‘22/09/2020 Relatério da Geoestatisica Relatdorio de Geoestatistica Valentina Lirio Setembro de 2020 Trabalho - Alt tude (m) Foi feito um exercicio de coleta de pontos numa érea quadrada de 1000 x 1000 m, na qual foram coletados 169 pontos. Em cada ponto foi coletado um par de coordeandas (X.Y) criadas a partir de um ponto inicial (0,0). Também, em cada ponto foi coletado o valor da altitude em metros. objetivo é construir um mapa de interpolagdo para estimar a altitude (m) em toda a area de estudo. Faga: a analise descritiva espacial; a avaliagéo da estacionariedade de primeira ordem; avalie se existe estrutura de dependéncia espacial; obtenha o semivariograma, estime os pardmetros espaciais ¢ os ajustes dos modelos; avalie qual é o melhor modelo e utilize para resolver o sistema de krigagem linear; obtenha o mapa de inlerpolagao por krigagem e 0 mapa da variancia de krigagem. Apresente um relatério com os resultados, ##aChamando os dados geodados <- read.geodata("Dados_exercicio.txt", coords.col=1:2, data.col=: Executando os comandos acima temos, primeiramente, os pontos das coordenadas x e y, ou seja, temos 169 observagées para cada uma das coordenadas © em “data” temos os 169 valores da varidvel de interosse, que no caso é a altitude, dada em metros. Estatistica descritiva espacial #Estatistica descritiva ‘summary (geedados ) 4H Number of data points: 169 Coordinates summary x oY min @ @ max 1000 1000 Distance summary 83.3333 1414.21356 bata summary Min. 1st Qu. Median Mean 3rd Qu. Max. 129.0980 143.3758 149.1400 148.5745 154.2150 167.0737 REPL ERR PRR PERF Other elements in the geodata object ## [2] “call” sd(geodados$data) a [1] 7.61935 ‘ile: /UsersValentina/Desktopigeoestatistica/TrabalhlRel_Par_-Geo.html 18‘22/09/2020 var(geodados$data) a [1] 58.0545, Relatério da Geoestatisica (CV <- (sd(geodados$data) /mean(geodados$data))*100) a [1] 5.128302 tabelac-matrix(rep(NA,9),9) tabela[1, }<-¢(129. tabela[2, }<-c(143. tabela[3, ]<-c(149. tabela[4, ]<-c(148, tabela[s,]<-c(154. ‘tabela[6, ]<-c(167. 980) 3758) 1400) 5745) 2150) 0737) tabela[7, ]<-c(7.61935) tabela[8, ]<-c(58.0545) ‘tabela[9, ]<-c(5.128302) row.nanes(tabela)<-c("Min. Padrao", "Varianci colnanes(tabela)<~ kable(tabela) Min 1° Quartil Mediana. Média 3° Quartil Ma Desvio Padrao Variéncia cv "42 Quartil", "Mediana", "Média", "32 Quartil", "Nax.","Desvio Tabela 1: Estatistica Descritiva 129.098000 143.375800 149.140000 148,574500 184.215000 167.073700 7.619350 58.054500 5.128302 Em seguida, executa-se um summary espacial. Primeiramente, temos o nimero de pontos observados, ou seja, a amostra & composta de 169 observages. O summary das coordenadas nos mostra os menores valores das cordenadas xe y, que é 0 para ambas e também os maiores valores das cordenadas xe y, que & de 1.000 para ambas.Temos também que a menor distancia entre 2 pontos 6 de 83.33 metros e a maior distancia entre 2 pontos 6 de 1414.21 metros. Por fim, temos o summary dos dados, visto na Tabela 1, 0 qual nos mostra que a altitude minima & de 129.01 metros e a altitude maxima é de 167.07 metros. O 1° quartil é igual a 143.38, ou seja, 25% das observagées esto abaixo de 143.38 © 75% das observagées esto acima de 143.38. A mediana, que também representa o 2° quartil, é igual a 149.14, ou seja, 50% das observagdes estdo abaixo desse valor e 50% esto acima. O 3° quartil é igual a 148.57, ou seja, 75% das observagses estdo abaixo de 148.57 e 25% ‘ile: /UsersValentina/Desktopigeoestatistica/TrabalhlRel_Par_-Geo.html 226‘22/09/2020 Relatério da Geoestatisica das observacdes estdo acima de 148.57. A média de altitudes 6 148,57 metros, O desvio padrao & igual a 7.62, ou seja, 0 grau de dispersdo dos dados nao é tao grande, sendo que quanto mais préximo de 0, mais homogéneo é 0 conjunto de dados, além de também indicar que a média varia em tomo de 7.62 para m ou para menos. A varidncia é igual a 58.05, a qual indica o quao distante os dados esto da média. Por fim, 0 coeficiente de variagao (CV) corresponde a 5.13%, como o valor foi inferior a 50% temos que a média é representativa para esse conjunto de dados, e ainda o valor fol inferior a 15%, 0 que indica que os dados apresentam baixa dispersdo, ou seja, so homogéneos. Anilise exploratéria #AandLise exploratéria WAndlise gréfica Plot(geodados$coords, main="Gréfico 1 - Gride de anostragem") plot(geodados, lowes=T) boxplot(geodados$data, xlal Dados", main="Grafico 2 - Boxplot") Grafico 1 - Gride de amostragem 400 600 800 1000 200 ° 200 400 600 800 ‘ile: /UsersValentina/Desktopigeoestatistica/TrabalhlRel_Par_-Geo.html 1000 sr20‘22/09/2020 Relatério da Geoestatisica TITFERET TS 4 latxxtaxx s+ sal ex xAaxx x00 Ki xdooaas seal areerrerres lax acon xxxdl la} aaooax xxx-| oso soa a + xxx sa) looooaae. xx. | 100 Y Coord 600 600 ¥ Coord 0 200 fs - 0 200 200 6001000 130 140 180 160 0.04 data Density 0.02 accra 100 140150160170 data 0.00 Grafico 2 - Boxplot 160 150 140 130 Dados No Grafico 1, visto acima, conseguimos visualizar 0 gride de amostragem, 0 qual 6 um mapa espacial, percebe-se que a coleta dos dados foi realizada de forma sistematica, obtendo uma grade regular. Em seguida temos 4 gréficos. No primeiro grafico visto na parte superior & esquerda, temos as coordenadas xe y e 0s pontos amostrados, dessa forma cada cor representa um quartil da varidvel de interesse. Assim, os pontos em azul referem-se ao 1° quartil, ou seja, S40 os 25% menores valores da variavel coletada; os pontos em verde referem-se aos valores do 1° quartil até a mediana, a qual representa 0 2° quartil, nele esta mais 25% dos valores coletados; em amarelo sao os valores da mediana até o 3° quartil, totalizando mais 25% dos valores coletados; e por fim, em vermelho so os valores do 3° quartil até o maximo valor encontrado, somando mais 25% dos valores coletados e fechando nos 100%. Percebe-se que as 4 cores estéo distribuidas praticamente entre os 4 cantos do grafico, ou seja, isto pode ser indicativo que nao temos uma tendéncia nos dados. ‘ile: /UsersValentina/Desktopigeoestatistica/TrabalhlRel_Par_-Geo.html 4124‘22/09/2020 Relatério da Geoestatisica No grafico superior a direita temos a coordenada y em funcao dos valores das variavels, assim nao ha uma tendéncia evidente, pois teios uma linha constante em toro de 150, o mesmo ocorre para o grafico na parte inferior @ esquerda, que mostra a coordenada x em fungao dos valores das varidveis, e também mostra uma linha que fica constante em toro de 150. Dessa forma, nao temos uma tendéncia e podemos dizer que os dados sao estacionarios de primeira ordem, ou seja, a média constante e nao depende da localizagao ou das coordenadas. Para garantir a hipétese intrinseca do processo estocaistico, utilizamos o semivariograma, ou seja, a fungao de correlagao é descrita pela semivariancia. No gréfco inferior direta temos um histograma, o qual nos mostra que os dados se aproximam de uma distribuigéo normal Por tltimo, temos um bloxplot dos dados,visto no Grafico 2, os quais no apresentam outliers, ou seja, podemos utilizar nas andlises o estimador classico de Matheron e assim gerar o semivariograma amostral. Estimacaéo do semivariograma amostral e distancia maxima de interesse #Estimando o semivartograma (Semivariograma amostral) ‘#Definindo um h maximo de interesse hmax <- summary (geodados)[[3]][[2]]*2 hmax # 100% ae [2] 414.214 hmax1 <- sunmary(geodados)[[3]][[2]]*®-88 hmaxi # 280% a (1) 1232.371 hmax2 <- summary (geodados) [[3]][[2]]*®.60 hmax2 # 60% a [2] 848.5281 #Estimador cldssico de Matheron (1963) vario <- variog(geodados, estinator="classical", max.dist-hmax) 4 variog: computing omnidirectional variogran variol <- variog(geodados, estimator="classical", max.dis i variog: computing omnidirectional variogran vario2 <- variog(geodados, estimator="classical’ a variog: computing omnidirectional variogram ‘ile: /UsersValentina/Desktopigeoestatistica/TrabalhlRel_Par_-Geo.html 5120‘22/09/2020 Relatério da Geoestatisica par(mfrow = ¢(1, 3) plot(vario, xlab="Distancia (h) plot(variol, xlab="Distancia (h)", ylab="semivariancia", sub plot(vario2, xlab="Distancia (h)", ylab="Semivariancia", sub="hnax 60%") variosn aH [1] 312 1102 1422 1830 1736 1964 1760 1574 1196 756 380 134 20 variol$n # aqui jd possui todos os Lags com mais de 30 pares! aH [1] 312 574 1038 1586 1548 1352 1700 1534 1310 1158 842 706 324 vario2sn # [1] 600 814 502 920 1262 1304 1000 876 1328 1128 1212 882 © . ° 8 ° 8 & a 8 . © 200 eo 1000 0 7 eto 1000 © 200 400 600 600 Distnia Ostia) Datincla fea 0% rma aos rma Primeiramente, antes de inicar as andlises, teios que definir uma distncia maxima (hmax) de interesse. Entdo, utilizaremos distancias de 100%, 80% e 60%. Percebe-se, visualmente, que utilizando uma distancia de 60% conseguimos ver uma estrutura espacial mais evidente do que com 100% e 80%, e assim utiizaremos essa distncia como maxima para as andlises, a qual corresponde a 848.5281, sendo que a distncia maxima de 100% corresponde a 1414.214. Também temos o nimero de pares de pontos em cada um dos pontos mostrados no semivariograma, assim para 100% da maxima distancia temos uma média estimada com menos de 30 pares e recomenda-se ter no semivariograma médias estimadas com mais de 30 pares, dessa forma nao seria recomendavel utilizar a distancia maxima de 100%, poderiamos utilizar as distncias maximas a 80% ou 60%, pois assim teriamos todas as estimativas acima de 30 pares. Portanto, 0 semivariograma estimado escolhido foi utilizando a disténcia de 60%, no qual conforme a distancia aumenta, © semivariograma também aumenta, indicando que a semivariancia tem uma estrutura de correlagao, e assim 08 pares mais préximos so mais parecidos e os mais distantes sao menos parecidos. fle: 1UsersValenina/DesktopigeoestatsicalTrabaho/Rel Par -Geo.html ons‘22/09/2020 Relatério da Geoestatisica Envelope para verificar a existéncia de dependéncia espacial #Envelope para verificar a existéncia de dependéncia espacial vario.eny <- variog.mc.env(geodados, obj.var=vario2) 4H variog.env: generating 99 simulations by permutating data values # variog-env: computing the enpirical variogram for the 99 simulations 4H variog.env: computing the envelops plot(vario2, envelope=vario.env, main="Gréfico 3 - Verificacéo da existéncia de dependéncia espacial") Grafico 3 - Verificagdo da existéncia de dependéncia espacial semivariance ° 200 400 600 800 distance A partir do grafico 3, percebe-se que temos pontos fora do envelope, assim garantimos a existéncia de dependéncia espacial e temos uma estrutura espacial evidente, ja que rejeitamos a hipétese nula de indepedéncia espacial. Ajuste dos modelos teéricos #Ajuste dos modelos tedricos HOLS => Minimos Quadrados Ordindrios #odelo esférico o.sph <- variofit(vario2, cov.nodel="sph", weights="equal") 4 variofit: covariance model used is spherical it variofit: weights used: equal 4H variofit: minimisation function used: optin Warning in variofit(vario2, cov.model = "sph", weights = “equal"): initial at ft values not provided - running the default search ‘ile: /UsersValentina/Desktopigeoestatistica/TrabalhlRel_Par_-Geo.html 7128‘22/09/2020 Relatério da Geoestatisica HH variofit: searching for best initial value ... selected values: a hi ‘tausq kappa aa 4 644.22" "9" "0.5" at est” “est HH loss value: 197.950727831003 o.sph Wi variofit: model parameters estimated by OLS (ordinary least squares): #8 covariance model is: spherical a parameter estimates: wt — tausq signasq phi WH 6.1638 62.2057 654.2644 Ht Practical Range with cor=0.05 for asymptotic range: 654.2644 wt Wt variofit: minimised sum of squares = 68.658 Modelo exponencial 0.exp <- variofit(vario2, cov.model="exp", weights="equal") 4 variofit: covariance model used is exponential at variofit: weights used: equal HH variofit: minimisation function used: optin 4 Warning in variofit(vario2, cov.model = "exp", weights # values not provided - running the default search qual"): initial HH variofit: searching for best initial value ... selected values: sigmasq phi ‘tausq kappa # initial value "72.45 i status 4 loss value: est" 78.9041006500267 o.exp fi variofit: model parameters estimated by OLS (ordinary least squares): 4 covariance model is: exponential i parameter estimates: ft tausq sigmasq phi WH 0.0008 78.6993 332.4094 Ht Practical Range with cor=0.05 for asymptotic range: 995.8095 a 4 variofit: minimised sun of squares = 29.4749 #Modelo Gaussiano o.gaus <- variofit(vario2, cov.model="gaus", weights="equal") ‘ile: /UsersValentina/Desktopigeoestatistica/TrabalhlRel_Par_-Geo.html 124‘22/09/2020 Relatério da Geoestatisica HH variofit: covariance model used is gaussian HH variofit: weights used: equal 48 variofit: minimisation function used: optim 4 Warning in variofit(vario2, cov.model = "gaus", weights = "equa # values not provided - running the default search ): initial Wt variofit: searching for best initial value ... selected values: at signasq phi tausq kappa 4 initial.value "54.34 53" "18,11" "8.5" at status at 1: 127.650785249187 o.gaus 4H variofit: model parameters estimated by OLS (ordinary least squares): 4 covariance model is: gaussian it parameter estimates: wt tausq signasq phi Wh 15.7665 52.6940 320.3703 8 Practical Range with cor=0.05 for asymptotic range: 554.5027 at HH variofit: minimised sum of squares = 65.6715 # plot(vario2, x1ab: por OLS") Lines (o. sph, Iwd=1, 1t Lines(o.exp, Ind=1, 1ty=1, col Lines (0. gaus, Iwd=1, 1ty=1, col emivariancia", main="Grafico 4 - Modelos ajustados Grafico 4 - Modelos ajustados por OLS ‘Semivariancia 20 1 ° 200 400 600 800 Distancia (h) ‘ile: /UsersValentina/Desktopigeoestatistica/TrabalhlRel_Par_-Geo.html 9124‘22/09/2020 Relatério da Geoestatisica Primeiramente, so realizados 0s ajustes dos modelos teéricos (Esférico, Exponencial ¢ Gaussiano) levando em conta uma analise visual. O primeiro método de ajuste da regressao é utilizando 0 OLS (Minimos ‘Quadrados Ordinarios), o qual da pesos iguais para todos os pares de pontos. No gréfico 4, temos em azul o modelo exponencial, em vermelho o modelo esférico e em preto o modelo gaussiano. Percebe-se, de forma visual, que 0 melhor modelo seria 0 modelo esférico, j4 que esse modelo fica mais de acordo com o erescimento dos pontos no grafico, ressalta-se que a estimativa do efeito pepita para do modelo exponencial 6 bem mais baixo que para os outros 2 modelos, e analisando o crescimento dos pontos do gréfico nao faz muito sentido esse ajuste de efeito pepita no zero, ficando fora do que seria 0 ideal WHLS => Minimos Quadrados Ponderados (ponderacdo pelo numero de pares por distancia) # Modelo esférico w.sph <- variofit(varie2, cov.model="sph", weights: npairs") Wt variofit: covariance model used is spherical i variofit: weights used: npairs 4 variofit: minimisation function used: optin Warning in variofit(vario2, cov.model = "sph", weights values not provided - running the default search npairs"): initial wt variofit: searching for best initial value ... selected values: aa signasq phi ‘tausq kappa fi initial.value "72.45" "644.22" "0" "9.5" at a status "est" “est” "est loss value: 215035.526935675 Fix’ w.sph variofit: model parameters estimated by WLS (weighted least squares): covariance model is: spherical parameter estimates: tausq signasq phi WH 6.6098 61.5408 652.0826 Practical Range with co #22 at 05 for asymptotic range: 652.0826 at 4H variofit: minimised weighted sun of squares = 69656.26 # Modelo exponenciat W.exp <- variofit(vario2, cov.model="exp", weights="npairs") f# variofit: covariance model used is exponential HH variofit: weights used: npairs 48 variofit: minimisation function used: optin 48 Warning in variofit(vario2, cov.model = "exp", weights : initial i values not provided - running the default search ‘ile: /UsersValentina/Desktopigeoestatistica/TrabalhlRel_Par_-Geo.html 10124‘22/09/2020 Relatério da Geoestatisica HH variofit: searching for best initial value ... selected values: a hi tausq kappa aa 4 386.53" "7.25 at est” “est HH loss value: 70952.6363831071 wexp 4 variofit: model parameters estimated by WLS (weighted least squares): 8 covariance model is: exponential a parameter estimates: wt — tausq signasq phi WH 0.0008 7.8406 322.3361 Ht Practical Range with cor=0.05 for asymptotic range: 965.6325 wt Wt variofit: minimised weighted sun of squares = 3158.23 # Modelo Gaussiano w.gaus <- variofit(vario2, cov.model: 'gaus", weights="npairs") 4 variofit: covariance model used is gaussian a variofit: weights used: npairs 4H variofit: minimisation function used: optin 4 Warning in variofit(vario2, cov.model = "gaus", weights = "npairs"): initial 4H values not provided - running the default search HH variofit: searching for best initial value ... selected values: sigmasq phi ‘tausq kappa HH initial value "54.34 5 a status 4 loss value: est" 121141.528974626 Wegaus t# variofit: model parameters estimated by WLS (weighted least squares): ft covariance model is: gaussian ## parameter estinates: ft tausq signasq phi Ht 16.4680 52.0561 325.3005 Ht Practical Range with cor=0.05 for asymptotic range: 563.036 So # variofit: minimised weighted sun of squares = 60169.9 # plot(vario2, xlab="Distancia (h)", ylab="Semivariancia”, main="Grafico 5 - Modelos ajustados por WLS") Lines(w.sph, 1d ‘ile: /UsersValentina/Desktopigeoestatistica/TrabalhlRel_Par_-Geo.html ‘wee‘22/09/2020 Relatério da Geoestatisica Grafico 5 - Modelos ajustados por WLS ‘Semivariancia 0 200 400 600 800 Distancia (h) Em seguida, so realizados os ajustes dos modelos teéricos (Esférico, Exponencial ¢ Gaussiano) para o método de ajuste da regressao utilizando 0 WLS (Minimos Quadrados Ponderados), no qual ocorre a ponderagao pelo ntimero de pares por distancia. Assim como para o método OLS, no grafico 5, também temos em azul 0 modelo exponencial, em vermelho 0 modelo esférico e em preto 0 modelo gaussiano. Percebe-se, de forma visual, também que o melhor modelo seria o modelo esférico, j4 que esse modelo fica mais de acordo com o crescimento dos pontos no gréfico, ressalta-se também que a estimativa do efeito pepita para do modelo exponencial ¢ bem mais baixo que para os outros 2 modelos, ¢ analisando o crescimento dos pontos do grafico nao faz muito sentido esse ajuste de efeito pepita no zero, ficando fora do que seria o ideal, Avaliagao dos ajustes dos modelos por R2 # Avatiacéo dos ajustes dos modetos por R2: h <- varioasu Ss <- vario2sv # # Esférico OLS mosph = @ for (i in i:length(h)) { if (h[i}<-o.sph[[2]][[2]]) { mosph[i] = 0.sph{{1]}+0.sph{[2]][[2]]*((2.5*(hL1]/0. sph{[2]]E[2]]))-(@-5*((hLi]/o. sph{ [2 MLL211)*3))) + else { mosph[i] = 0-sph{[1]]+0.sph[(2]][[1]] } + (R2_osph <- cor(s, mosph)*2) aH [1] 0.9791758 ‘ile: /UsersValentina/Desktopigeoestatistica/TrabalhlRel_Par_-Geo.html 12124‘22/09/2020 Relatério da Geoestatisica # Exponencial OLS moexp = 0-exp[[1]]+0.expl [2] ][[1]]*(1-exp(-(h/o-expl [2] ][2]]))) (R2_oexp <- cor(s, moexp)*2) ait [1] 0.991762 # Gaussiano OLS mogaus = o.gaus{{1]]+0.gaus{(2]]{[1]]*(1-exp(- ((h/o.gaus( [2]][[2]])*2))) (R2_ogaus <- cor(s, mogaus)*2) aH [1] 0.980816 Para avaliar os ajustes dos modelos utilizamos neste passo o R?. Como o R? 6 valido apenas para modelos lineares © nesse caso so modelos néo-lineares, devemos adaptar o R? usando a ideia de considerar o mesmo como 0 quadrado da correlacao entre o valores observados ¢ os valores estimados pelo modelo. Utilizando o método do OLS temos o R? igual a 0.9792, 0.9918 e 0.9800 para os modelos Esférico, Exponencial e Gaussiano, respectivamente. Todos apresentaram bons valores de R?, mas neste caso o melhor R? foi para o modelo Exponencial. Dessa forma, 0 R pode ser um critério para ver qual o melhor ajuste de modelos. # Esférico WLS musph = @ for (i in i:length(h)) ¢ Af (h{i}<-w.sph{(2]]{[211) anwsph[i] = wesph{ [1] ]+w-sph[2]]([2]]*((1.5* (hLi]/m. sph{[21][[2]]))-(8.5* ((aLE}/w.sph[[2 1L(211)*3))) y else { wsph{i] = w.sph{[2]]+w-sph{(2]]{[2]] > } (R2_wsph <- cor(s, musph)*2) a [1] 0.979172 # Exponencial WLS mwexp = w.exp[[1]]+w.exp{(2]][[1]]*(1-exp(-(h/w.exp[ [2] ][[2]]))) (R2_wexp <- cor(s, mwexp)*2) a [1] 0,9924362 # Gaussiano WLS mugaus = w.gaus[[1]]+w.gaus( [2] ][[1]]*(1-exp(- ((h/w-gaus([2]][[2]])*2))) (R2_wgaus <- cor(s, mugaus)*2) a [1] 0.979826 Agora, utilizando 0 método WLS, temos 0 R? igual a 0.9792, 0.9924 e 0.9710 para os modelos Esférico, Exponencial e Gaussiano, respectivamente, Todos apresentaram bons valores de R, mas neste caso melhor R? também foi para o modelo Exponencial. Ressalta-se que a soma de quadrados minimizados ‘ile: /UsersValentina/Desktopigeoestatistica/TrabalhlRel_Par_-Geo.html 13124‘22/09/2020 Relatério da Geoestatisica também pode ser um critério de selegdo de modelos, a qual nos diz que quanto menor a medida melhor é modelo, entretanto nao é um critério muito utilizado. Validagaéo do modelo #VaLidacdo do modelo # sph. ols ve.sph.ols <- xvalid(geodados, model=0.sph) wt xvalid: number of data locations 169 a xvalid: number of validation locations = 169 Wt xvalid: performing cross-validation at location ... 1, 2, 3, 4, 5, 6, 7, 8 9, 1@, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 3 6, 37, 38, 39, 49, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 5 9, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 72, 71, 72, 73, 74, 75, 76, 77, 78, 79, 8, a1, 8 2, 83, 84, 85, 86, 87, 88, 89, 98, 91, 92, 93, 94, 95, 96, 97, 98, 99, 100, 11, 162, 103, 10 4, 105, 106, 107, 108, 109, 110, 111, 112, 113, 114, 115, 116, 117, 118, 119, 120, 121, 122, 123, 124, 125, 126, 127, 128, 129, 130, 131, 132, 133, 134, 135, 136, 137, 138, 139, 140, 14 1, 142, 143, 144, 145, 146, 147, 148, 149, 15, 151, 152, 153, 154, 155, 156, 157, 158, 159, 160, 161, 162, 163, 164, 165, 166, 167, 168, 169, Wt xvalid: end of cross-validation mean(vc.sph-ols$error) # media do erro (EM) #8 [1] -0.00128315 mean(vc.sph.ols$std.error) # erro medio reduzido (ER) #8 [1] -0.0001301935 sqrt(mean(abs(ve.sph.ols$error))) # desvio padrdo dos erros (DPem) a [1] 1.706457 sqrt(mean(abs(vc.sph.ols$std.error))) # Desvio Padrao dos erros reduzidos (Ser) a [1] 0.835559. sum(abs(vc.sph.ols$data-ve.sph.ols$predicted)) # Erro absoLuto (EA) a [1] 492.2271 # # exp.ols ve.exp.ols <- xvalid(geodados, model=0.exp) ‘ile: /UsersValentina/Desktopigeoestatistica/TrabalhlRel_Par_-Geo.html ° ares‘22/09/2020 Relatério da Geoestatisica 4 xvalid: number of data locations 169 iH xvalid: number of validation locations = 169 8 xvalid: performing cross-validation at location ... 1, 2, 3, 4, 5, 6, 7, 8, 9, 18, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 3 6, 37, 38, 39, 49, 41, 42, 43, 44, 45, 46, 47, 48, 49, 58, 51, 52, 53, 54, 55, 56, 57, 58, 5 9, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 78, 71, 72, 73, 74, 75, 76, 77, 78, 79, 88, 81, 8 2, 83, 84, 85, 86, 87, BB, 89, 98, 91, 92, 93, 94, 95, 96, 97, 98, 99, 100, 101, 102, 103, 10 4, 105, 106, 107, 108, 109, 110, 111, 112, 113, 114, 115, 116, 117, 118, 119, 120, 121, 122, 123, 124, 125, 126, 127, 128, 129, 138, 131, 132, 133, 134, 135, 136, 137, 138, 139, 140, 14 1, 142, 143, 144, 145, 146, 147, 148, 149, 15, 151, 152, 153, 154, 155, 156, 157, 158, 159, 160, 161, 162, 163, 164, 165, 166, 167, 168, 169, Hit xvalid: end of cross-validation nean(vc.exp.ols$error) # media do erro (EM) a [1] -0,005993381 mean(vc.exp.ols$std.error) # erro medio reduzido (ER) a [1] -0,0006751191 sqrt(mean(abs(vc.exp.ols$erron))) # desvio padrdo dos erros (DPem) a [1] 1.718716 sqrt(mean(abs(vc.exp.ols$std.error))) # Desvio Padrao dos erros reduzidos (Ser) aH [1] 0,8615281 sun (abs (ve-exp.ols$data-ve.exp.ols$predicted)) # Erro absoluto (EA) a [1] 499.2232 * # gaus.ols ve.gaus.ols <- xvalid(geodados, mode! -gaus) ‘ile: /UsersValentina/Desktopigeoestatistica/TrabalhlRel_Par_-Geo.html 15124‘22/09/2020 Relatério da Geoestatisica 4 xvalid: number of data locations 169 iH xvalid: number of validation locations = 169 it xvalid: performing cross-validation at location ... 1, 2, 3, 4, 5, 6, 7, 8, 9, 18, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 3 6, 37, 38, 39, 49, 41, 42, 43, 44, 45, 46, 47, 48, 49, 58, 51, 52, 53, 54, 55, 56, 57, 58, 5 9, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 78, 71, 72, 73, 74, 75, 76, 77, 78, 79, 8, 81, 8 2, 83, 84, 85, 86, 87, BB, 89, 98, 91, 92, 93, 94, 95, 96, 97, 98, 99, 100, 101, 102, 103, 10 4, 105, 106, 107, 108, 109, 110, 111, 112, 113, 114, 115, 116, 117, 118, 119, 120, 121, 122, 123, 124, 125, 126, 127, 128, 129, 138, 131, 132, 133, 134, 135, 136, 137, 138, 139, 140, 14 1, 142, 143, 144, 145, 146, 147, 148, 149, 15, 151, 152, 153, 154, 155, 156, 157, 158, 159, 160, 161, 162, 163, 164, 165, 166, 167, 168, 169, Hit xvalid: end of cross-validation nean(ve.gaus.olsgerror) # media do erro (EM) a [1] -0,005979726 mean(vc.gaus.ols$std.erron) # erro medio reduzido (ER) a [1] -0,0006570334 sqrt(mean(abs(ve.gaus.ols$error))) # desvio padrdo dos erros (DPem) a [1] 1.715059 sqrt(mean(abs(vc.gaus.ols$std.error))) # Desvio Padrao dos erros reduzidos (Ser) aH [1] 0.8269476 sun(abs (vc. gaus.ols$data-ve.gaus.ols$predicted)) # Erro absoluto (EA) i [1] 497.1015 tabelac-matrix(rep(NA,15),3) ‘tabela[1, ]<-c(-0.0013, -@.001,1.7065,0.8356, 492.1271) tabela[2, ]<-c(-0.0060, -@.0007, 1.7187,0.8615, 499.2232) tabela[3, ]<-c(-0.0060, -6.007,1.7151,0.8269, 497.1015) row names (tabela)<-c(" colnanes (tabela)<-c( "EM kable(tabela) eM ER DPem Ser EA Esférico -0.0013 16-04 1.7065 0.8356 492.1271 Exponencial -0.0060 70-04 1.7187 0.8615 499.2232 Gaussiano -0,0060 “70-04 1.7151 0.8269 497.1015, ‘ile: /UsersValentina/Desktopigeoestatistica/TrabalhlRel_Par_-Geo.html 161242210912020 Relaléco de Geoestatsica Na tabela acima temos os 3 modelos e seus respectivos valores de Erro Médio (EM), 0 qual nos diz que quanto mais préximo de zero melhor; Erro Médio Relativo (ER) 0 qual nos diz também que quanto mais préximo de zero melhor; Desvio Padrao do Erro (DPem), 0 qual nos diz que quanto menor methor; Desvio Padrdo do Erro Reduzido (Ser), 0 qual nos diz que quanto mais préximo de 1 melhor; e por fim o Erro ‘Absoluto (EA), 0 qual nos diz que quanto menor melhor. Dessa forma, O melhor ajuste por OLS foi para 0 Modelo Esférico com 4 oritérios favoraveis de 5 possivels (exceto para o Ser), ou seja, gerou um resultado igual que a andlise grafica mas diferente para a estimagao do R?, 0 qual indicou o melhor modelo como sendo 0 modelo Exponencial, mas talvez isto se deva ao fato que provavelmente a estimagao do efeito pepita como zero superestimou a contribuigao. #Validagdo do modelo # sph.wls ve.sph.wls <- xvalid(geodados, model=w.sph) f# xvalid: number of data locations = 169 Ht xvalid: number of validation locations = 169 HH xvalid: performing cross-validation at location ... 1, 2, 3, 4, 5, 6, 7, 8 9, 1@, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 3 6, 37, 38, 39, 49, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 5 9, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, a1, 8 2, 83, 84, 85, 86, 87, BB, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99, 100, 101, 102, 103, 10 4, 105, 106, 107, 108, 109, 110, 111, 112, 113, 124, 115, 116, 117, 118, 119, 120, 121, 122, 123, 124, 125, 126, 127, 128, 129, 130, 131, 132, 133, 134, 135, 136, 137, 138, 139, 140, 14 1, 142, 143, 144, 145, 146, 147, 148, 149, 15@, 151, 152, 153, 154, 155, 156, 157, 158, 159, 160, 161, 162, 163, 164, 165, 166, 167, 168, 169, Wt xvalid: end of cross-validation mean(vc.sph.uls$error) # media do erro (EM) a [1] -0.001412507 nean(vc.sph.wls$std.error) # erro medio reduzido (ER) 4s [1] -0.0001442862 sqrt(mean(abs(vc.sph.wls$error))) # desvio padrdo dos erros (DPen) [1] 1.706432 sqrt(mean(abs(vc.sph.wls$std.error))) # Desvio Padrao dos erros reduzidos (Ser) a [1] 0.830077 sun(abs(vc.sph.wis$data-ve.sph.wls$predicted)) # Erro absoluto (EA) a [1] 492.2231 ‘ile: /UsersValentina/Desktopigeoestatistica/TrabalhlRel_Par_-Geo.html 17128‘22/09/2020 Relatério da Geoestatisica # # exp.mls ve.exp.wls <- xvalid(geodados, model=w.exp) WH xvalid: number of data locations 169 wt xvalid: number of validation locations = 169 a xvalid: performing cross-validation at location ... 1, 2, 3, 4, 5, 6, 7, 8 9, 1@, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 3 6, 37, 38, 39, 49, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 5 9, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, a1, B 2, 83, 84, 85, 86, 87, BB, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99, 108, 101, 102, 103, 10 4, 105, 106, 107, 108, 109, 110, 111, 112, 113, 114, 115, 116, 117, 118, 119, 120, 121, 122, 123, 124, 125, 126, 127, 128, 129, 130, 131, 132, 133, 134, 135, 136, 137, 138, 139, 140, 14 1, 142, 143, 144, 145, 146, 147, 148, 149, 158, 151, 152, 153, 154, 155, 156, 157, 158, 159, 160, 161, 162, 163, 164, 165, 166, 167, 168, 169, f# xvalid: end of cross-validation mean(vc.exp.uls$error) # media do erro (EM) at [1] -0.006044098 mean(vc.exp.wls$std.error) # erro medio reduzido (ER) ## [1] -0.000675636 sqrt(mean(abs(vc.exp.wls$error))) # desvio padrdo dos erros (DPem) #8 [1] 1.718648 sqrt (mean(abs(vc.exp.wls$std.error))) # Desvio Padrao dos erros reduzidos (Ser) a [1] 0.8574244 sum(abs(vc.exp.nls$data-ve.exp.uls$predicted)) # Ero absoluto (EA) a [1] 499.1842 # # gaus.wls ve.gaus.wls <- xvalid(geodados, mode! w.gaus) ‘ile: /UsersValentina/Desktopigeoestatistica/TrabalhlRel_Par_-Geo.html 18124‘22/09/2020 Relatério da Geoestatisica i xvalid: number of data locations 169 iH xvalid: number of validation locations = 169 ft xvalid: performing cross-validation at location ... 1, 2, 3, 4, 5, 6 7, 8, 9, 18, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 3 6, 37, 38, 39, 49, 41, 42, 43, 44, 45, 46, 47, 48, 49, 58, 51, 52, 53, 54, SS, 56, 57, 58, 5 9, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 78, 71, 72, 73, 74, 75, 76, 77, 78, 79, 88, 81, 8 2, 83, 84, 85, 86, 87, BB, 89, 98, 91, 92, 93, 94, 95, 96, 97, 98, 99, 100, 101, 102, 103, 10 4, 105, 106, 107, 108, 109, 110, 111, 112, 113, 114, 115, 116, 117, 118, 119, 120, 121, 122, 123, 124, 125, 126, 127, 128, 129, 138, 131, 132, 133, 134, 135, 136, 137, 138, 139, 140, 14 1, 142, 143, 144, 145, 146, 147, 148, 149, 15, 151, 152, 153, 154, 155, 156, 157, 158, 159, 160, 161, 162, 163, 164, 165, 166, 167, 168, 169, wit xvalid: end of cross-validation nean(ve.gaus.wlsserror) # media do erro (EM) a [1] -0,006075392 mean(vc.gaus.wis$std.erron) # erro medio reduzido (ER) a [1] -,0006593381 sqrt(mean(abs(ve.gaus.wis$error))) # desvio padrdo dos erros (DPem) a [1] 1.716648, sqrt(mean(abs(vc.gaus.wis$std.error))) # Desvio Padrao dos erros reduzidos (Ser) a [1] 0,8198549 sun(abs (vc. gaus.wis$data-ve.gaus.wis$predicted)) # Erro absoluto (EA) i [1] 498.0229 tabelac-matrix(rep(NA,15),3) ‘tabela[1, ]<-c(-0.0014, -2.0001,1.7064,0.8301,492.1131) tabela[2, ]<-c(-0.0068, -@.0007,1.7186,0.8574, 499.1842) tabela[3, ]<-c(-0.0060, -6.0007,1.7166, @.8199,498.0229) row names (tabela)<-c(" colnanes(tabela)<-c( "EM kable(tabela) eM ER DPem Ser EA Esférico -0.0014 16-04 1.7064 0.8301 492.1131 Exponencial -0.0060 -Te-04 1.7186 0.8574 499.1842 Gaussiano -0,0060 “70-04 1.7166 0.8199 498.0229 ‘ile: /UsersValentina/Desktopigeoestatistica/TrabalhlRel_Par_-Geo.html 9124‘22/09/2020 Relatério da Geoestatisica Na tabela acima, assim como na tabela anterior, temos os 3 modelos @ seus respectivos valores de Erro Médio (EM), Ero Médio Relativo (ER), Desvio Padrao do Erro (DPem), Desvio Padrao do Erro Reduzido (Ser), e Etro Absoluto (EA), 86 que agora utiizando 0 método WLS. Dessa forma, © melhor ajuste por WLS também foi para 0 Modelo Esférico com 4 critérios favordveis de 5 possiveis (exceto para o Ser), ou seja, também gerou um resultado igual que a andlise grafica mas diferente para a estimagao do R?, o qual indicou ‘© melhor modelo como sendo 0 modelo Exponencial, mas como ja dito talvez isto se deva ao fato que provavelmente a estimagao do efeito pepita como zero superestimou a contribuigao. Tanto para o ajuste utiizando OLS quanto para o ajuste WLS, gerou resultados muito similares, assim escolheu-se utilizar 0 OLS para as demais analises. Modelo escolhido - Esférico esf <- variofit(vario2, cov.model: ) weights="equal tH variofil variofi covariance model used is spherical weights used: equal : minimisation function used: optim Wt variofil Warning in variofit(vario2, cov.model sph", weights values not provided - running the default search equal"): initial 2 i variofit: searching for best initial value ... selected values: a sigmasq phi ‘tausq kappa WH initial.value "72.45" "644.22" "e" "9.5" ai status "est" “est” "est" "Fix’ 4 loss value: 197.95727831003 f i# variofit: model parameters estimated by OLS (ordinary least squares): covariance model is: spherical parameter estinates: tausq signasq phi 6.1638 62.2057 654.2644 Practical Range with cor 654.2644 05 for asymptotic range eR SR RF variofit: minimised sum of squares = 68.658 plot(vario2, xlab="Distancia (h)", ylab: Lines(esf,1wd=1,1ty=1,col="red") "Semivariancia") tabelac-matrix(rep(NA,4),4) tabela[1, ]<-c(6.1636) tabela[2, ]<-c(62.2057) tabela[3, ]<-c(68.3687) tabela[4, ]<-c(654.2644) row.names(tabela)<-c("Efeito Pepita”, “Contribuicao", "Patamar", “Alcance”) colnanes(tabela)<-c("Tabela - Modelo Esférico") kable(tabela) Tabela - Modelo Esférico ‘ile: /UsersValentina/Desktopigeoestatistica/TrabalhlRel_Par_-Geo.html 20124‘22/09/2020 Relatério da Geoestatisica Tabela - Modelo Esférico Efeito Pepita 6.1630 Contribuigao 62.2057 Patamar 68.3687 Alcance 654.2644 ‘Semivariancia ° 200 400 600 800 Distancia (h) Acima temos 0 gréfico do modelo escolhido, ou seja, do modelo Esférico. A partir do gréfico conseguimos ver que a linha vermelha capta bem o crescimento dos pontos no grafico. Temos ento, um efeito pepita de 6.16, 0 qual representa a variancia residual (nao espacial), uma contribuigéo de 62.21, a qual representa a variancia estrutural (ou espacial), e somando 0 efeito pepita com a contribuigao temos o patamar, atingido em 68.37, 0 mesmo representa a variancia total, e por fim o alcance ¢ atingido em 654.26, representando a distancia até a qual existe dependéncia espacial. Esses valores podem ser vistos na tabela acima e de forma visual a partir do grafico Calculo do indice DE proposto por Biondi et al. (1994) ‘ile: /UsersValentina/Desktopigeoestatistica/TrabalhlRel_Par_-Geo.html pare‘22/09/2020 Relatério da Geoestatisica #0 modelo Esférico foi o que apresentou o melhor ajuste. #CéLcuLo do Indice DE proposto por Biondi et al. (1994): #Estimativas dos pardmetros do semivariograni CO <- 6.1630 # efeito pepita C1 <- 62.2057 # contribuicao # I< af (€! Iso } else { T= c1/ (ca +1) + # DE DE <- 1*100 DE wt [1] 90.98564 # Classificagéo do DE (adaptada de Cambardella et al. (1994)) if (DE < 25) { cat("Fraca dependéncia espacial") } else if (DE >= 25 && DE < 75) { cat("Moderada dependéncia espacial") y else { Forte dependéncia espacial") Ht Forte dependéncia espacial Dessa forma, executanto os comandos e utilizando o modelo Esférico como o melhor modelo, temos um indice de 90.99% 0 qual é considerado como forte, ou seja, existe uma forte dependéncia espacial nos dados. Krigagem Ordinaria Temos alguns tipos de Krigagem na geoestatistica, como: Krigagem Ordinéria, Krigagem Universal Krigagem Indicadora, Assim, como nao temos tendéncia nos dados deste estudo, ou seja, a média é constante em toda a area sem influéncias sobre as coordenadas nos dados, utiizaremos para as proximas analises a Krigagem Ordinéria, aplicando 0 modelo esférico (esf) que foi o modelo escolhido e também em “trend. e “trend.d" utilizaremos “cte coordenadas. #krigagem ordindria grid = expand. grid(seq(sunmary (geodados) [[2]][[1]], sunmary(geodados)((2]][[2]], seq(sunmary(geodados)[[2]][[3]],sunmary(geodados) ((2]][[4]] kg <- krige.conv(geodados, locatioi f, trend.1="cte", trend.d="cte")) at keige.conv: model with constant mean tt krige.conv: Kriging performed using global neighbourhood ‘ile: /UsersValentina/Desktopigeoestatistica/TrabalhlRel_Par_-Geo.html rid, krige-krige. control (type.krigs ou seja, constante pois como ja dito ndo ha tendéncia em relagao as 2aree‘22/09/2020 Relatério da Geoestatisica # image(kg, col=heat.colors(20, rev=T), location=grid, main= apa dos valores estimados 'Grfico 6- Mapa de Krigagen") # m fvalores de variancia de krigagen image(kg, val=kgskrige.var, colsheat.colors(20, re da Variancia de Krigagen") "Grafico 7- Mapa # Mapa de curvas de nivel: contour(kg, main="Grafico 8 - Mapa de curvas de nivel") Grafico 6- Mapa de Krigagem Y Coord 400 600 800 1000 200 o 500 1000 X Coord Grafico 7- Mapa da Variancia de Krigagem Y Coord 400 600 800 1000 200 o 500 1000 X Coord ‘ile: /UsersValentina/Desktopigeoestatistica/TrabalhlRel_Par_-Geo.html 23124‘22/09/2020 Relatério da Geoestatisica Grafico 8 - Mapa de curvas de nivel a / r 8 See < ‘| nk 0 500 1000 X Coord gréfico 6, visto acima, mostra o Mapa de Krigagem, como os pontos foram coletados em uma Area quadrada de 1000 x 1000 m, temos o mapa em forma de quadrado, 0 mesmo nos diz que as cores mais claras possuem locais com menores altitudes ¢ as cores mais escuras nos mostram locais com maiores altitudes. grafico 7, visto acima, mostra o Mapa da Variancia de Krigagem. O mapa nos diz que cores mais claras possuem menores variancias de krigagem e cores mais escuras possuem maiores variancias de krigagem. Percebe-se que, quando nos afastamos dos pontos observados, a variancia aumenta. O gréfico 8, visto acima, mostra o Mapa de contorno de curvas de niveis, cada curva de nivel tem um valor estimado. ‘ile: /UsersValentina/Desktopigeoestatistica/TrabalhlRel_Par_-Geo.html 2aree