未来水世界

全球可利用淡水资源仅占地球水体总量的十万分之七,每年有效利用的淡水约为9000立方千米。全球五分之二人口面临水资源短缺,超过20亿人饮用水受污染。全球变暖加剧了洪水和干旱问题,中东地区干旱尤为严重。

水是人类文明赖以生存的基础,人类能够利用的陆地上的淡水资源储量只占地球上水体总量的2.53%,其中固体冰川约占淡水总储量的68.69%。这些淡水主要分布在两极地区,人类在目前的技术水平下,还难以利用。目前人类比较容易利用的淡水资源,主要是河流水、淡水湖泊水以及浅层地下水,储量约占全球淡水总储量的0.3%,只占全球总储水量的十万分之七。全世界真正有效利用的淡水资源每年约有 9 000立方千米。

由于全球变暖,海洋正在上升,世界上许多地区的洪水正在创下历史最高水平。然而,世界各地仍有五分之二的人仍然受到水资源短缺的影响。并且那些有水的人通常只能获得受污染的水。事实上,全球有超过20亿人的饮用水被污染。下面的世界水图集包含来自世界各地的故事,人们受到“洪水”,“干旱”或“水源污染”的影响。

全球干旱影响的地区和程度,中东地区是最受干旱影响的地区:
在这里插入图片描述
全球受水灾影响的程度:
在这里插入图片描述
全球水污染影响的程度:
在这里插入图片描述
添加链接描述

关注公众号[数据show],后台发送mgsy可以获取当前文章图表的原始数据。
在这里插入图片描述

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值