====== 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 | [[http://www.leg.ufpr.br/~paulojus/CE097/semana02|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)  | [[#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 ===
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$data), 0.1))
ml
## definindo uma malha de pontos para predição espacial (mapa de predição)
## uma malha "grossa"de predição
g1 <- expand.grid(seq(0,1, l=11), seq(0,1, l=11))
points(s100)
points(g1, col=2, pch=19, cex=0.3)
## uma malha "fina" de predição
g2 <- expand.grid(seq(0,1, l=51), seq(0,1, l=51))
points(s100)
points(g, col=2, pch=19, cex=0.3)
## predição na malha grossa:
kr1 <- krige.conv(s100, loc=g1, krige=krige.control(obj.m=ml))
image(kr1)
points(s100, add=T)
## predição na malha "fina"
kr2 <- krige.conv(s100, loc=g2, krige=krige.control(obj.m=ml))
image(kr2)
## pode-se usar outras palhetes de cores
image(kr2, col=gray(seq(1, 0, l=50)))
image(kr2, col=gray(seq(1, 0.2, l=50)))
points(s100, add=T)
image(kr2, col=gray(seq(0, 1, l=50)))
points(s100, add=T)
image(kr2, col=rev(gray(seq(0, 1, l=50))))
image(kr2, col=terrain.colors(21))
## mapa de erros padrão de predição
image(kr2, col=terrain.colors(21), val = sqrt(kr2$krige.var))
points(s100, add=T)
</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. *
/*|   |Fundamentos de uso do ambiente R. Representação e visualização de dados espaciais  | *
/* |   |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)