Ilmu Pengetahuan Lingkungan - Sumber Daya Alam - dummies

Anda dapat menggunakan sains data untuk memodelkan sumber daya alam dalam bentuk mentahnya.. Jenis ilmu data lingkungan pada umumnya melibatkan beberapa pemodelan statistik lanjutan untuk lebih memahami sumber daya alam. Anda memodelkan sumber daya dalam kondisi mentah - air, udara, dan tanah saat terjadi di alam - untuk lebih memahami efek organik lingkungan alami pada kehidupan manusia.

Menjelajahi pemodelan sumber daya alam

Ilmu pengetahuan lingkungan dapat memodelkan sumber daya alam secara mentah sehingga Anda dapat lebih memahami proses lingkungan untuk memahami bagaimana proses tersebut mempengaruhi kehidupan di Bumi. Setelah proses lingkungan dipahami dengan jelas, maka hanya insinyur lingkungan yang bisa masuk untuk merancang sistem untuk memecahkan masalah yang mungkin diciptakan oleh proses alam ini. Daftar berikut ini menjelaskan jenis-jenis masalah sumber daya alam yang bisa dijadikan model dan data prediksi lingkungan:

• Masalah air: Tingkat curah hujan, pola geohidrologi, aliran air tanah, dan konsentrasi toksin air tanah
• Masalah udara: Konsentrasi dan penyebaran kadar bahan dan konsentrasi gas rumah kaca
• Masalah lahan: Migrasi dan migrasi geomorfologi tanah dan juga geofisika, eksplorasi mineral, dan eksplorasi minyak dan gas

Jika tujuan Anda adalah membangun model prediktif yang dapat Anda gunakan untuk membantu Anda memahami proses lingkungan dengan lebih baik, Anda dapat menggunakan pemodelan sumber daya alam untuk membantu Anda. Jangan berharap pemodelan sumber daya alam menjadi mudah. Statistik yang masuk ke jenis model ini bisa sangat kompleks.

Mengumpulkan ilmu data

Karena proses dan sistem lingkungan melibatkan banyak variabel saling bergantung, pemodelan sumber daya alam memerlukan penggunaan algoritma statistik yang sangat kompleks. Daftar berikut menunjukkan beberapa elemen ilmu data yang biasanya digunakan dalam pemodelan sumber daya alam:

• Statistik, matematika, dan pembelajaran mesin: Kesimpulan Bayesian, inferensi Bayesian bertingkat hirarki, analisis spektral multitaper, kopulas, Wavelet Autoregressive Metode (WARM), Autoregressive Moving Averages (ARMAs), simulasi Monte Carlo, model regresi aditif terstruktur (STAR), statistik regresi on order (ROS), estimasi likelihood maksimum (MLEs), harapan-maksimalisasi (EM), dimensi linier dan nonlinier reduksi, analisis wavelets, metode domain frekuensi, rantai Markov, k-tetangga terdekat (kNN), kerapatan kernel, dan perkiraan kepadatan logspline, antara metode lainnya
• Statistik spasial: Umumnya, seperti pemetaan probabilistik
• Data visualisasi: Seperti di bidang sains data lainnya, diperlukan untuk analisis eksplorasi dan untuk mengkomunikasikan temuan dengan orang lain
• Web-Scraping: Sering kali diperlukan saat mengumpulkan data untuk Model lingkungan r
• Teknologi SIG: Analisis spasial dan pembuatan peta
• Persyaratan pengodean: Menggunakan Python, R, SPSS, SAS, MATLAB, Fortran, dan SQL, antara bahasa pemrograman lainnya

Pemodelan alam sumber daya untuk memecahkan masalah lingkungan

Karya direktur Columbia Water Center, Dr.Upmanu Lall, menyediakan contoh kelas dunia untuk menggunakan ilmu pengetahuan lingkungan untuk memecahkan masalah sumber daya air yang sangat kompleks. Dr. Lall menggunakan statistik tingkat lanjut, matematika, pengkodean, dan keahlian subjek-materi yang mengejutkan dalam rekayasa lingkungan untuk mengungkap hubungan yang kompleks dan saling tergantung antara karakteristik sumber daya air global, produk domestik bruto (PDB), kemiskinan, dan tingkat konsumsi energi nasional.

Dalam salah satu proyek Dr. Lall yang baru-baru ini, dia menemukan bahwa di negara-negara dengan variabilitas curah hujan tinggi - negara-negara yang mengalami kekeringan ekstrim diikuti oleh banjir besar - ketidakstabilan mengakibatkan kurangnya sumber air yang stabil untuk pertanian pembangunan, lebih banyak limpasan dan erosi, dan penurunan secara keseluruhan dalam PDB negara tersebut. Kebalikannya juga benar, di mana negara-negara yang memiliki tingkat hujan yang stabil dan moderat memiliki pasokan sumber daya air yang lebih baik untuk pembangunan pertanian, kondisi lingkungan yang lebih baik secara keseluruhan, dan PDB rata-rata yang lebih tinggi. Jadi, dengan menggunakan ilmu data lingkungan, Dr. Lall telah berhasil menarik korelasi kuat antara tren curah hujan dan tingkat kemiskinannya.

Sehubungan dengan teknologi dan metodologi sains data, Dr. Lall menerapkan alat ini:

• Pemrograman statistik: Dr. Arsenal Lall mencakup model Bayesian bertingkat multilevel, analisis spektral multitaper, kopulas, wavelet Autoregressive Moving Averages (HANGAT), Autoregressive Moving Averages (ARMAs), dan simulasi Monte Carlo.
• Pemrograman matematis: Alat di sini mencakup pengurangan dimensi linier dan nonlinier, analisis wavelet, metode domain frekuensi, dan model Markov tersembunyi yang tidak berbahaya.
• Analisis Clustering: Dalam kasus ini, Dr. Lall mengandalkan metode yang benar dan benar, termasuk perkiraan k-terdekat, kepadatan kernel, dan estimasi kepadatan logspline.
• Mesin belajar: Di sini, Dr. Lall berfokus pada embedding varian minimum.