Não foi possível enviar o arquivo. Será algum problema com as permissões?
CE-097 : 1o Semestre de 2015

CE-097 : 1o Semestre de 2015

Data Tema(s)
23/02 Não houve aula para participação em palestra do CONRE
25/02 Apresentação do curso. Análise espacial e estatística espacial. Algumas questões envolvendo dados espaciais (sistemas de coordenadas, projeções, distâncias). Introdução a dados espaciais - tipos de dados e características dos processos espaciais (dados de áreas, geoestatísticos e processos pontuais).
02/03 (Gabriel) Visualização de dados de área em mapas: cores, classes (número e critérios para divisão em classes) e variável a ser visualizada
04/03 (Gabriel) Visualização de dados de área em mapas: cores, classes (número e critérios para divisão em classes) e variável a ser visualizada (cont). Pacotes e comandos do R Arquivos de dados e comandos
09/03 (Fernando) Método Bayesiano empírico para suavização espacial de taxas
11/03 (Fernando) cont.
16/03 (Eliane) I de Moran e outros medidas de associação espacial
18/03 (Eliane) cont.
23/03 (Daniel) Algorítmo SKATER para grupos espaciais
25/03 (PJ) SKATER, cont.
30/03 (Karin) Detecção de clusters - Kuldorff
01/04 (Vanessa e Bruno) Modelos para dados espaciais de áreas - CAR e SAR
06/04 (Vanessa e Bruno) cont.
08/04 (Vanessa e Bruno) cont.
13/04 (PJ) Idéias básicas sobre modelagem e predição geoestatística (modelo linear/Gaussiano) Ver abaixo
15/04 Idéias básicas sobre modelagem e predição geoestatística (modelo linear/Gaussiano) (cont) Ver abaixo
20/04 Discussão e scripts de análise com modelagem e predição geoestatística (modelo linear/Gaussiano) - explorando simulações condicionais
22/04 Discussão e scripts de análise com modelagem e predição geoestatística (modelo linear/Gaussiano) - variogramas e métodos de estimação
27/04 Discussão e scripts de análise com modelagem e predição geoestatística (modelo linear/Gaussiano) - escolha de modelos e predição com covariáveis Ver abaixo
04/05 Análise Bayesiana de modelos geoestatísticos Ver abaixo

13/04

Código visto em aula

require(geoR)
## conjunto da dados "bem comportado" a ser utilizado no exemplo desta aula
data(s100)
plot(s100)
plot(s100, low=T)
## outros dados com comportamentos diferentes
plot(Ksat)
plot(ca20)
plot(parana)
##
plot(s100, low=T)
points(s100)
## estimação dos parâmetros por máxima verossimilhança
ml <- likfit(s100, ini=c(var(s100$data), 0.1))
ml
## definindo uma malha de pontos para predição espacial (mapa de predição)
## uma malha "grossa"de predição
g1 <- expand.grid(seq(0,1, l=11), seq(0,1, l=11))
points(s100)
points(g1, col=2, pch=19, cex=0.3)
## uma malha "fina" de predição
g2 <- expand.grid(seq(0,1, l=51), seq(0,1, l=51))
points(s100)
points(g, col=2, pch=19, cex=0.3)
## predição na malha grossa:
kr1 <- krige.conv(s100, loc=g1, krige=krige.control(obj.m=ml))
image(kr1)
points(s100, add=T)
## predição na malha "fina"
kr2 <- krige.conv(s100, loc=g2, krige=krige.control(obj.m=ml))
image(kr2)
## pode-se usar outras palhetes de cores
image(kr2, col=gray(seq(1, 0, l=50)))
image(kr2, col=gray(seq(1, 0.2, l=50)))
points(s100, add=T)
image(kr2, col=gray(seq(0, 1, l=50)))
points(s100, add=T)
image(kr2, col=rev(gray(seq(0, 1, l=50))))
image(kr2, col=terrain.colors(21))
## mapa de erros padrão de predição
image(kr2, col=terrain.colors(21), val = sqrt(kr2$krige.var))
points(s100, add=T)

15/04

  1. No exemplo da aula passada inspecione os objetos retornados pelas funções e em especial o retornado por krige.conv(). Para este último o resultado é uma lista na qual os dois primeiros elementos são e média e variãncia das distribuições condicionais (preditivas). Considere antão a obtenção dos seguintes tópicos adicionais:
    1. Obtenha um mapa de divida dos valores preditos nos intervalos [-Inf a -1,5), [-1,5 a 0], [0, a 1,5] e [1,5 a Inf].
    2. Obtenha um mapa de probabilidades de P[Y > 1], P[Y > 1.5], P[Y > 2].
    3. Obtenha um mapa do 1o quartil, um do 3o quantil e dos percentis 10 e 90.
    4. Como voce faria para obter a predição da proporção da área acima de um determinado limiar (por exemplo 1,2).
  2. Explore um segundo exemplo de análises
  3. Mais um exemplo:
    class(Ksat)
    names(Ksat)
    summary(Ksat)
    plot(Ksat)
    plot(Ksat, lam=0)
     
    par(mfrow=c(1,1))
    K.v <- variog(Ksat, max.dist=9, lam=0)
    plot(K.v)
     
    var(log(Ksat$dat))
     
    K.eye <- eyefit(K.v)
    K.eye
     
    gr <- expand.grid(seq(0, 22.5, by=0.2), seq(0,13, by=0.2))
    kr <- krige.conv(Ksat, loc=gr, krige=krige.control(cov.pars=c(2.3,2.35), lam=0))
    image(kr, col=gray(seq(1,0,l=21)))
    image(kr, col=terrain.colors(16))

Como ficariam perguntas semelhantes às feitas para o 1o exemplo neste último caso? Por exemplo: mapa da P[Y > 1] , mapa de quantis etc

27/04

04/05

  1. Exemplo com dados de salinidade
  2. Efetue análises Bayesiana de algum outro conjunto de dados (visto no curso ou outro)

QR Code
QR Code disciplinas:ce097-2015-01:historico2015 (generated for current page)