Escolar Documentos
Profissional Documentos
Cultura Documentos
draft em construção
Manuel Ribeiro
CERENA - IST/UL
Aula anterior
I Kriging Ordinário
Aula de hoje
1
descarregar do fénix o ficheiro de dados ea_dt1.txt e convertê-lo em spdf
com o nome df1
Kriging Ordinário da indicatriz
2
ler https://cran.r-project.org/doc/manuals/r-release/R-intro.html#Factors
Plot variável indicatriz
spplot(df1,"ind", col.regions = c("grey","red"),
main="Variavel indicatriz")
Variavel indicatriz
< = 17
> 17
Estimador linear de Kriging Ordinário da indicatriz
n
Î[z(s0 )] = λi · I[z(si )]
X
i=1
v = var(df1$pm2_5>17)
ve = variogram(ind ~ 1, df1, cutoff = 60, width = 6,
alpha = c(45, 135), tol.hor = 15)
vt = vgm(psill = v, model = "Exp", range = 5.5,
nugget = 0, anis= c (135 , 0.9))
plot(ve,vt, xlab = " h (em Km)", ylab = "semivar (h)")
10 20 30 40 50
45 135
0.20
semivar (h)
0.15
0.10
0.05
10 20 30 40 50
h (em Km)
Malha para interpolação
Hoje vamos usar uma função do R base, expand.grid(), para
construir a malha (100 × 100, com resolução do pixel = 2):
malha = expand.grid(x = seq(0, 100, 2),
y = seq(0, 100, 2))
coordinates(malha) <- ~ x + y
gridded(malha) <- TRUE
par(mar = c(1,1,1,1))
plot(malha)
Mapa de probabilidades
koi = krige(pm2_5 > 17 ~ 1, locations = df1,
newdata = malha, model = vt, nmax=16)
1.0
0.8
0.6
0.4
0.2
0.0
Algumas fraquezas
I Não há garantias de que P{Z (s0 ) < z} ∈ [0, 1]
I Não há garantias de que a ccdf é monotona crescente.
Soluções práticas :
I reduzir nº de amostras no sistema eq. Kriging;
I reset às “probabilidades impossíveis” pelo extremo mais
próximo;
sum(koi@data$var1.pred>1)
## [1] 0
sum(koi@data$var1.pred<0)
## [1] 55
reset aos valores negativos (atribui valor 0):
koi[koi@data$var1.pred<0] = 0