använda rumslig statistik för att hjälpa dig att göra det här.

Beskrivande datavetenskap som är inblandad

Eftersom den rumsliga statistiken innefattar modellering av x-, y-, z-parametrarna som omfattar rumsliga dataset kan den berörda statistiken bli ganska intressant och ovanlig. Rumslig statistik är mer eller mindre ett äktenskap med GIS-rumsanalys och avancerad prediktiv analys. Följande lista beskriver några datavetenskapsprocesser som vanligtvis används vid användning av statistik för att bygga förutsägda rumsliga modeller:

Rumslig statistik: Rumsstatistik innefattar ofta krige och kriging, samt variogramanalys. Begreppen "kriging" och "krige" betecknar olika saker. Kriging -metoderna är en uppsättning statistiska estimeringsalgoritmer som kurvpassar känd punktdata och ger en förutsägbar yta för ett helt studieområde. Krige representerar ett automatiskt genomförande av krigingalgoritmer, där du använder enkla standardparametrar som hjälper dig att skapa förutsägda ytor. Ett variogram är ett statistiskt verktyg som mäter hur olika rumsliga data blir när avståndet mellan datapunkter ökar. Variogrammet är ett mått på "rumslig olikhet". När du krige använder du variogrammodeller med internt definierade parametrar för att generera interpolativa, prediktiva ytor.
Statistisk programmering: Den här innefattar sannolikhetsfördelningar, tidsserieanalyser, regressionsanalyser och Monte Carlo-simuleringar, bland andra processer.
Klyvningsanalys: Processer kan innefatta närmaste grannalgoritmer, k-medelkluster eller kärntäthetsberäkningar.
GIS-teknik: GIS-tekniken dyker upp mycket i det här kapitlet, men det kan förväntas, eftersom dess rumsliga analyser och kartläggningserbjudanden är otroligt flexibla.
Kodningskrav: Programmering för ett rumsstatistikprojekt kan innebära att man använder R, SPSS, SAS, MATLAB och SQL, bland annat programmeringsspråk.

Adressering av miljöfrågor med rumslig statistik

Ett bra exempel på att använda rumslig statistik för att generera förutsägelser för platsberoende miljövariabler framgår av Dr Pierre Goovaerts nyligen arbetade arbete. Dr. Goovaerts använder avancerad statistik, kodning och hans auktoritativa ämnesexpertise inom jordbrukssteknik, markvetenskap och epidemiologi för att avslöja sambandet mellan rumsliga sjukdomsmönster, dödlighet, exponering för miljöexponering och sociodemografi.

I en av de senaste projekten av Dr. Goovaerts använde han rumslig statistik för att modellera och analysera data om arsenikoncentrationer i grundvatten, plats, geologiska egenskaper, vädermönster, topografi och markdäck. Genom sina senaste miljövetenskapliga studier upptäckte han att förekomsten av blås-, bröst- och prostatacancer är rymdrelaterad med långsiktigt arsenik exponering.

Med avseende på datavetenskapsteknologier och -metoder implementerar Dr. Goovaerts vanligtvis följande:

Spatial statistisk programmering: Återigen räknar kriging och variogramanalysen upp listan.
Statistisk programmering: Minsta kvadratregression och Monte Carlo (en slumpmässig simuleringsmetod) är centrala för Dr. Goovaerts arbete.
GIS-teknik: Om du vill ha karttillverkningsfunktionalitet och geografiska data analysmetoder, behöver du GIS-teknik.