Το μάθημα αυτό σκοπεύει στην εισαγωγή των σπουδαστών στις περιβαλλοντικές εφαρμογές της σύγχρονης στοχαστικής ανάλυσης, όπου η πιθανότητα ενός συμβάντος εκφράζει τον βαθμό πληροφόρησης που διαθέτουμε γι αυτό. Κάτω από την συγκεκριμένη (Bayesian) οπτική, ετερογενείς ποσοτικές αλλά και ποιοτικές πληροφορίες μπορούν να ενσωματωθούν σε ένα ενιαίο χωροχρονικό μοντέλο (χάρτη) το οποίο θα περιγράφει τόσο την εξάπλωση όσο και την μελλοντική συμπεριφορά της περιβαλλοντικής μεταβλητής ενδιαφέροντος. Το ιδιαίτερα χαρακτηριστικά ενός παρόμοιου μοντέλου είναι τόσο η στατιστική υφή του η οποία επιτρέπει τον υπολογισμό των σφαλμάτων εκτίμησης και την απόδοση περιβαλλοντικού κινδύνου, όσο και η αυξημένη ακρίβεια η οποία μπορεί να προκύψει από την ενσωμάτωση φυσικών νόμων που γνωρίζουμε ότι διέπουν το φαινόμενο.
Περιγραφή
Χωροχρονική χαρτογράφηση στις γεωεπιστήμες. Πηγές φυσικής γνώσης: φυσικοί νόμοι, εμπειρικοί κανόνες, προφανείς συσχετισμοί κλπ. Πιθανότητες και βαθμός γνώσης. Η αρχή της μέγιστης εντροπίας για την μέτρηση της πληροφορίας. Ενσωμάτωση της γνώσης μέσω της στατιστικής του Bayes. Η μέθοδος Bayesian Maximum Entropy (BME).
Χαρτογράφηση κατανομής ρύπων αποκλειστικά βάσει στατιστικών ροπών των δεδομένων. Βέβαια και αβέβαια δεδομένα. Μετασχηματισμοί δεδομένων. Ανάλυση χωρικών συσχετίσεων μέσω της συνάρτησης συνδιασποράς. Διαστήματα εμπιστοσύνης και κίνδυνος. Χαρτογράφηση σφαλμάτων και αξιολόγηση του υφιστάμενου δικτύου δειγματοληψίας. Εφαρμογές με το ανοιχτό λογισμικό BME Lib.
Χωροχρονική χαρτογράφηση με ενσωμάτωση του ισχύοντος φυσικού νόμου. Στοχαστικές διαφορικές εξισώσεις. Παραδείγματα επίλυσης με αριθμητική ανάλυση μέσω Matlab και Excel. Εφαρμογές στην υπόγεια μεταγωγή ρύπων και τη δημόσια υγεία.
Σύνδεσμος στο Helios: https://helios.ntua.gr/course/view.php?id=2119
