Байгаль орчны шинжлэх ухааны статистик
Байгаль орчны шинжлэх ухаан нь биотик (амьд биетүүд) болон абиотик (ус, агаар, хөрс, уур амьсгал) бүрэлдэхүүн хэсгүүдийн хоорондын нарийн төвөгтэй харилцааг, түүний дотор хүний үйл ажиллагаа байгалийн тэнцвэрт байдалд хэрхэн нөлөөлдөгийг судалдаг. Энэхүү нарийн төвөгтэй байдал нь хүрээлэн буй орчны өгөгдөл нь олон янз, том, ихэвчлэн төгс бус байх хандлагатай байдаг гэсэн үг юм - жишээлбэл, тоног төхөөрөмжийн эвдрэлээс үүдэлтэй өгөгдөл алдагдах, улирлын хүчтэй хэлбэлзэл, эсвэл газарзүйн нөхцөл байдлын ялгаа. Статистик нь энд чухал үүрэг гүйцэтгэдэг: энэ нь байгаль орчны эрдэмтдэд түүхий өгөгдлийг утга учиртай мэдээлэл болгон хувиргах, таамаглалыг бодитойгоор шалгах, байгаль хамгаалал, төрийн бодлогын нотолгоонд суурилсан шийдвэр гаргахад дэмжлэг үзүүлэхэд тусалдаг.
Статистикийн үүрэг: Өгөгдлөөс шийдвэр хүртэл
Байгаль орчны шинжлэх ухааны статистик нь зөвхөн дундажийг тооцоолох эсвэл график үүсгэхээс илүү зүйл юм. Энэ нь өгөгдөл цуглуулах, тодорхойгүй байдлыг үнэлэх, байгалийн үйл явцыг загварчлах, таамаглал дэвшүүлэх хүрээг бүрдүүлдэг. Жишээлбэл, засгийн газар ялгарлыг хязгаарлах бодлогыг хэрэгжүүлсний дараа агаарын чанар сайжирч байгаа эсэхийг үнэлэхийг хүсч байвал статистик нь бодлогын улмаас үүссэн өөрчлөлтийг улирал, салхи эсвэл урт хугацааны чиг хандлагын улмаас үүссэн байгалийн өөрчлөлтөөс ялгахад тусалдаг.
Статистик нь мөн тодорхойгүй байдлын тухай ойлголтыг онцолж өгдөг. Байгаль орчны нөхцөлд лабораторид байдаг шиг байгалийн системийг хянах хэцүү байдаг тул тодорхойгүй байдал бараг үргэлж байдаг. Статистикийн хэрэгслийг ашиглан судлаачид үр дүнг тодорхой түвшний итгэл үнэмшилтэйгээр илэрхийлж чаддаг, жишээлбэл, итгэлцлийн интервал эсвэл тодорхой магадлалыг ашиглан илүү ил тод, хариуцлагатай шийдвэр гаргах боломжийг олгодог.
Байгаль орчны өгөгдлийн төрлүүд ба тэдгээрийн тулгамдсан асуудлууд
Байгаль орчны мэдээлэл олон хэлбэрээр ирдэг:
1. Орон зайн өгөгдөл: ойн бүрхүүлийн тархалт, хөрсний бохирдлын зураглал, эсвэл голын янз бүрийн цэгүүд дэх бохирдуулагч бодисын агууламж зэрэг байршилтай холбоотой өгөгдөл.
2. Цаг хугацааны өгөгдөл: 30 жилийн өдрийн температур, сарын хур тунадас, эсвэл цагийн PM2.5 түвшин гэх мэт цагийн цувааны өгөгдөл.
3. Биологийн өгөгдөл: жишээлбэл, зүйлийн тоо, планктоны элбэгшил, олон янз байдлын индекс, эсвэл популяцийн амьд үлдэх түвшин.
4. Химийн болон физик өгөгдөл: усны рН, нитратын түвшин, DO (ууссан хүчилтөрөгч), давсжилт эсвэл хүнд металлууд.
5. Алсын зайн тандан судлалын өгөгдөл: маш том, өндөр нягтралтай өгөгдөл гаргадаг хиймэл дагуулын зураг.
Гол бэрхшээлүүдэд олон янз байдал (өгөгдөл байршлаас байршилд өөрчлөгддөг), автокорреляци (зэргэлдээ утга нь ижил төстэй байх хандлагатай байдаг), хэт их өгөгдөл (үер, гал түймэр, дулааны давалгаа) болон тогтворгүй байдал (статистикийн хэв маяг нь цаг уурын өөрчлөлт эсвэл газар ашиглалтын өөрчлөлтөөс болж цаг хугацааны явцад өөрчлөгддөг) орно. Зөв статистикийн арга барилгүйгээр шинжилгээ нь нэг талыг барьсан эсвэл төөрөгдүүлсэн байж болно.
Түүвэрлэлтийн загвар: Шинжилгээний бат бөх суурь
Шинжилгээ хийхээс өмнө хамгийн чухал алхам бол дээж авах загвар юм. Байгаль орчинд ой мод, гол мөрөн эсвэл агаар мандлын бүх цэгийг хэмжих боломжгүй юм. Тиймээс дээж авах нь бодит нөхцөл байдлыг төлөөлөх ёстой.
Зарим нийтлэг стратегиуд нь:
– Энгийн санамсаргүй түүвэрлэлт: ажиглалтын цэгүүдийг санамсаргүй байдлаар сонгоно.
– Давхаргажилтын түүвэрлэлт: тухайн газрыг давхаргад хуваана (жишээлбэл, голын дээд-дунд-доод урсгал эсвэл хот-хотын захын-хөдөөгийн бүс), дараа нь давхарга бүрээс дээж авна.
– Системчилсэн түүвэрлэлт: хэмжилтийг тогтмол интервалаар, жишээлбэл, трансектийн дагуу 1 км тутамд авна.
– Урт хугацааны хяналт: чиг хандлагыг харахын тулд нэг байршилд давтан ажиглалт хийх.
Статистик нь оновчтой түүврийн хэмжээг тодорхойлох, зардлыг бууруулах, үр дүнгийн ерөнхий байдлыг хангахад тусалдаг. Шинжилгээний үе шатанд дизайны алдааг засахад хэцүү байдаг.
Дүрслэх статистик: Үндсэн хэв маягийг ойлгох нь
Шинжилгээний эхний алхамууд нь ихэвчлэн дүрслэх статистикийг агуулдаг: дундаж, медиан, дисперс, стандарт хазайлт, хувь хэмжээ, гистограмм, хайрцаг диаграмм, сэдэвчилсэн газрын зураг, дулааны газрын зураг гэх мэт дүрслэлүүд. Дүрслэх статистик нь улирлын хэв маяг, байршлын ялгаа, хэт туйлширсан үйл явдал эсвэл хэмжилтийн алдааг илэрхийлж болох гадуурх утгуудыг тодорхойлоход тусалдаг.
Жишээлбэл, усны чанарын судалгаанд хайрцагны зураг нь хөдөө аж ахуйн урсацын улмаас борооны улиралд фосфатын түвшин нэмэгддэг болохыг харуулж болох юм. Хотын температурын судалгаанд сэдэвчилсэн газрын зураг нь хотын төвд хотын дулааны арлын нөлөөг захын хорооллуудтай харьцуулж харуулж болно.
Статистикийн дүгнэлт: Таамаглалыг объектив байдлаар шалгах
Статистикийн дүгнэлт нь судлаачдад “А гол дахь бохирдуулагчийн агууламж В голоос өндөр үү?” эсвэл “Мангро нөхөн сэргээлт нь биологийн олон янз байдлыг нэмэгдүүлдэг үү?” гэх мэт асуултуудад хариулах боломжийг олгодог.
Түгээмэл хэрэглэгддэг аргуудад дараахь зүйлс орно.
– Хоёр бүлгийг харьцуулахын тулд Т-тест эсвэл Манн-Уитни.
– Хоёроос дээш бүлгийг харьцуулахын тулд ANOVA эсвэл Крускал-Уоллис.
– Ангиллын хи-квадрат тест, жишээлбэл, чанарын стандартаас давсан байршлын хувь.
– Боломжит утгуудын хүрээг өгөх итгэлцлийн интервал.
Гэсэн хэдий ч хүрээлэн буй орчны өгөгдөл нь хэвийн байдал болон бие даасан байдал зэрэг сонгодог таамаглалыг зөрчдөг. Тиймээс судлаачид ихэвчлэн өгөгдлийн хувиргалт, параметрийн бус аргууд эсвэл bootstrapping зэрэг дахин түүвэрлэлтийн аргуудыг ашигладаг.
Регресс ба загварчлал: Харилцааг тайлбарлах ба таамаглал дэвшүүлэх нь
Статистикийн хамгийн том хувь нэмрийн нэг бол загварчлал юм. Регрессийн тусламжтайгаар судлаачид хариу урвалын хувьсагч (жишээлбэл, бохирдуулагчийн түвшин) болон урьдчилан таамаглагч хүчин зүйлс (хур тунадас, газрын ашиглалт, аж үйлдвэрээс хол зай, салхины хурд) хоорондын хамаарлыг судалж чадна.
Нийтлэг аргуудын жишээ:
– Энгийн хамаарлын шугаман регресс.
– Олон хүчин зүйлийн хувьд нэгэн зэрэг олон регресс.
– Тоолуурын (Пуассон) эсвэл пропорциональ (биномиал) өгөгдлийн ерөнхий шугаман загварууд (GLM).
– Уян хатан шугаман бус хамаарлын ерөнхий нэмэлт загварууд (GAM).
– Давтагдсан эсвэл шаталсан өгөгдлийн холимог нөлөөллийн загварууд (жишээлбэл, олон жилийн турш олон станцад хийсэн хэмжилтүүд).
Уур амьсгалын өөрчлөлтийн үед статистикийн загварууд нь температурын өсөлтийг дулааны долгионы давтамжтай холбоход тусалдаг. Экологийн хувьд GLM нь температур, ургамалжилт, усны хүртээмж дээр үндэслэн зүйлийн элбэгшлийг урьдчилан таамаглаж чаддаг.
Цаг хугацааны цувааны шинжилгээ ба хүрээлэн буй орчны чиг хандлага
Байгаль орчны олон үзэгдэл цаг хугацааны явцад өөрчлөгддөг. Цаг хугацааны цувааны шинжилгээг чиг хандлага, улирлын хэв маяг, аномаль үйл явдлыг илрүүлэхэд ашигладаг. Улирлын задрал, ARIMA эсвэл төлөв-орон зайн загвар зэрэг аргуудыг урт хугацааны дохиог улирлын хэлбэлзлээс ялгахад ашиглаж болно.
Жишээлбэл, дэлхийн CO₂-ийн агууламжийн өсөлтийн хандлагыг зөвхөн өдөр тутмын мэдээллээс ойлгох боломжгүй, учир нь улирлын хүчтэй мөчлөг байдаг. Статистик нь урт хугацааны чиг хандлагыг ялгаж, тэдгээрийн өөрчлөлтийн хурдыг хэмжихэд тусалдаг.
Орон зайн статистик ба геостатистик: Байршилд суурилсан өгөгдлийг боловсруулах
Байгаль орчин нь орон зайнаас ихээхэн хамаардаг тул орон зайн статистик чухал ач холбогдолтой. Зэргэлдээ өгөгдөл нь ихэвчлэн хоорондоо уялдаа холбоотой байдаг тул бие даасан гэсэн таамаглал бүтэлгүйтдэг. Геостатистик нь дараахь аргуудыг санал болгодог.
– Хэмжигдээгүй байршилд утгуудыг интерполяцлахын тулд Кригинг.
– Орон зайн корреляцийн бүтцийг загварчлах вариограмм.
– Хэв маягийн кластерчлалыг үнэлэх орон зайн автокорреляци (Мораны I).
Практик хэрэглээнд хязгаарлагдмал тооны дээжийн цэгүүдээс хөрсөн дэх хүнд металлын тархалтыг тооцоолох, дараа нь нэн тэргүүнд нөхөн сэргээх байршлыг тодорхойлохын тулд эрсдэлийн зураглал гаргах зэрэг орно.
Эрсдэл, босго болон нөлөөллийн үнэлгээ
Статистик нь эрсдэлийн үнэлгээ болон байгаль орчны нөлөөллийн шинжилгээнд чухал үүрэг гүйцэтгэдэг. Жишээлбэл, хэт их үерийн магадлалыг хэт их үнэ цэнийн онолыг ашиглан тооцоолж болно. Энэхүү шинжилгээ нь даланг төлөвлөх, ус зайлуулах стандартыг тодорхойлох эсвэл гамшигт өртөмтгий бүсийг тодорхойлоход тусалдаг.
Чанарын стандартыг тодорхойлохдоо хэтрэлтийн давтамжийг тооцоолж, усны биет бохирдсон эсэхийг тодорхойлоход статистикийг ашигладаг. Энэ нь таамаглалд бус, өгөгдөлд үндэслэсэн тул илүү шударга бодлогод хүргэдэг.
Орчин үеийн өгөгдөл болон машин сургалттай нэгтгэх
Хямд өртөгтэй мэдрэгч, IoT болон хиймэл дагуулын зургийг хөгжүүлснээр хүрээлэн буй орчны "том өгөгдөл" бий болсон. Орчин үеийн статистик нь газрын бүрхүүлийн ангилал, ойн түймрийн урьдчилсан мэдээ, бохирдлыг илрүүлэх машин сургалттай хамт ажилладаг. Гэсэн хэдий ч статистикийн зарчим чухал хэвээр байна: хөндлөн баталгаажуулалт, алдааны хяналт, загварыг тайлбарлах чадвар, тодорхойгүй байдлын тайлан.
Статистикийн талаарх ойлголтгүйгээр өндөр нарийвчлалтай мэт харагдах загварууд нь төөрөгдүүлж болно, жишээлбэл, сургалт болон туршилтын өгөгдөл нь орон зайн хувьд бие даасан биш эсвэл цаг уурын хэв маягийн өөрчлөлтүүд нь загварыг ирээдүйд бүтэлгүйтэхэд хүргэдэг тул.
Хаах
Статистик бол байгаль орчны шинжлэх ухаанд байгалийн үзэгдлийг хэмжигдэхүйц байдлаар тайлбарлах, шалгах, урьдчилан таамаглах боломжийг олгодог тоон хэл юм. Түүвэрлэлтийн загвар, тодорхойлолтын шинжилгээ, таамаглалын туршилт, регрессийн загварчлал, цаг хугацааны цуваа, орон зайн шинжилгээ гэх мэт бүгд нарийн төвөгтэй, тодорхойгүй байгаль орчны өгөгдлийг тайлбарлахад тусалдаг. Уур амьсгалын хямрал, амьдрах орчны доройтол, байгалийн нөөцөд үзүүлэх дарамт нэмэгдэж буй эрин үед статистикийг зохистой ашиглах нь үр дүнтэй, ил тод, нотолгоонд суурилсан байгаль хамгааллын бодлого, үйл ажиллагааг боловсруулахад гол түлхүүр юм.
Хэрэв та хүсвэл би энэ өгүүллийг ишлэл бүхий эрдэм шинжилгээний хувилбар болгон өөрчилж, кейс судалгааны жишээ нэмж (жишээ нь голын усны чанар, хотын агаарын бохирдол, ой модыг устгах) эсвэл R/Python ашиглан томъёо, шинжилгээний алхмуудыг оруулж болно.
