Das Learn ArcGIS<\/A>-Team freut sich, die Veröffentlichung einer neuen Learn-Lektion mit Daten zu Ecological Marine Units bekannt zu geben:<\/SPAN><\/P><\/P>Vorhersage von Seegraslebensräumen mit Machine Learning<\/A><\/STRONG><\/P>Seegräser sind ein wichtiger Verbündeter im Kampf gegen die globale Erwärmung – diese küstennahen Meerespflanzen binden große Mengen Kohlendioxid. Im Vergleich zu terrestrischen tropischen Wäldern können sie bis zu 100 Mal mehr CO2 pro Acre speichern. Darüber hinaus haben Seegräser einen hohen wirtschaftlichen Wert: Sie bieten Lebensraum für Meereslebewesen wie Wirbellose, Fische und Meeresschildkröten und sind somit wichtig für lokale Fischereiwirtschaften. Die Wurzeln helfen, Sedimente am Meeresboden zu verankern, verringern die Auswirkungen von Stürmen und verhindern Erosion, die Küstenhäuser und Unternehmen beeinträchtigen könnte. Das Verständnis des Lebensraums dieser Art ist wichtig, um Naturschutzmaßnahmen voranzutreiben und Gebiete zu kartieren, in denen sie durch menschliche Einflüsse verschwinden.<\/P>Sie sind ein Meeresökologe, der geeignete Standorte für Seegraslebensräume weltweit modellieren möchte. Obwohl Sie nur Seegrasdaten für eine kleine Region in Florida haben, wachsen Seegräser glücklicherweise unter ähnlichen Ozeanbedingungen in Küstengebieten weltweit. Mithilfe der Vorhersagekraft eines Machine Learning-Modells und der räumlichen Analysefähigkeiten von ArcGIS Pro finden Sie geeignete Standorte für das Seegraswachstum global. Zuerst erstellen Sie einen Trainingsdatensatz mit allen ozeanischen Variablen, die das Seegraswachstum beeinflussen. Dann geben Sie die Variablen in Python ein und verwenden ein Random Forest-Vorhersagemodell, um zu bestimmen, wo die Ozeanbedingungen das Seegraswachstum unterstützen. Schließlich speichern Sie die Vorhersageergebnisse als Feature Class und importieren sie in ArcGIS Pro, um herauszufinden, wo die höchste Wachstumsdichte wahrscheinlich auftritt.<\/P>Fähigkeiten: Daten manipulieren und bereinigen, Machine Learning-Bibliotheken in ArcGIS Pro laden, Daten anreichern zur Auffüllung fehlender Werte, Daten zwischen ArcGIS Pro und Python übertragen, Analyse in Python durchführen, Vorhersage mit Random Forests durchführen, Geoverarbeitungswerkzeuge für statistische Analysen verwenden.<\/EM><\/P><\/P>Danke an Orhun Aydin<\/A>0, Marjean Pobuda<\/A>0, Keith VanGraafeiland<\/A> und Kathy Cappelli<\/A> für ihre hervorragende Arbeit bei der Entwicklung dieser Lektion.<\/P><\/BODY><\/HTML>
<\/P>
Seegräser sind ein wichtiger Verbündeter im Kampf gegen die globale Erwärmung – diese küstennahen Meerespflanzen binden große Mengen Kohlendioxid. Im Vergleich zu terrestrischen tropischen Wäldern können sie bis zu 100 Mal mehr CO2 pro Acre speichern. Darüber hinaus haben Seegräser einen hohen wirtschaftlichen Wert: Sie bieten Lebensraum für Meereslebewesen wie Wirbellose, Fische und Meeresschildkröten und sind somit wichtig für lokale Fischereiwirtschaften. Die Wurzeln helfen, Sedimente am Meeresboden zu verankern, verringern die Auswirkungen von Stürmen und verhindern Erosion, die Küstenhäuser und Unternehmen beeinträchtigen könnte. Das Verständnis des Lebensraums dieser Art ist wichtig, um Naturschutzmaßnahmen voranzutreiben und Gebiete zu kartieren, in denen sie durch menschliche Einflüsse verschwinden.<\/P>
Sie sind ein Meeresökologe, der geeignete Standorte für Seegraslebensräume weltweit modellieren möchte. Obwohl Sie nur Seegrasdaten für eine kleine Region in Florida haben, wachsen Seegräser glücklicherweise unter ähnlichen Ozeanbedingungen in Küstengebieten weltweit. Mithilfe der Vorhersagekraft eines Machine Learning-Modells und der räumlichen Analysefähigkeiten von ArcGIS Pro finden Sie geeignete Standorte für das Seegraswachstum global. Zuerst erstellen Sie einen Trainingsdatensatz mit allen ozeanischen Variablen, die das Seegraswachstum beeinflussen. Dann geben Sie die Variablen in Python ein und verwenden ein Random Forest-Vorhersagemodell, um zu bestimmen, wo die Ozeanbedingungen das Seegraswachstum unterstützen. Schließlich speichern Sie die Vorhersageergebnisse als Feature Class und importieren sie in ArcGIS Pro, um herauszufinden, wo die höchste Wachstumsdichte wahrscheinlich auftritt.<\/P>
Fähigkeiten: Daten manipulieren und bereinigen, Machine Learning-Bibliotheken in ArcGIS Pro laden, Daten anreichern zur Auffüllung fehlender Werte, Daten zwischen ArcGIS Pro und Python übertragen, Analyse in Python durchführen, Vorhersage mit Random Forests durchführen, Geoverarbeitungswerkzeuge für statistische Analysen verwenden.<\/EM><\/P><\/P>Danke an
Angemeldete Mitglieder können Beiträge verfassen, Updates folgen und mehr. Neu hier? Registrieren Sie ein kostenloses Konto.
Find useful guides, FAQs, and documents to help you navigate and make the most of Esri Community.
