El equipo de Learn ArcGIS<\/A> se complace en anunciar el lanzamiento de una nueva lección Learn que presenta datos de Unidades Marinas Ecológicas:<\/SPAN><\/P><\/P>Predecir Hábitats de Pastos Marinos con Machine Learning<\/A><\/STRONG><\/P>Los pastos marinos son un aliado importante en la lucha contra el calentamiento global—estas plantas marinas costeras secuestran grandes cantidades de dióxido de carbono. En comparación con los bosques tropicales terrestres, pueden almacenar hasta 100 veces más CO2 por acre. Además, los pastos marinos tienen un gran valor económico: proporcionan refugio para la vida marina como invertebrados, peces y tortugas marinas, lo que los hace importantes para las economías pesqueras locales. Las raíces ayudan a anclar el sedimento al fondo marino, disminuyendo el impacto de las tormentas y evitando que la erosión afecte a hogares y negocios costeros. Comprender el hábitat de esta especie es importante para impulsar los esfuerzos de conservación y mapear las áreas donde desaparecen debido a la interacción humana.<\/P>Eres un ecólogo marino que desea modelar ubicaciones adecuadas para hábitats de pastos marinos en todo el mundo. Aunque solo tienes datos de pastos marinos para una pequeña región de Florida, afortunadamente los pastos marinos tienden a crecer en condiciones oceánicas similares en áreas costeras alrededor del mundo. Usando el poder predictivo de un modelo de machine learning junto con las capacidades de análisis espacial de ArcGIS Pro, encontrarás ubicaciones adecuadas para el crecimiento de pastos marinos a nivel global. Primero, crearás un conjunto de datos de entrenamiento con todas las variables oceánicas que influyen en el crecimiento del pasto marino. Luego, introducirás las variables en Python y usarás un modelo de predicción random forest para determinar dónde las condiciones oceánicas apoyan el crecimiento del pasto marino. Finalmente, guardarás los resultados de la predicción como una clase de entidad e importarás esto en ArcGIS Pro para encontrar dónde es probable que ocurra la mayor densidad de crecimiento.<\/P>Habilidades: Manipulación y limpieza de datos, Carga de librerías de machine learning en ArcGIS Pro, Enriquecimiento de datos para llenar valores faltantes, Transferencia de datos entre ArcGIS Pro y Python, Realización de análisis en Python, Realización de predicciones usando random forests, Uso de herramientas geoprocesamiento para análisis estadístico.<\/EM><\/P><\/P>Gracias a Orhun Aydin<\/A>, Marjean Pobuda<\/A>, Keith VanGraafeiland<\/A>, y Kathy Cappelli<\/A> por su excelente trabajo en el desarrollo de esta lección.<\/P><\/BODY><\/HTML>
<\/P>
Los pastos marinos son un aliado importante en la lucha contra el calentamiento global—estas plantas marinas costeras secuestran grandes cantidades de dióxido de carbono. En comparación con los bosques tropicales terrestres, pueden almacenar hasta 100 veces más CO2 por acre. Además, los pastos marinos tienen un gran valor económico: proporcionan refugio para la vida marina como invertebrados, peces y tortugas marinas, lo que los hace importantes para las economías pesqueras locales. Las raíces ayudan a anclar el sedimento al fondo marino, disminuyendo el impacto de las tormentas y evitando que la erosión afecte a hogares y negocios costeros. Comprender el hábitat de esta especie es importante para impulsar los esfuerzos de conservación y mapear las áreas donde desaparecen debido a la interacción humana.<\/P>
Eres un ecólogo marino que desea modelar ubicaciones adecuadas para hábitats de pastos marinos en todo el mundo. Aunque solo tienes datos de pastos marinos para una pequeña región de Florida, afortunadamente los pastos marinos tienden a crecer en condiciones oceánicas similares en áreas costeras alrededor del mundo. Usando el poder predictivo de un modelo de machine learning junto con las capacidades de análisis espacial de ArcGIS Pro, encontrarás ubicaciones adecuadas para el crecimiento de pastos marinos a nivel global. Primero, crearás un conjunto de datos de entrenamiento con todas las variables oceánicas que influyen en el crecimiento del pasto marino. Luego, introducirás las variables en Python y usarás un modelo de predicción random forest para determinar dónde las condiciones oceánicas apoyan el crecimiento del pasto marino. Finalmente, guardarás los resultados de la predicción como una clase de entidad e importarás esto en ArcGIS Pro para encontrar dónde es probable que ocurra la mayor densidad de crecimiento.<\/P>
Habilidades: Manipulación y limpieza de datos, Carga de librerías de machine learning en ArcGIS Pro, Enriquecimiento de datos para llenar valores faltantes, Transferencia de datos entre ArcGIS Pro y Python, Realización de análisis en Python, Realización de predicciones usando random forests, Uso de herramientas geoprocesamiento para análisis estadístico.<\/EM><\/P><\/P>Gracias a
Los miembros registrados pueden publicar, seguir actualizaciones y más. ¿Nuevo aquí? Regístrate gratis.
Find useful guides, FAQs, and documents to help you navigate and make the most of Esri Community.
