A equipe Learn ArcGIS<\/A> tem o prazer de anunciar o lançamento de uma nova aula Learn com dados das Unidades Marinhas Ecológicas:<\/SPAN><\/P><\/P>Prever Habitats de Algas Marinhas com Machine Learning<\/A><\/STRONG><\/P>As algas marinhas são um aliado importante no combate ao aquecimento global — essas plantas marinhas costeiras sequestram grandes quantidades de dióxido de carbono. Quando comparadas às florestas tropicais terrestres, elas podem armazenar até 100 vezes mais CO2 por acre. Além disso, as algas marinhas têm um grande valor econômico: fornecem abrigo para a vida marinha, como invertebrados, peixes e tartarugas marinhas, tornando-as importantes para as economias locais de pesca. As raízes ajudam a ancorar o sedimento no fundo do mar, diminuindo o impacto das tempestades e impedindo que a erosão afete casas e negócios costeiros. Compreender o habitat dessa espécie é importante para impulsionar os esforços de conservação e mapear áreas onde elas desaparecem devido à interação humana.<\/P>Você é um ecologista marinho que deseja modelar locais adequados para habitats de algas marinhas ao redor do mundo. Embora você tenha dados de algas marinhas apenas para uma pequena região da Flórida, felizmente as algas tendem a crescer em condições oceânicas semelhantes em áreas costeiras ao redor do mundo. Usando os poderes preditivos de um modelo de machine learning junto com as capacidades de análise espacial do ArcGIS Pro, você encontrará locais adequados para o crescimento de algas marinhas globalmente. Primeiro, você criará um conjunto de dados de treinamento com todas as variáveis oceânicas que influenciam o crescimento das algas marinhas. Em seguida, você colocará as variáveis no Python e usará um modelo de previsão random forest para determinar onde as condições oceânicas suportam o crescimento das algas marinhas. Finalmente, você salvará os resultados da previsão como uma classe de feição e importará para o ArcGIS Pro para encontrar onde a maior densidade de crescimento provavelmente ocorrerá.<\/P>Habilidades: Manipulação e limpeza de dados, Carregamento de bibliotecas de machine learning no ArcGIS Pro, Enriquecimento de dados para preencher valores ausentes, Transferência de dados entre ArcGIS Pro e Python, Realização de análises em Python, Realização de previsões usando random forests, Uso de ferramentas de geoprocessamento para análise estatística.<\/EM><\/P><\/P>Agradecimentos a Orhun Aydin<\/A>\u200c, Marjean Pobuda<\/A>\u200c, Keith VanGraafeiland<\/A>, e Kathy Cappelli<\/A> pelo excelente trabalho no desenvolvimento desta aula.<\/P><\/BODY><\/HTML>
<\/P>
As algas marinhas são um aliado importante no combate ao aquecimento global — essas plantas marinhas costeiras sequestram grandes quantidades de dióxido de carbono. Quando comparadas às florestas tropicais terrestres, elas podem armazenar até 100 vezes mais CO2 por acre. Além disso, as algas marinhas têm um grande valor econômico: fornecem abrigo para a vida marinha, como invertebrados, peixes e tartarugas marinhas, tornando-as importantes para as economias locais de pesca. As raízes ajudam a ancorar o sedimento no fundo do mar, diminuindo o impacto das tempestades e impedindo que a erosão afete casas e negócios costeiros. Compreender o habitat dessa espécie é importante para impulsionar os esforços de conservação e mapear áreas onde elas desaparecem devido à interação humana.<\/P>
Você é um ecologista marinho que deseja modelar locais adequados para habitats de algas marinhas ao redor do mundo. Embora você tenha dados de algas marinhas apenas para uma pequena região da Flórida, felizmente as algas tendem a crescer em condições oceânicas semelhantes em áreas costeiras ao redor do mundo. Usando os poderes preditivos de um modelo de machine learning junto com as capacidades de análise espacial do ArcGIS Pro, você encontrará locais adequados para o crescimento de algas marinhas globalmente. Primeiro, você criará um conjunto de dados de treinamento com todas as variáveis oceânicas que influenciam o crescimento das algas marinhas. Em seguida, você colocará as variáveis no Python e usará um modelo de previsão random forest para determinar onde as condições oceânicas suportam o crescimento das algas marinhas. Finalmente, você salvará os resultados da previsão como uma classe de feição e importará para o ArcGIS Pro para encontrar onde a maior densidade de crescimento provavelmente ocorrerá.<\/P>
Habilidades: Manipulação e limpeza de dados, Carregamento de bibliotecas de machine learning no ArcGIS Pro, Enriquecimento de dados para preencher valores ausentes, Transferência de dados entre ArcGIS Pro e Python, Realização de análises em Python, Realização de previsões usando random forests, Uso de ferramentas de geoprocessamento para análise estatística.<\/EM><\/P><\/P>Agradecimentos a
Membros conectados podem postar, seguir atualizações e mais. Novo aqui? Registre uma conta gratuita.
Find useful guides, FAQs, and documents to help you navigate and make the most of Esri Community.
