Não foi possível enviar o arquivo. Será algum problema com as permissões?
Diferenças

Diferenças

Aqui você vê as diferenças entre duas revisões dessa página.

Link para esta página de comparações

Ambos lados da revisão anterior Revisão anterior
Próxima revisão
Revisão anterior
disciplinas:ce097-2015-01:historico2015 [2015/04/13 22:19]
paulojus
disciplinas:ce097-2015-01:historico2015 [2015/05/06 17:00] (atual)
paulojus
Linha 12: Linha 12:
 | 23/03  |(Daniel) Algorítmo SKATER para grupos espaciais ​ | | | 23/03  |(Daniel) Algorítmo SKATER para grupos espaciais ​ | |
 | 25/03  |(PJ) SKATER, cont.  | | | 25/03  |(PJ) SKATER, cont.  | |
-| 30/03  |(Venessa ​e Bruno) Modelos para dados especiais ​de áreas - CAR e SAR | | +| 30/03  |(Karin) Detecção de clusters - Kuldorff | |  
-01/04  |(Venessa ​e Bruno) ​ | |+| 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) ​ | [[#​13/​04|Ver abaixo]] | 
 +| 15/04  |Idéias básicas sobre modelagem e predição geoestatística (modelo linear/​Gaussiano) (cont) ​ | [[#​15/​04|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 ​ | [[#​27/​04|Ver abaixo]] | 
 +| 04/05  |Análise Bayesiana de modelos geoestatísticos ​ | [[#​04/​05|Ver abaixo]] ​|
  
  
-=== 13/04 === 
  
 +
 +=== 13/04 ===
 +Código visto em aula
 <code R> <code R>
 require(geoR) require(geoR)
 +## conjunto da dados "bem comportado"​ a ser utilizado no exemplo desta aula
 data(s100) data(s100)
 plot(s100) plot(s100)
 plot(s100, low=T) plot(s100, low=T)
 +## outros dados com comportamentos diferentes
 plot(Ksat) plot(Ksat)
 plot(ca20) plot(ca20)
 plot(parana) plot(parana)
 +##
 plot(s100, low=T) plot(s100, low=T)
 +points(s100)
 +## estimação dos parâmetros por máxima verossimilhança
 ml <- likfit(s100,​ ini=c(var(s100$data),​ 0.1)) ml <- likfit(s100,​ ini=c(var(s100$data),​ 0.1))
 ml ml
-g <- expand.grid(seq(0,1, l=11), seq(0,1, l=11)+## definindo uma malha de pontos para predição espacial ​(mapa de predição
-points(s100) +## uma malha "​grossa"​de predição
-points(g) +
-points(g, col=2, pch=19) +
-g <- expand.grid(seq(0,​1,​ l=51), seq(0,1, l=51)) +
-points(g, col=2, pch=19)+
 g1 <- expand.grid(seq(0,​1,​ l=11), seq(0,1, l=11)) 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)) g2 <- expand.grid(seq(0,​1,​ l=51), seq(0,1, l=51))
-ml +points(s100
-kr1 <- krige.conv(s100, ​loc=gr1krige=krige.control(obj.m=ml))+points(gcol=2pch=19, cex=0.3) 
 +## predição na malha grossa:
 kr1 <- krige.conv(s100,​ loc=g1, krige=krige.control(obj.m=ml)) kr1 <- krige.conv(s100,​ loc=g1, krige=krige.control(obj.m=ml))
-image(g1) 
 image(kr1) image(kr1)
 points(s100,​ add=T) points(s100,​ add=T)
 +## predição na malha "​fina"​
 kr2 <- krige.conv(s100,​ loc=g2, krige=krige.control(obj.m=ml)) kr2 <- krige.conv(s100,​ loc=g2, krige=krige.control(obj.m=ml))
 image(kr2) 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, l=50)))
 image(kr2, col=gray(seq(1,​ 0.2, l=50))) image(kr2, col=gray(seq(1,​ 0.2, l=50)))
Linha 52: Linha 68:
 image(kr2, col=rev(gray(seq(0,​ 1, l=50)))) image(kr2, col=rev(gray(seq(0,​ 1, l=50))))
 image(kr2, col=terrain.colors(21)) image(kr2, col=terrain.colors(21))
-image(kr2, col=terrain.colors(21),​ val = sqrt(kr2$var))+## mapa de erros padrão de predição
 image(kr2, col=terrain.colors(21),​ val = sqrt(kr2$krige.var)) image(kr2, col=terrain.colors(21),​ val = sqrt(kr2$krige.var))
 points(s100,​ add=T) points(s100,​ add=T)
 </​code>​ </​code>​
  
 +=== 15/04 ===
 +  - 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:
 +    - 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]. 
 +    - Obtenha um mapa de probabilidades de P[Y > 1], P[Y > 1.5], P[Y > 2].
 +    - Obtenha um mapa do 1o quartil, um do 3o quantil e dos percentis 10 e 90.
 +    - Como voce faria para obter a predição da proporção da área acima de um determinado limiar (por exemplo 1,2).
 +  - Explore um segundo exemplo de análises
 +    - {{:​disciplinas:​ce097-2015-01:​wolf.r|Comandos do R}}
 +    - {{:​disciplinas:​ce097-2015-01:​wolfcamp.txt|Arquivo de dados}}
 +  - Mais um exemplo:<​code R>
 +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))
 +</​code>​
 +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 ===
 +  - Escolha de modelos
 +    - {{:​disciplinas:​ce097-2015-01:​modelos-pr.r|Análise dos dados de precipitação no Paraná}}
 +    - {{:​disciplinas:​ce097-2015-01:​modelo-ca20.r|Dados Ca20}}
 +  - {{:​disciplinas:​ce097-2015-01:​krigacamg.r|Uma análise mais completa com dados de ctc}} 
  
 /* Análises espaciais de propriedades de 1a e 2a ordem - suavização e padrões de dependência espacial. * /* Análises espaciais de propriedades de 1a e 2a ordem - suavização e padrões de dependência espacial. *
Linha 62: Linha 116:
 /* |   ​|Introdução a geoestatística. Interpolação por krigagem. Propriedades do processo e variograma teórico. O modelo geoestatístico básico. Estimação de parâmetros (verossimilhança e por variogramas). Representação e visualização de resultados. ​ | * /* |   ​|Introdução a geoestatística. Interpolação por krigagem. Propriedades do processo e variograma teórico. O modelo geoestatístico básico. Estimação de parâmetros (verossimilhança e por variogramas). Representação e visualização de resultados. ​ | *
  
 +=== 04/05 ===
 +  - Exemplo com dados de salinidade
 +    - {{:​disciplinas:​ce097-2015-01:​sal.r|arquivos de comandos}}
 +    - {{:​disciplinas:​ce097-2015-01:​sal.dat|arquivo de dados}}
 +  - 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)