Het Learn ArcGIS<\/A> team is verheugd de release aan te kondigen van een nieuwe Learn-les met Ecological Marine Units-gegevens:<\/SPAN><\/P><\/P>Voorspel Zeegras Habitats met Machine Learning<\/A><\/STRONG><\/P>Zeegrassen zijn een belangrijke bondgenoot in de strijd tegen de opwarming van de aarde—deze kustmariene planten slaan enorme hoeveelheden kooldioxide op. Vergeleken met terrestrische tropische bossen kunnen ze tot wel 100 keer meer CO2 per acre opslaan. Bovendien hebben zeegrassen een grote economische waarde: ze bieden onderdak aan marien leven zoals ongewervelden, vissen en zeeschildpadden, wat ze belangrijk maakt voor lokale visserij-economieën. De wortels helpen sediment aan de zeebodem te verankeren, waardoor de impact van stormen afneemt en erosie wordt tegengehouden die anders kustwoningen en bedrijven zou aantasten. Het begrijpen van het habitat van deze soort is belangrijk om natuurbeschermingsinspanningen aan te sturen en gebieden in kaart te brengen waar ze verdwijnen door menselijke interactie.<\/P>Je bent een marien ecoloog die geschikte locaties voor zeegras habitats over de hele wereld wil modelleren. Hoewel je alleen zeegrasgegevens hebt voor een klein gebied in Florida, groeien zeegrassen gelukkig vaak onder vergelijkbare oceaanomstandigheden in kustgebieden wereldwijd. Met behulp van de voorspellende kracht van een machine learning-model samen met de ruimtelijke analysemogelijkheden van ArcGIS Pro, vind je geschikte locaties voor zeegrasgroei wereldwijd. Eerst maak je een trainingsdataset met alle oceaanvariabelen die de groei van zeegras beïnvloeden. Vervolgens stop je de variabelen in Python en gebruik je een random forest voorspellingsmodel om te bepalen waar de oceaanomstandigheden zeegrasgroei ondersteunen. Ten slotte sla je de voorspellingsresultaten op als een feature class en importeer je deze in ArcGIS Pro om te vinden waar de hoogste dichtheid van groei waarschijnlijk zal optreden.<\/P>Vaardigheden: Gegevens manipuleren en opschonen, Machine learning-bibliotheken laden in ArcGIS Pro, Gegevens verrijken om ontbrekende waarden aan te vullen, Gegevens overdragen tussen ArcGIS Pro en Python, Analyse uitvoeren in Python, Voorspellingen maken met random forests, Geoprocessing tools gebruiken voor statistische analyse.<\/EM><\/P><\/P>Dank aan Orhun Aydin<\/A>, Marjean Pobuda<\/A>, Keith VanGraafeiland<\/A>, en Kathy Cappelli<\/A> voor hun uitstekende werk bij het ontwikkelen van deze les.<\/P><\/BODY><\/HTML>
<\/P>
Zeegrassen zijn een belangrijke bondgenoot in de strijd tegen de opwarming van de aarde—deze kustmariene planten slaan enorme hoeveelheden kooldioxide op. Vergeleken met terrestrische tropische bossen kunnen ze tot wel 100 keer meer CO2 per acre opslaan. Bovendien hebben zeegrassen een grote economische waarde: ze bieden onderdak aan marien leven zoals ongewervelden, vissen en zeeschildpadden, wat ze belangrijk maakt voor lokale visserij-economieën. De wortels helpen sediment aan de zeebodem te verankeren, waardoor de impact van stormen afneemt en erosie wordt tegengehouden die anders kustwoningen en bedrijven zou aantasten. Het begrijpen van het habitat van deze soort is belangrijk om natuurbeschermingsinspanningen aan te sturen en gebieden in kaart te brengen waar ze verdwijnen door menselijke interactie.<\/P>
Je bent een marien ecoloog die geschikte locaties voor zeegras habitats over de hele wereld wil modelleren. Hoewel je alleen zeegrasgegevens hebt voor een klein gebied in Florida, groeien zeegrassen gelukkig vaak onder vergelijkbare oceaanomstandigheden in kustgebieden wereldwijd. Met behulp van de voorspellende kracht van een machine learning-model samen met de ruimtelijke analysemogelijkheden van ArcGIS Pro, vind je geschikte locaties voor zeegrasgroei wereldwijd. Eerst maak je een trainingsdataset met alle oceaanvariabelen die de groei van zeegras beïnvloeden. Vervolgens stop je de variabelen in Python en gebruik je een random forest voorspellingsmodel om te bepalen waar de oceaanomstandigheden zeegrasgroei ondersteunen. Ten slotte sla je de voorspellingsresultaten op als een feature class en importeer je deze in ArcGIS Pro om te vinden waar de hoogste dichtheid van groei waarschijnlijk zal optreden.<\/P>
Vaardigheden: Gegevens manipuleren en opschonen, Machine learning-bibliotheken laden in ArcGIS Pro, Gegevens verrijken om ontbrekende waarden aan te vullen, Gegevens overdragen tussen ArcGIS Pro en Python, Analyse uitvoeren in Python, Voorspellingen maken met random forests, Geoprocessing tools gebruiken voor statistische analyse.<\/EM><\/P><\/P>Dank aan
Aangemelde leden kunnen berichten plaatsen, updates volgen en meer. Nieuw hier? Registreer een gratis account.
Find useful guides, FAQs, and documents to help you navigate and make the most of Esri Community.
