L'équipe Learn ArcGIS<\/A> est heureuse d'annoncer la sortie d'une nouvelle leçon Learn mettant en vedette les données des unités marines écologiques :<\/SPAN><\/P><\/P>Prédire les habitats de zostères marines avec Machine Learning<\/A><\/STRONG><\/P>Les zostères marines sont un allié important dans la lutte contre le réchauffement climatique — ces plantes marines côtières séquestrent d'énormes quantités de dioxyde de carbone. Comparées aux forêts tropicales terrestres, elles peuvent stocker jusqu'à 100 fois plus de CO2 par acre. De plus, les zostères ont une grande valeur économique : elles fournissent un abri pour la vie marine telle que les invertébrés, les poissons et les tortues de mer, ce qui les rend importantes pour les économies locales de la pêche. Leurs racines aident à ancrer les sédiments au fond marin, réduisant l'impact des tempêtes et empêchant l'érosion d'affecter les maisons et entreprises côtières. Comprendre l'habitat de cette espèce est essentiel pour orienter les efforts de conservation et cartographier les zones où elles disparaissent en raison des interactions humaines.<\/P>Vous êtes un écologiste marin qui souhaite modéliser les emplacements adaptés aux habitats de zostères marines dans le monde entier. Bien que vous ne disposiez que des données sur les zostères d'une petite région de Floride, heureusement, les zostères ont tendance à pousser dans des conditions océaniques similaires dans les zones côtières du monde entier. En utilisant les pouvoirs prédictifs d'un modèle Machine Learning ainsi que les capacités d'analyse spatiale d'ArcGIS Pro, vous trouverez des emplacements adaptés à la croissance des zostères à l'échelle mondiale. Tout d'abord, vous créerez un jeu de données d'entraînement avec toutes les variables océaniques qui influencent la croissance des zostères. Ensuite, vous introduirez ces variables dans Python et utiliserez un modèle de prédiction random forest pour déterminer où les conditions océaniques favorisent la croissance des zostères. Enfin, vous enregistrerez les résultats de la prédiction sous forme de classe d'entités et l'importerez dans ArcGIS Pro pour identifier où la densité de croissance la plus élevée est susceptible de se produire.<\/P>Compétences : Manipulation et nettoyage des données, Chargement des bibliothèques machine learning dans ArcGIS Pro, Enrichissement des données pour combler les valeurs manquantes, Transfert des données entre ArcGIS Pro et Python, Réalisation d'analyses dans Python, Prédiction à l'aide des random forests, Utilisation des outils de géotraitement pour l'analyse statistique.<\/EM><\/P><\/P>Merci à Orhun Aydin<\/A>, Marjean Pobuda<\/A>, Keith VanGraafeiland<\/A>, et Kathy Cappelli<\/A> pour leur excellent travail dans le développement de cette leçon.<\/P><\/BODY><\/HTML>
<\/P>
Les zostères marines sont un allié important dans la lutte contre le réchauffement climatique — ces plantes marines côtières séquestrent d'énormes quantités de dioxyde de carbone. Comparées aux forêts tropicales terrestres, elles peuvent stocker jusqu'à 100 fois plus de CO2 par acre. De plus, les zostères ont une grande valeur économique : elles fournissent un abri pour la vie marine telle que les invertébrés, les poissons et les tortues de mer, ce qui les rend importantes pour les économies locales de la pêche. Leurs racines aident à ancrer les sédiments au fond marin, réduisant l'impact des tempêtes et empêchant l'érosion d'affecter les maisons et entreprises côtières. Comprendre l'habitat de cette espèce est essentiel pour orienter les efforts de conservation et cartographier les zones où elles disparaissent en raison des interactions humaines.<\/P>
Vous êtes un écologiste marin qui souhaite modéliser les emplacements adaptés aux habitats de zostères marines dans le monde entier. Bien que vous ne disposiez que des données sur les zostères d'une petite région de Floride, heureusement, les zostères ont tendance à pousser dans des conditions océaniques similaires dans les zones côtières du monde entier. En utilisant les pouvoirs prédictifs d'un modèle Machine Learning ainsi que les capacités d'analyse spatiale d'ArcGIS Pro, vous trouverez des emplacements adaptés à la croissance des zostères à l'échelle mondiale. Tout d'abord, vous créerez un jeu de données d'entraînement avec toutes les variables océaniques qui influencent la croissance des zostères. Ensuite, vous introduirez ces variables dans Python et utiliserez un modèle de prédiction random forest pour déterminer où les conditions océaniques favorisent la croissance des zostères. Enfin, vous enregistrerez les résultats de la prédiction sous forme de classe d'entités et l'importerez dans ArcGIS Pro pour identifier où la densité de croissance la plus élevée est susceptible de se produire.<\/P>
Compétences : Manipulation et nettoyage des données, Chargement des bibliothèques machine learning dans ArcGIS Pro, Enrichissement des données pour combler les valeurs manquantes, Transfert des données entre ArcGIS Pro et Python, Réalisation d'analyses dans Python, Prédiction à l'aide des random forests, Utilisation des outils de géotraitement pour l'analyse statistique.<\/EM><\/P><\/P>Merci à
Les membres connectés peuvent publier, suivre les mises à jour, et plus encore. Nouveau ici ? Inscrivez-vous gratuitement.
Find useful guides, FAQs, and documents to help you navigate and make the most of Esri Community.
