Espacial móvel médio arcgis no Brasil

Eu tenho um mapa raster do Midwest dos EUA que é muito escasso, ou seja, os pixels de interesse são poucos o suficiente para ser quase invisble quando visto em uma escala onde todos os estados do Meio-Oeste dos EUA são visíveis. Gostaria de seguir a abordagem descrita neste documento PNAS (pnas. orgcontent110104134.full) para criar um mapa melhor, mas não sei como replicá-lo no ArcGIS. Qualquer ajuda seria apreciada. O PNAS descreve as etapas da seguinte forma: Devido aos tamanhos pequenos e distribuição dispersa de áreas de mudança, foi difícil visualizar padrões regionais de LCLUC na resolução espacial original de 56 m. Como resultado, usamos técnicas de suavização espacial para criar uma superfície de mudança regional que realçava os pontos de mudança locais de mudança. Abordagens relacionadas são usadas em campos como a epidemiologia espacial para gerar uma estimativa estável das taxas de doença (48), mas não têm sido amplamente aplicadas no campo da ciência da mudança de terra. Em nossa abordagem de suavização, os pixels de alteração com resolução espacial de 56 m foram primeiro agregados à porcentagem de alteração em resolução de 560 m. Isto foi feito tomando 10 por 10 blocos de 56 m de pixels (isto é, 100 blocos de pixels) e somando a mudança binária dentro de cada bloco (Fig. S4A). Em seguida, utilizamos um kernel 2D mais suave para calcular uma estimativa suavizada da alteração percentual para cada um dos pixels de resolução de 560 m (Fig. S4B). Utilizou-se uma função de núcleo quântico para calcular médias móveis na área de estudo com uma largura de banda de 10 km. A mesma função do kernel quartic foi usada para suavizar a mudança percentual de milho em 2006 para pastagem em 2017. Finalmente, geramos um mapa alisado de cobertura de pastagem em 2006, agregando a presença de pastagem a 56 m de resolução para porcentagem de cobertura de pastagem com resolução de 560 m , E então alisar esta camada de cobertura agregada usando o mesmo kernel quartic de 10 km. Esta camada de cobertura de pastagem suavizada foi posteriormente utilizada como denominador na geração de um mapa de taxas relativas de conversão de pastagens. Tanto quanto eu entendo, este é o fluxograma: 1. Use estatísticas de bloco em ArcGIS para somar 10x10 pixels de 56-m raster para 560m raster 2. 2D kernel smoother: não sei como fazer isso 3. Quartic kernel: não sei como Para fazer isso Não tenho certeza como progredir além da etapa 1 pedida Aug 15 14 at 0: 29Base R inclui muitas funções que podem ser usadas para ler, visualizar e analisar dados espaciais. O foco nessa visão é sobre dados geográficos quotgeográficos, onde as observações podem ser identificadas com locais geográficos e onde informações adicionais sobre esses locais podem ser recuperadas se o local for registrado com cuidado. As funções da Base R são complementadas por pacotes contribuídos, alguns dos quais estão no CRAN, e outros ainda estão em desenvolvimento. Um local ativo é R-Forge. Que lista projetos quotSpatial Data e Statisticsquot em sua árvore de projeto. Informações sobre pacotes R-spatial, especialmente sp é publicado no site do projeto R-Forge rspatial. Incluindo uma galeria de visualização. O desenvolvimento ativo de sp continua em Github. Os pacotes contribuídos abordam duas grandes áreas: movimentação de dados espaciais dentro e fora de R e análise de dados espaciais em R. A lista de endereços R-SIG-Geo é um bom ponto de partida para obter ajuda e discutir questões sobre acesso a dados, E analisá-lo. A lista de discussão é um bom lugar para procurar informações sobre cursos relevantes. Mais informações sobre cursos podem ser encontradas na guia quotEventsquot deste blog. Há uma série de tutoriais contribuídos e introduções uma recente é Introdução à visualização de dados espaciais em R por Robin Lovelace e James Cheshire. Os pacotes nesta visualização podem ser estruturados grosso modo nos seguintes tópicos. Se você acha que algum pacote está faltando na lista, por favor me avise. Classes para dados espaciais. Como muitos dos pacotes que importam e usam dados espaciais tiveram que incluir objetos de armazenamento de dados e funções para visualizá-lo, uma iniciativa está em andamento para construir classes compartilhadas e traçar funções para dados espaciais. O pacote sp é discutido em uma nota no R News. Um novo pacote chamado sf está agora no CRAN, e está sendo ativamente desenvolvido no GitHub. Fornecendo Funcionalidades Simples para R. O desenvolvimento do pacote está sendo apoiado pelo Consórcio R. Ele fornece acesso a recursos simples para dados vetoriais e, como tal, é uma implementação moderna de partes de sp. Muitos outros pacotes tornaram-se dependentes das classes sp, incluindo rgdal e maptools. O pacote rgeos fornece uma interface para funções de topologia para objetos sp usando o GEOS. O stplanr fornece uma classe quotSpatialLinesNetworkquot baseada em objetos definidos em sp e igraph que podem ser usados ​​para a análise de roteamento dentro de R. Outro pacote de rede é shp2graph. O cleangeo pode ser usado para inspecionar objetos espaciais, facilitar o manuseio e relatório de erros de topologia e questões de validade de geometria. Ele afirma fornecer um limpador de geometria que irá corrigir todos os problemas de geometria e eliminar (pelo menos reduzir) a probabilidade de ter problemas ao fazer o processamento de dados espaciais. O pacote raster é uma grande extensão de classes de dados espaciais para virtualizar o acesso a rasters grandes, permitindo a análise de objetos de grande porte e estendendo as ferramentas analíticas disponíveis para dados raster e vetoriais. Usado com rasterVis. Ele também pode fornecer visualização aprimorada e interação. O pacote spatial. tools contém funções espaciais destinadas a melhorar a funcionalidade principal do pacote raster, incluindo um mecanismo de processamento paralelo para uso com rasters. O pacote do micromap fornece micromaps ligados usando ggplot2. O pacote de recmap fornece cartogramas retangulares com tamanhos de retângulo refletindo, por exemplo, a população do estado, uma abordagem de binning mais simples para estados dos EUA. O pacote de espaço-tempo estende as classes compartilhadas definidas em sp para dados espaço-temporais (ver Dados Spatio-Temporais em R). O Grid2Polygons converte um objeto espacial da classe SpatialGridDataFrame para SpatialPolygonsDataFrame. Uma abordagem alternativa para algumas destas questões é implementada no pacote PBSmapping PBSmodelling fornece suporte de modelagem. Além disso, o GEOmap fornece recursos de mapeamento direcionados para atender às necessidades dos geólogos e usa o pacote geomapdata. Tratamento de dados espaciais. Vários pacotes foram escritos usando classes sp. O pacote de varredura introduz muitos métodos GIS que agora permitem muito a ser feito com dados espaciais sem ter que usar GIS além de R. Ele pode ser complementado por gdistance. Que forneceu cálculo de distâncias e rotas em redes geográficas. Geosfera permite cálculos de distância e área a ser realizada em dados espaciais em coordenadas geográficas. O pacote dggridR fornece uma interface para DGGRID para trabalhar com grades globais discretas, usando hexágonos, triângulos e diamantes para superar o problema que cada compartimento tem a mesma área. O pacote spsurvey fornece uma gama de funções de amostragem. O pacote de viagem estende sp classes para permitir o acesso e manipulação de dados espaciais para rastreamento de animais. O pacote hdeco fornece decomposição hierárquica de entropia para comparações de mapas categóricos. O pacote GeoXp permite a análise de dados espaciais exploratórios gráficos interativos. Spcosa fornece amostragem de cobertura espacial e amostragem aleatória de estratos geográficos compactos. A magclass oferece uma classe de dados para interoperabilidade aumentada trabalhando com dados espaço-temporais juntamente com funções e métodos correspondentes (conversões, cálculos básicos e manipulação de dados básicos). A classe distingue entre dimensões espaciais, temporais e outras para facilitar o desenvolvimento ea interoperabilidade de ferramentas construídas para ele. Os recursos adicionais são endereçamento baseado em nomes de dados e verificações de consistência interna (por exemplo, verificando a ordem de dados correta nos cálculos). O conjunto de pacotes UScensus2000 (UScensus2000cdp. UScensus2000tract) torna o uso de dados do Censo dos EUA de 2000 mais conveniente. Um conjunto de dados importantes, Guerrys quotMoral Statistics of Francequot, foi disponibilizado no pacote de Guerry, que fornece dados e mapas e exemplos destinados a contribuir para a integração de análise multivariada e espacial. O pacote marmap é projetado para baixar, traçar e manipular dados batimétricos e topográficos em R. O marmap pode consultar a base de dados de batimetria e topografia ETOPO1 hospedada pela NOAA, usar dados de latitude-longitude-profundidade simples em formato ascii e aproveitar o avançado Plotting ferramentas disponíveis em R para construir qualidade de publicação mapas batimétricos (ver o papel PLOS). Os limites modernos do país são fornecidos em 2 resoluções por rworldmap junto com funções para juntar e traçar dados tabular referenciados por nomes de país ou códigos. Os mapas de cloropletina e de bolhas são suportados e as funções gerais funcionam em mapas fornecidos pelo usuário (veja Um novo pacote R para Mapeamento de Dados Globais.) As fronteiras de país de resolução mais alta (1946-2017) podem ser obtidas a partir de O pacote cshapes juntamente com funções para o cálculo de matrizes de distância. O pacote landsat com o papel JSS que acompanha fornece ferramentas para explorar e desenvolver ferramentas de correção para dados de sensoriamento remoto. TaRifx é um conjunto de funções de utilidade e conveniência e Algumas funções espaciais interessantes. O pacote gdalUtils fornece wrappers para os Utilitários da Biblioteca de Abstração de Dados Geoespaciais (GDAL) Uma entrada de blog rOpenSci descreveu uma abordagem centrada em GeoJSON para a leitura de dados GeoJSON e WKT. O GeoJSON pode ser escrito e lido usando rgdal e WKT por A entrada lista geojson, geojsonio, geoaxe e gramado, entre outros. O pacote rgbif é usado para acce Dados da Facilidade Global de Informação sobre Biodiversidade (GBIF)). O geoaxe permite aos usuários dividir objetos geoespaciais em pedaços. O pacote de gramado é um cliente para Turfjs para análise geoespacial. Leitura e escrita de dados espaciais - rgdal. Os mapas podem ser baseados em vetores ou rasterizados. O pacote rgdal fornece ligações a formatos de raster suportados pelo GDAL e formatos vetoriais suportados pelo OGR. Ele contém funções para gravar arquivos raster em formatos suportados. O pacote também fornece suporte de projeção PROJ.4 para objetos vetoriais (este site fornece representações de projeções online PROJ.4 on-line). As transformações afim e de similaridade em objetos sp podem ser feitas usando funções no pacote vec2dtransf. Os binários Windows e Mac OSX CRAN do rgdal incluem subconjuntos de possíveis drivers de fonte de dados se outros forem necessários, usam outros utilitários de conversão ou instalam a partir da origem contra uma versão do GDAL com os drivers necessários. O pacote rgeos fornece funções para leitura e escrita de geometria de texto bem conhecido (WKT), eo pacote wkb fornece funções para ler e escrever geometria binária bem conhecida (WKB). Leitura e escrita de dados espaciais - outros pacotes. Há uma série de outros pacotes para acessar dados vetoriais no CRAN: maps (com mapdata e mapproj) fornece acesso aos mesmos tipos de bancos de dados geográficos como S - RArcInfo permite que os arquivos binários ArcInfo v.7 e. e00 sejam lidos e Maptools e shapefiles ler e gravar ArcGISArcView shapefiles para arquivos NetCDF, ncdf4 ou RNetCDF podem ser usados. O pacote maptools também fornece funções auxiliares para escrever arquivos de polígonos de mapa a serem lidos por WinBUGS, Mondrian e o comando tmap no Stata. Também fornece funções de interface entre as classes PBSmapping e spatstat e sp, além de bancos de dados de mapas e classes sp. Há também uma interface para bases de dados da costa GSHHS. O pacote gmt fornece uma interface simples entre o software de elaboração de mapas GMT e o R. geonames é uma interface para o serviço geonames. org. O OpenStreetMap dá acesso a imagens raster de mapa de rua abertas e a osmar fornece infra-estrutura para acessar dados OpenStreetMap de fontes diferentes, trabalhar com os dados em modo R comum e converter dados em infra-estrutura disponível fornecida por pacotes R existentes. O pacote rpostgis fornece funções adicionais ao pacote RPostgreSQL para interface R com um banco de dados habilitado para PostGIS, bem como invólucros convenientes para consultas comuns do PostgreSQL. O pacote postGIStools fornece funções para converter tipos de dados de geometria e hstore do PostgreSQL em objetos R padrão, bem como para simplificar a importação de quadros de dados R (incluindo quadros de dados espaciais) na integração do PostgreSQL com a versão 6. e do GIS , GRASS, é fornecido no pacote spgrass6 do CRAN. Usando rgdal para troca de dados. Para GRASS 7., use rgrass7. RPyGeo é um wrapper para o acesso do Python ao ArcGIS GeoProcessor, e o RSAGA é um invólucro similar baseado em shell para comandos SAGA. O pacote RQGIS estabelece uma interface entre R e QGIS, isto é, permite ao usuário acessar as funcionalidades do QGIS a partir do console R. Ele consegue isso usando o QGIS Python API através da linha de comando. Observe também este tópico sobre uma integração RQGIS alternativa. Visualização. Para visualização, as paletas de cores fornecidas no pacote RColorBrewer são muito úteis e podem ser modificadas ou estendidas usando a função colorRampPalette fornecida com R. O pacote classInt fornece funções para escolher intervalos de classe para cartografia temática. O pacote tmap fornece uma base moderna para o mapeamento temático opcionalmente usando uma sintaxe Gramática de Gráficos. Como ele tem uma plataforma gráfica de grade personalizada, evita a necessidade de fortificar geometrias para usar com o ggplot2. O pacote mapview fornece métodos para exibir objetos espaciais interativamente, geralmente em uma base de mapeamento da web. O pacote quickmapr fornece um método simples para visualizar objetos sp e raster, permite zoom básico, panning, identificação e rotulagem de objetos espaciais e não requer que os dados estejam em coordenadas geográficas. O pacote de cartografia permite várias representações cartográficas, tais como símbolos proporcionais, coropleta, tipologia, fluxos ou descontinuidades. O pacote mapmisc é um conjunto mínimo e leve de ferramentas para produzir mapas agradáveis ​​em R, com suporte para projeções de mapas. Se o usuário desejar colocar um pano de fundo de mapa atrás de outras telas, o pacote RgoogleMaps para acessar o Google Maps (TM ) pode ser útil. Ggmap pode ser usado para visualização espacial com o Google Maps e OpenStreetMap ggsn fornece setas e escalas do Norte para esses mapas. O pacote plotGoogleMaps fornece métodos para a visualização de objetos espaciais e espaço-temporais no Google Maps em um navegador da Web. PlotKML é um pacote que fornece métodos para a visualização de objetos espaciais e espaço-temporais no Google Earth. Outra opção é leafletR. Que fornece funcionalidade básica de mapeamento da Web para combinar arquivos de dados vetoriais e telhas de mapa on-line de diferentes fontes. Análise de padrões pontuais. O pacote espacial é um pacote recomendado enviado com base R, e contém várias funções principais, incluindo uma implementação de Khat pelo seu autor, Prof Ripley. Além disso, spatstat permite a liberdade na definição da (s) região (s) de interesse, e faz extensões a processos marcados e covariáveis ​​espaciais. Seus pontos fortes são model-fitting e simulação, e tem uma homepage útil. É o único pacote que permitirá ao usuário ajustar modelos de processo de ponto não homogêneos com interações interpessoais. O pacote spatgraphs fornece gráficos, visualização de gráficos e resumos baseados em gráficos a serem usados ​​com a análise de padrão de ponto espacial. O pacote splancs também permite que dados de ponto sejam analisados ​​dentro de uma região poligonal de interesse, e abrange muitos métodos, incluindo densidades de kernel 2D. O pacote smacpod fornece vários métodos estatísticos para analisar dados de ponto de controle de caso. Os métodos disponíveis seguem de perto aqueles no capítulo 6 de estatísticas espaciais aplicadas para dados de saúde pública por Waller e Gotway (2004). O ecespa fornece invólucros, funções e dados para análise de padrões pontuais espaciais, utilizados no livro sobre Ecologia Espacial do ECESPAAEET. As funções para separar pontos em grades em cinzas também podem ser de interesse. O pacote de anúncios executa análises em várias escalas de primeira e segunda ordem derivadas da função K de Ripleys. O pacote aspace é uma coleção de funções para estimar statistcs centrográficos e geometrias computacionais a partir de padrões de pontos espaciais. Spatialkernel fornece estimativa de densidade de kernel corrigida de borda e estimativa de regressão de kernel binário para dados de processo de ponto espacial multivariados. O DSpat contém funções para modelagem espacial para dados de amostragem à distância e a agregação espacial fornece medidas de segregação para padrões de pontos espaciais de vários tipos. GriegSmith usa o método Grieg-Smith em dados espaciais bidimensionais. O pacote dbmss permite a simples computação de um conjunto completo de funções estatísticas espaciais de distância, incluindo as clássicas (Ripleys K e outros) e as mais recentes usadas por economistas espaciais (Duranton e Overmans Kd, Marcon e Puechs M). Baseia-se em spatstat para cálculo de núcleo. LatticeDensity contém funções que calculam o estimador de densidade baseado em retículos de Barry e McIntyre, que representa processos pontuais em regiões bidimensionais com bordas e furos irregulares. Geoestatística. O pacote gstat oferece uma ampla gama de funções para geoestatística univariada e multivariada, também para grandes conjuntos de dados, enquanto geoR e geoRglm contêm funções para geoestatística baseada em modelos. O diagnóstico de variograma pode ser realizado com vardiag. A interpolação automatizada usando gstat está disponível no automap. Esta família de pacotes é completada por intamap com procedimentos para interpolação automatizada e psgp. Que implementa krigagem de processo gaussiano esparsa projetada. Uma ampla gama de funções semelhante está a ser encontrada no pacote de campos. O pacote espacial é fornecido com base R e contém várias funções principais. O pacote spBayes se encaixa modelos Gaussianos univariados e multivariados com MCMC. Rampas é um pacote de modelagem geoestatística Bayesiano diferente. O pacote geospt contém algumas funções de base geoestatística e radial, incluindo previsão e validação cruzada. Além disso, inclui funções para o desenho de redes de amostragem espacial ótima baseadas em modelagem geoestatística. O pacote geostatsp oferece instalações de modelagem geoestatística usando objetos Raster e SpatialPoints. Modelos não gaussianos são ajustados usando INLA, e os modelos geoestatísticos Gaussianos usam Estimação de Máxima Verossimilhança. O pacote RandomFields fornece funções para a simulação e análise de campos aleatórios, e as descrições de modelos de variogram podem ser passadas entre geoR. Gstat e este pacote. SpatialExtremes propõe várias abordagens para modelos de extremos espaciais usando RandomFields. Além disso, CompRandFld. Kriging e geospt oferecem abordagens alternativas para a modelagem geoestatística. O pacote spTimer é capaz de se enquadrar, prever espacialmente e prever temporalmente grandes quantidades de dados espaço-tempo usando 1 Modelos Bayesianos de Processo Gaussiano (GP), 2 Modelos Bayesianos Auto-Regressivos (AR) e 3 Processos Preditivos Gaussianos Bayesianos (GPP) AR Modelos. O pacote rtop fornece funções para a interpolação geoestatística de dados com suporte espacial irregular, tais como dados relacionados ao escoamento ou dados de unidades administrativas. O pacote georob fornece funções para a montagem de modelos lineares com erros correlacionados espacialmente pelo robusto e Gaussian Restricted Maximum Likelihood e para calcular previsões robustas e usuais de krigagem de pontos e blocos, juntamente com funções de utilidade para validação cruzada e para back-transformation imparcial de previsões de krigagem de Log-dados transformados. O pacote SpatialTools tem uma ênfase na krigagem e fornece funções para previsão e simulação. Ele é estendido por ExceedanceTools. Que fornece ferramentas para construir regiões de confiança para regiões de excedência e linhas de contorno. O pacote de engrenagens implementa métodos geo-estatísticos comuns de uma maneira limpa, direta e eficiente, e é dito ser uma quase reinicialização do SpatialTools. O pacote sperrorest implementa a estimação de erro espacial e a importância da variável espacial baseada em permuta, usando diferentes métodos espaciais de validação cruzada e bootstrap de bloco espacial. O pacote sgeostat também está disponível. Dentro da mesma área tópica geral estão os pacotes deldir e tripack para triangulação eo pacote akima para interpolação spline o pacote MBA fornece interpolação de dados dispersos com B-splines multinível. Além disso, há o pacote spatialCovariance, que suporta a computação de matrizes de covariância espacial para dados em retângulos, o pacote de regressos em parte construído em spatialCovariance. E o pacote tgp. O pacote Stem fornece a estimativa dos parâmetros de um modelo espaço-temporal usando o algoritmo EM ea estimativa dos erros padrão de parâmetro usando um bootstrap paramétrico espaço-temporal. FieldSim é outro pacote de simulações de campos aleatórios. O SSN é para a modelagem geoestatística de dados em redes de fluxo, incluindo modelos baseados na distância in-stream. Os modelos são criados usando construções de média móvel. Modelos lineares espaciais, incluindo covariados, podem ser ajustados com ML ou REML. Mapeamento e outras funções gráficas estão incluídas. O ipdw fornece funções de interpolação de dados de ponto georreferenciados via ponderação de distância de caminho inverso. Útil para aplicações marinhas costeiras onde as barreiras na paisagem impedem a interpolação com distâncias euclidianas. RSurvey pode ser usado como um programa de processamento para dados espacialmente distribuídos, e é capaz de correções de erro e visualização de dados. Mapeamento de doença e análise de dados areal. DCluster é um pacote para a detecção de clusters espaciais de doenças. Ele se estende e depende do pacote spdep, que fornece funções básicas para construir listas de vizinhos e pesos espaciais, testes de autocorrelação espacial para dados de área como Morans I e funções para ajustar modelos de regressão espacial, como modelos SAR e CAR. Estes modelos assumem que a dependência espacial pode ser descrita por pesos conhecidos. O pacote SpatialEpi fornece implementações de detecção de cluster e funções de mapeamento de doenças, incluindo a detecção de agrupamentos bayesianos, e suporta estratos. O pacote smerc fornece métodos estatísticos para a análise de dados de dados, com foco na detecção de cluster. O pacote de diseasemapping oferece a formatação de dados de população e caso, cálculo de Índices de Incidência Padronizados e ajuste do modelo BYM usando INLA. A regionalização de objetos de polígono é fornecida por AMOEBA. Uma função para calcular clusters espaciais usando a estatística local Getis-Ord. Ele pesquisa clusters irregulares (ecótopos) em um mapa, e por skater em spdep. Os pacotes seg e OasisR fornecem funções para medir a segregação espacial OasisR inclui simulações de Monte Carlo para testar os índices. O pacote spgwr contém uma implementação de métodos de regressão geograficamente ponderados para explorar possíveis não estacionários. O pacote gwrr se encaixa modelos de regressão geograficamente ponderada (GWR) e tem ferramentas para diagnosticar e corrigir a colinearidade nos modelos GWR. Também se encaixa geograficamente ponderada ridge regressão (GWRR) e geograficamente ponderada lasso (GWL) modelos. O pacote GWmodel contém funções para calcular modelos geograficamente ponderados. O pacote lctools oferece aos pesquisadores e educadores ferramentas fáceis de aprender para calcular cálculos estatísticos espaciais e aplicar métodos simples e avançados de análise espacial em dados reais. Estes incluem: Pearson local e Coeficientes de Correlação de Pearson Geograficamente Ponderados, Medidas de Desigualdade Espacial (Gini, Gini Espacial, LQ, Focal LQ), Autocorrelação Espacial (Global e Local Morans I), várias técnicas de Regressão Geograficamente Ponderada e outras ferramentas de Análise Espacial Estatísticas ponderadas). Este pacote também contém funções para medir a significância de cada estatística calculada, principalmente com base em simulações de Monte Carlo. O pacote sparr fornece outra abordagem aos riscos relativos. O pacote CARBayes implementa modelos de unidades de área espacial hierárquica Bayesiana. Em tais modelos, a correlação espacial é modelada por um conjunto de efeitos aleatórios, aos quais é atribuída uma distribuição prévia autorregressiva condicional (CAR). Exemplos dos modelos incluídos são o modelo BYM, bem como um modelo de alisamento espacial localizado recentemente desenvolvido. O pacote glmmBUGS é uma maneira útil de distribuir modelos espaciais para o WinBUGS. O pacote spaMM se encaixa GLMMs espaciais, usando a função de correlação Matern como o modelo básico para efeitos aleatórios espaciais. O pacote PReMiuM é para regressão de perfil, que é um modelo de agrupamento Bayesiano de processo de Dirichlet que fornece um termo CAR espacial que pode ser incluído nos efeitos fixos (que são globais, ou seja, parâmetros não específicos de cluster) para explicar qualquer correlação espacial em Os resíduos. O pacote spacom fornece ferramentas para construir e explorar dados de contexto ponderados espacialmente e permite ainda combinar os dados de contexto espacialmente ponderados resultantes com variáveis ​​de preditores e de resultados de nível individual, para efeitos de modelação multinível. O pacote geospacom gera matrizes de distância a partir de arquivos de forma e representa resultados de análise multinível ponderada em vários níveis. A análise de sobrevivência espacial é fornecida pelos pacotes de spatsurv - inferência bayesiana para modelos paramétricos de sobrevivência espacial de riscos proporcionais - e pacotes spBayesSurv - Modelagem Bayesiana e Análise de Dados de Sobrevivência Espacialmente Correlacionados. O pacote spselect fornece funções de modelagem baseadas em regressão stepwise direta, regressão progressiva incremental para o estágio, regressão de menor ângulo (LARS) e modelos laço para selecionar a escala espacial de covariáveis ​​em modelos de regressão. Regressão espacial. A escolha da função para a regressão espacial dependerá do suporte disponível. Se os dados são caracterizados por suporte pontual eo processo espacial é contínuo, métodos geoestatísticos podem ser usados, ou funções no pacote nlme. Se o suporte for areal e o processo espacial não estiver sendo tratado como contínuo, as funções fornecidas no pacote spdep podem ser usadas. Este pacote também pode ser visto como fornecendo funções de econometria espacial e, como mencionado acima, fornece funções básicas para construir listas de vizinhos e pesos espaciais, testes de autocorrelação espacial para dados de área como Morans I e funções para ajustar modelos de regressão espacial. Ele fornece toda a gama de indicadores locais de associação espacial, como o Morans I local e ferramentas de diagnóstico para modelos lineares montados, incluindo testes de Lagrange Multiplier. Modelos de regressão espacial que podem ser montados usando a máxima verossimilhança incluem modelos de atraso espacial, modelos de erro espacial e modelos espaciais de Durbin. Para conjuntos de dados maiores, as técnicas de matriz esparsa podem ser usadas para ajustes de máxima verossimilhança, enquanto os métodos de mínimos de praça de dois estágios e método de estimadores de momentos generalizados são uma alternativa. Quando se utiliza GMM, o sphet pode ser utilizado para acomodar tanto a autocorrelação como a heterocedasticidade. A regressão de contagem espacial é fornecida usando MCMC personalizado por spatcounts. A McSpatial fornece funções para regressão ponderada localmente, regressão paramétrica semiparamétrica e condicionalmente, funções spline cúbicas e fourier, GMM e logit espacial linearizado e probit, funções de densidade k e contrafactuais, regressão quântica não paramétrica e funções de densidade condicional, decomposição de Machado-Mata para quantil Regressões, modelo AR espacial, modelos de vendas repetidas e condicionalmente paramétrico logit e probit. O pacote splm fornece métodos para ajustar dados de painel espacial por máxima verossimilhança e GM. Os dois pequenos pacotes S2sls e spanel fornecem implementações alternativas sem a maioria das facilidades de splm. O pacote HSAR fornece Modelos Autoregressivos Espaciais Hierárquicos (HSAR), com base em um algoritmo Bayesiano Markov Chain Monte Carlo (MCMC). Spatialprobit possibilitam estimativa bayesiana do modelo probit autoregressivo espacial (modelo probit SAR). O pacote ProbitSpatial fornece métodos para montagem de modelos de probit espacial binomial para conjuntos de dados maiores. Os modelos probit espacial autoregressivos (SAR) e erros espaciais (SEM) são incluídos. Análise ecológica. Existem muitos pacotes para analisar dados ecológicos e ambientais. Incluem ade4 para métodos exploratórios e euclidianos nas ciências ambientais, a família adehabitat de pacotes para análise de seleção de hábitats por animais (adehabitatHR, adehabitatLT e adehabitatMA), pastecs para a regulação, decomposição e análise de séries espaço-temporais , Vegan para métodos de ordenação e outras funções úteis para ecologistas da comunidade e da vegetação, e muitas outras funções em outros pacotes contribuídos. Um deles é tripEstimation. Baseando-se nas classes fornecidas pela viagem. Ncf entrou no CRAN recentemente e fornece uma gama de funções de covariância espacial não paramétrica. RangeMapper é um pacote para manipular mapas de extensão de espécies (extensão de ocorrência), principalmente ferramentas para a geração fácil de mapas de biodiversidade (riqueza de espécies) ou traços de história de vida. O pacote siplab é uma plataforma para experimentar modelos de vegetação espacialmente explícitos baseados em indivíduos. O ModelMap baseia-se em outros pacotes para criar modelos usando dados GIS subjacentes. O SpatialPosition calcula modelos de posição espacial: potenciais de Stewart, áreas de captação de Reilly, áreas de captação de Huff. O pacote Watersheds fornece métodos para agregação de bacias hidrográficas e análise de redes de drenagem espacial. Um pacote fora-CRAN - Rcitrus - é para a análise espacial da incidência de doença de planta. O pacote Geneland usa campos e RandomFields para usar informações geográficas e genéticas para estimar o número de populações em um conjunto de dados e delinear sua organização espacial. O pacote ngspatial fornece ferramentas para analisar dados espaciais, especialmente dados não-gaussianos. Suporta o modelo disperso disperso espacial generalizado linear de Hughes e Haran (2017) eo modelo autologistic centrado de Caragea e de Kaiser (2009). A Vista de Tarefas do Environmetrics contém um levantamento muito mais completo das funções e pacotes relevantes. Pacotes CRAN: Links relacionados: Como o filtro funciona Disponível com a licença do Spatial Analyst. A ferramenta Filtro pode ser usada para eliminar dados espúrios ou aprimorar características de outra forma não visivelmente aparentes nos dados. Filtros essencialmente criar valores de saída por uma movendo, sobreposição 3x3 janela de vizinhança de célula que varre através do raster de entrada. À medida que o filtro passa sobre cada célula de entrada, o valor dessa célula e seus 8 vizinhos imediatos são usados ​​para calcular o valor de saída. Existem dois tipos de filtros disponíveis na ferramenta: passagem baixa e passagem alta. Tipos de filtro O tipo de filtro LOW emprega um filtro passa-baixa, ou média, sobre o raster de entrada e alisa essencialmente os dados. The HIGH filter type uses a high pass filter to enhance the edges and boundaries between features represented in the raster. Low pass filter A low pass filter smooths the data by reducing local variation and removing noise. It calculates the average (mean) value for each 3 x 3 neighborhood. It is essentially equivalent to the Focal Statistics tool with the Mean statistic option. The effect is that the high and low values within each neighborhood will be averaged out, reducing the extreme values in the data. Following is an example of the input neighborhood values for one processing cell, the center cell with the value 8. The calculation for the processing cell (the center input cell with the value 8) is to find the average of the input cells. This is the sum of all the values in the input contained by the neighborhood, divided by the number of cells in the neighborhood (3 x 3 9). The output value for the processing cell location will be 4.22. Since the mean is being calculated from all the input values, the highest value in the list, which is the value 8 of the processing cell, is averaged out. This example shows the resulting raster generated by Filter with the LOW option on a small 5x5 cell raster. To illustrate how NoData cells are handled, the output values with the Ignore NoData parameter set to Data then NODATA follow: Input cell values: Output cell values with DATA option set (NoData cells in a filter window will be ignored in the calculation): Output cell values with NODATA option set (the output will be NoData if any cell in the filter window is NoData): In the following example, the input raster has an anomalous data point caused by a data collection error. The averaging characteristics of the LOW option have smoothed the anomalous data point. High pass filter The high pass filter accentuates the comparative difference between a cells values and its neighbors. It has the effect of highlighting boundaries between features (for example, where a water body meets the forest), thus sharpening edges between objects. It is generally referred to as an edge-enhancement filter. With the HIGH option, the nine input z-values are weighted in such a way that removes low frequency variations and highlights the boundary between different regions. The 3 x 3 filter for the HIGH option is: Note that the values in the kernel sum to 0, since they are normalized. The High Pass filter is essentially equivalent using the Focal Statistics tool with the Sum statistic option, and a specific weighted kernel. The output z-values are an indication of the smoothness of the surface, but they have no relation to the original z-values. Z-values are distributed about zero with positive values on the upper side of an edge and negative values on the lower side. Areas where the z-values are close to zero are regions with nearly constant slope. Areas with values near z-min and z-max are regions where the slope is changing rapidly. Following is a simple example of the calculations for one processing cell (the center cell with the value 8): The calculation for the processing cell (the center cell with the value 8) is as follows: The output value for the processing cell will be 29.5. By giving negative weights to its neighbors, the filter accentuates the local detail by pulling out the differences or the boundaries between objects. In the example below, the input raster has a sharp edge along the region where the values change from 5.0 to 9.0. The edge enhancement characteristic of the HIGH option has detected the edge. Processing cells of NoData The Ignore NoData in calculations option controls how NoData cells within the neighborhood window are handled. When this option is checked (the DATA option), any cells in the neighborhood that are NoData will be ignored in the calculation of the output cell value. When unchecked (the NODATA option), if any cell in the neighborhood is NoData, the output cell will be NoData. If the processing cell itself is NoData, with the Ignore NoData option selected, the output value for the cell will be calculated based on the other cells in the neighborhood that have a valid value. Of course, if all of the cells in the neighborhood are NoData, the output will be NoData, regardless of the setting for this parameter. References Gonzalez, R. C. and P. Wintz. 1977. Digital Image Processing. Massachusetts: AddisonWesley. Hord, R. M. 1982. Digital Image Processing of Remotely Sensed Data. New York: Academic. Moik, J. G. 1980. Digital Processing of Remotely Sensed Images. New York: Academic. Richards, J. A. 1986. Remote Sensing Digital Image Analysis: An Introduction. Berlin: Springer-Verlag. Rosenfeld, A. 1978. Image Processing and Recognition. Technical Report 664. University of Maryland Computer Vision Laboratory. Tópicos relacionados