Sciences de l'information - ressources naturelles - nuls

Vous pouvez utiliser la science des données pour modéliser les ressources naturelles sous leur forme brute. Ce type de science des données environnementales implique généralement une modélisation statistique avancée pour mieux comprendre les ressources naturelles. Vous modélisez les ressources dans les conditions brutes de l'eau, de l'air et du sol telles qu'elles se présentent dans la nature - pour mieux comprendre les effets organiques de l'environnement naturel sur la vie humaine.

Explorer la modélisation des ressources naturelles

La science des données environnementales peut modéliser les ressources naturelles à l'état brut afin que vous puissiez mieux comprendre les processus environnementaux afin de comprendre comment ces processus affectent la vie sur Terre. Une fois que les processus environnementaux sont clairement compris, alors et seulement alors, les ingénieurs environnementaux peuvent intervenir dans la conception de systèmes pour résoudre les problèmes que ces processus naturels peuvent créer. La liste suivante décrit les types de problèmes de ressources naturelles que la science des données environnementales peut modéliser et prévoir:

• Problèmes d'eau: Taux de précipitations, profils géohydrologiques, débit des eaux souterraines et concentrations de toxines dans les eaux souterraines
• Problèmes atmosphériques: Concentration et dispersion des concentrations de particules et de gaz à effet de serre
• Problèmes fonciers: Migration des contaminants du sol et géomorphologie ainsi que géophysique, exploration minérale et exploration pétrolière et gazière

Si votre objectif est de construire un modèle prédictif que vous pouvez utiliser pour vous aider à mieux comprendre les processus environnementaux naturels, vous pouvez utiliser la modélisation des ressources naturelles pour vous aider. Ne vous attendez pas à ce que la modélisation des ressources naturelles soit facile. Les statistiques qui entrent dans ces types de modèles peuvent être incroyablement complexes.

Naviguer dans la science des données

Parce que les processus et systèmes environnementaux impliquent de nombreuses variables interdépendantes, la plupart des modèles de ressources naturelles nécessitent l'utilisation d'algorithmes statistiques incroyablement complexes. La liste suivante montre quelques éléments de la science des données couramment utilisés dans la modélisation des ressources naturelles:

• Statistiques, mathématiques et apprentissage automatique: inférence bayésienne, inférence bayésienne hiérarchique multiniveaux, analyse spectrale multitaper, copules, autorégressive d'ondelettes Méthode (WARM), moyennes mobiles autorégressives (ARMA), simulations de Monte Carlo, modèles de régression additive structurée (STAR), régressions sur les statistiques d'ordre (ROS), estimations du maximum de vraisemblance, maximisation de l'espérance, dimension linéaire et non linéaire réduction, analyse des ondelettes, méthodes de domaine fréquentiel, chaînes de Markov, k-plus proche voisin (kNN), densité de noyau et estimation de densité de troncs, entre autres méthodes
• Statistiques spatiales: Généralement quelque chose comme la cartographie probabiliste
• visualisation: Comme dans d'autres domaines de la science des données, nécessaires à l'analyse exploratoire et à la communication des résultats avec d'autres
• Web-grattage: Plusieurs fois, requis pour r modèles environnementaux
• Technologie SIG: Analyse spatiale et cartographie
• Exigences de codage: Utilisation de Python, R, SPSS, SAS, MATLAB, Fortran et SQL, entre autres langages de programmation

Modélisation naturelle ressources pour résoudre les problèmes environnementaux

Le travail du directeur de Columbia Water Centre, Dr.Upmanu Lall, fournit un exemple mondial d'utilisation de la science des données environnementales pour résoudre des problèmes de ressources en eau incroyablement complexes. M. Lall utilise des statistiques avancées, les mathématiques, le codage et une vaste expertise en génie de l'environnement pour découvrir des relations complexes et interdépendantes entre les caractéristiques mondiales des ressources en eau, les produits intérieurs bruts (PIB), la pauvreté et la consommation énergétique nationale.

Dans un des projets récents du Dr Lall, il a constaté que dans les pays où la variabilité des précipitations est élevée - des pays qui connaissent des sécheresses extrêmes suivies d'inondations massives - l'instabilité entraîne un manque de ressources hydriques stables pour l'agriculture. développement, plus de ruissellement et d'érosion, et des baisses globales du PIB de ce pays. L'inverse est également vrai, où les pays qui ont des taux de précipitations stables et modérés ont un meilleur approvisionnement en eau pour le développement agricole, de meilleures conditions environnementales globales et des PIB moyens plus élevés. Ainsi, en utilisant la science des données environnementales, le Dr Lall a pu établir de fortes corrélations entre les tendances des précipitations d'une nation et ses taux de pauvreté. En ce qui concerne les technologies et les méthodologies de la science des données, M. Lall met en œuvre ces outils:

Programmation statistique:

• Dr. L'arsenal de Lall comprend des modèles bayésiens hiérarchiques à plusieurs niveaux, des analyses spectrales multitouches, des copules, des moyennes mobiles autorégressives en ondelettes (WARM), des moyennes mobiles autorégressives (ARMA) et des simulations de Monte Carlo. Programmation mathématique:
• Les outils utilisés ici incluent la réduction de dimension linéaire et non linéaire, l'analyse des ondelettes, les méthodes de domaine fréquentiel et les modèles de Markov cachés non homogènes. Analyse de regroupement:
• Dans ce cas, M. Lall se fonde sur les méthodes éprouvées, y compris le k voisin le plus proche, la densité du noyau et l'estimation de la densité de la nappe. Apprentissage automatique:
• Ici, le Dr Lall se concentre sur l'intégration de la variance minimale.