disciplinas:ce097-2015-01:historico2015

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

Você está aqui: start » disciplinas » ce097-2015-01 » historico2015

Diferenças

Aqui você vê as diferenças entre duas revisões dessa página.

--- 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  | |
 | 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>
 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$data), 0.1))
 ml
-g <- expand.grid(seq(0,1, l=11), seq(0,1, l=11))
+## definindo uma malha de pontos para predição espacial (mapa de predição)
-points(s100)
+## uma malha "grossa"de predição
-points(g)
-points(g, col=2, pch=19)
-g <- expand.grid(seq(0,1, l=51), seq(0,1, l=51))
-points(g, col=2, pch=19)
 g1 <- expand.grid(seq(0,1, l=11), seq(0,1, l=11))
+points(s100)
+points(g1, col=2, pch=19, cex=0.3)
+## uma malha "fina" de predição
 g2 <- expand.grid(seq(0,1, l=51), seq(0,1, l=51))
-ml
+points(s100)
-kr1 <- krige.conv(s100, loc=gr1, krige=krige.control(obj.m=ml))
+points(g, col=2, pch=19, cex=0.3)
+## predição na malha grossa:
 kr1 <- krige.conv(s100, loc=g1, krige=krige.control(obj.m=ml))
-image(g1)
 image(kr1)
 points(s100, add=T)
+## predição na malha "fina"
 kr2 <- krige.conv(s100, loc=g2, krige=krige.control(obj.m=ml))
 image(kr2)
+## pode-se usar outras palhetes de cores
 image(kr2, col=gray(seq(1, 0, l=50)))
 image(kr2, col=gray(seq(1, 0.2, l=50)))
@@ Linha 52: / Linha 68: @@
 image(kr2, col=rev(gray(seq(0, 1, l=50))))
 image(kr2, col=terrain.colors(21))
-image(kr2, col=terrain.colors(21), val = sqrt(kr2$var))
+## mapa de erros padrão de predição
 image(kr2, col=terrain.colors(21), val = sqrt(kr2$krige.var))
 points(s100, add=T)
 </code>
+=== 15/04 ===
+  - No exemplo da aula passada inspecione os objetos retornados pelas funções e em especial o retornado por krige.conv(). Para este último o resultado é uma lista na qual os dois primeiros elementos são e média e variãncia das distribuições condicionais (preditivas). Considere antão a obtenção dos seguintes tópicos adicionais:
+    - Obtenha um mapa de divida dos valores preditos nos intervalos [-Inf a -1,5), [-1,5 a 0], [0, a 1,5] e [1,5 a Inf].
+    - Obtenha um mapa de probabilidades de P[Y > 1], P[Y > 1.5], P[Y > 2].
+    - Obtenha um mapa do 1o quartil, um do 3o quantil e dos percentis 10 e 90.
+    - Como voce faria para obter a predição da proporção da área acima de um determinado limiar (por exemplo 1,2).
+  - Explore um segundo exemplo de análises
+    - {{:disciplinas:ce097-2015-01:wolf.r|Comandos do R}}
+    - {{:disciplinas:ce097-2015-01:wolfcamp.txt|Arquivo de dados}}
+  - Mais um exemplo:<code R>
+class(Ksat)
+names(Ksat)
+summary(Ksat)
+plot(Ksat)
+plot(Ksat, lam=0)
+par(mfrow=c(1,1))
+K.v <- variog(Ksat, max.dist=9, lam=0)
+plot(K.v)
+var(log(Ksat$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. *
@@ 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.  | *
+=== 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)

Diferenças

Navegação

Busca

Ferramentas

QR Code