En utilisant les statistiques spatiales pour prévoir la variation environnementale dans l'espace - les nuls

De par leur nature même, les variables environnementales dépendent de la localisation: elles changent en fonction des changements de localisation géospatiale. Le but de la modélisation des variables environnementales avec des statistiques spatiales est de permettre des prédictions spatiales précises afin que vous puissiez utiliser ces prédictions pour résoudre des problèmes liés à l'environnement.

La statistique spatiale se distingue de la modélisation des ressources naturelles car elle se concentre sur la prédiction de la manière dont les changements dans l'espace affectent les phénomènes environnementaux. Naturellement, la variable de temps est également considérée, mais les statistiques spatiales consistent à utiliser des statistiques pour modéliser le fonctionnement interne du phénomène spatial. La différence est dans la manière d'aborder.

Aborder les problèmes environnementaux avec l'analyse prédictive spatiale

Vous pouvez utiliser les statistiques spatiales pour modéliser les variables environnementales dans l'espace et dans le temps afin de pouvoir prévoir les variations des variables environnementales dans l'espace. La liste suivante décrit les types de problèmes environnementaux que vous pouvez modéliser et prédire en utilisant la modélisation statistique spatiale:

• Épidémiologie et santé humaine: Schémas et distributions des maladies
• Météorologie: Phénomène météorologique
• Incendie science: La propagation d'un feu (en canalisant votre Smokey l'ours intérieur!)
• Hydraulique: Conductivité aquifère
• Ecologie: Répartition des microorganismes dans un fond de lac sédimentaire

Si votre objectif est de construire un modèle que vous pouvez utiliser pour prédire comment le changement dans l'espace affectera les variables environnementales, vous pouvez utiliser des statistiques spatiales pour vous aider à le faire.

Décrire la science des données impliquée

Comme les statistiques spatiales impliquent la modélisation des paramètres x, y et z qui comprennent les ensembles de données spatiales, les statistiques impliquées peuvent devenir plutôt intéressantes et inhabituelles. La statistique spatiale est, plus ou moins, un mariage d'analyse spatiale SIG et d'analyse prédictive avancée. La liste suivante décrit quelques processus de science des données qui sont couramment déployés lors de l'utilisation de statistiques pour construire des modèles spatiaux prédictifs:

• Statistiques spatiales: Les statistiques spatiales impliquent souvent le krige et le krigeage, ainsi que l'analyse des variogrammes. Les termes "kriging" et "krige" dénotent des choses différentes. Les méthodes de krigeage sont un ensemble d'algorithmes d'estimation statistique qui ajustent en courbe les données ponctuelles connues et produisent une surface prédictive pour l'ensemble d'une zone d'étude. Krige représente une implémentation automatique des algorithmes de krigeage, où vous utilisez des paramètres par défaut simples pour vous aider à générer des surfaces prédictives. Un variogramme est un outil statistique qui mesure la façon dont les différentes données spatiales deviennent à mesure que la distance entre les points de données augmente. Le variogramme est une mesure de "dissimilarité spatiale". Quand vous krige, vous utilisez des modèles de variogrammes avec des paramètres définis en interne pour générer des surfaces interpolatives prédictives.
• Programmation statistique: Celle-ci implique des distributions de probabilités, des analyses de séries temporelles, des analyses de régression et des simulations de Monte Carlo, entre autres processus.
• Analyse de regroupement: Les processus peuvent inclure des algorithmes de plus proches voisins, des regroupements de k-moyennes ou des estimations de densité de noyau.
• Technologie SIG: La technologie SIG apparaît beaucoup dans ce chapitre, mais il faut s'y attendre car ses offres d'analyse spatiale et de création de cartes sont incroyablement flexibles.
• Exigences de codage: La programmation d'un projet de statistiques spatiales pourrait impliquer l'utilisation de R, SPSS, SAS, MATLAB et SQL, entre autres langages de programmation.

Aborder les questions environnementales avec des statistiques spatiales

Un bel exemple d'utilisation de statistiques spatiales pour générer des prédictions pour des variables environnementales dépendantes de la localisation peut être vu dans les récents travaux du Dr Pierre Goovaerts. Le Dr Goovaerts utilise des statistiques avancées, le codage et son expertise en génie agricole, en science du sol et en épidémiologie pour établir des corrélations entre les schémas spatiaux de maladies, la mortalité, l'exposition aux toxines environnementales et les données sociodémographiques.

Dans l'un des projets récents de M. Goovaerts, il a utilisé des statistiques spatiales pour modéliser et analyser des données sur les concentrations d'arsenic, l'emplacement, les propriétés géologiques, les conditions météorologiques, la topographie et la couverture terrestre. Grâce à ses récentes études sur la science des données environnementales, il a découvert que l'incidence des cancers de la vessie, du sein et de la prostate est spatialement corrélée à l'exposition à long terme à l'arsenic.

En ce qui concerne les technologies et les méthodologies de la science des données, M. Goovaerts met généralement en œuvre ce qui suit:

• Programmation statistique spatiale: Une fois de plus, l'analyse du krigeage et du variogramme vient en tête.
• Programmation statistique: La régression par les moindres carrés et Monte Carlo (méthode de simulation aléatoire) sont au cœur du travail du Dr Goovaerts.
• Technologies SIG: Si vous voulez des fonctionnalités de création de cartes et d'analyse de données spatiales, vous aurez besoin de technologies SIG.