Romlig Bevegelse Gjennomsnittet Arcgis

Jeg har et raster kart over US Midwest som er veldig sparsomt, det vil si at piksler av interesse er få nok til å være nesten usynlige når de ses på en skala hvor alle delstater i USA Midwest er synlige. Jeg vil følge tilnærmingen skissert i dette PNAS-papiret (pnas. orgcontent110104134.full) for å lage et bedre kart, men ikke sikker på hvordan du replikerer det i ArcGIS. Eventuell hjelp vil bli verdsatt. PNAS-papiret beskriver trinnene som følger: På grunn av de små størrelsene og spredt fordeling av endringsområder, var det vanskelig å visualisere regionale mønstre av LCLUC ved den opprinnelige 56-m spatiale oppløsningen. Som et resultat brukte vi romlig utjevningsteknikker for å skape en regional forandringsoverflate som fremhevet lokale hotspots of change. Tilknyttede tilnærminger blir brukt i områder som romlig epidemiologi for å generere stabilt estimat av sykdomsratene (48), men har ikke blitt anvendt bredt innenfor feltforskningsvitenskap. I vår utjevningstilgang ble endring av piksler ved 56 m spatial oppløsning først aggregert til prosentandelen forandring ved 560 m oppløsning. Dette ble gjort ved å ta 10-i-10 blokker med 56 m piksler (dvs. 100 pikselblokker) og summere den binære endringen i hver blokk (figur S4A). Deretter brukte vi en 2D-kjede jevnere til å beregne et jevnt estimat av prosentendring for hvert av 560-m oppløsningspiksler (figur S4B). En kvartisk kjernefunksjon ble brukt til å beregne bevegelige gjennomsnitt over studieområdet med en båndbredde på 10 km. Den samme kvartiske kjernefunksjonen ble brukt til å jevne prosentendringen fra kornsjø i 2006 til gressletter i 2011. Endelig oppnådde vi et jevnt kart over gresskledddekselet i 2006 ved å samle gresstedsnærvaren ved 56 m oppløsning til prosent gresskleddeksel ved 560 m oppløsning , og deretter utjevne dette aggregerte dekselaget ved å bruke den samme 10 km kvartiske kjernen. Dette glattede gresslettelaget ble senere brukt som nevneren ved å generere et kart over relative graderlandskonverteringsgrader. Så vidt jeg forstår, er dette flytskjemaet: 1. Bruk blokkstatistikk i ArcGIS til å summe 10x10 piksler med 56-m raster til 560m raster 2. 2D-kjernen jevnere: ikke sikker på hvordan du gjør dette 3. Quartic-kjernen: ikke sikker på hvordan å gjøre dette Ikke sikker på hvordan du går videre enn trinn 1 spurte Aug 15 14 på 0: 29Base R inneholder mange funksjoner som kan brukes til å lese, visualisere og analysere romlige data. Fokuset i denne visningen er på kvadratisk geografiske data, hvor observasjoner kan identifiseres med geografiske steder, og hvor ytterligere informasjon om disse stedene kan hentes hvis stedet registreres med forsiktighet. Base R-funksjoner suppleres med bidragspakker, hvorav noen er på CRAN, og andre er fortsatt i utvikling. En aktiv plassering er R-Forge. som lister quotSpatial Data og Statisticsquot prosjekter i sitt prosjekt tre. Informasjon om R-romlige pakker, spesielt sp, er lagt ut på R-Forge rspatial-prosjektets nettside. inkludert et visualiseringsgalleri. Aktiv utvikling av sp fortsetter på Github. De medfølgende pakkene adresserer to brede områder: Flytte romdata inn og ut av R, og analysere romdata i R. R-SIG-Geos mailingliste er et godt sted å begynne for å få hjelp og diskutere spørsmål om både tilgang til data, og analysere det. Postliste er et godt sted å søke etter informasjon om relevante kurs. Ytterligere informasjon om kurs finner du under fanen quotEventsquot i denne bloggen. Det er en rekke bidragsveiledninger og introduksjoner en nylig er Introduksjon til visualisering av romlige data i R av Robin Lovelace og James Cheshire. Pakken i denne visningen kan være grovt strukturert i følgende emner. Hvis du tror at noen pakke mangler fra listen, vennligst gi meg beskjed. Klasser for romlige data. Fordi mange av pakkene som importerer og bruker romdata har måttet inkludere objekter for lagring av data og funksjoner for å visualisere det, er det iverksatt et initiativ for å konstruere delte klasser og plotte funksjoner for romdata. Sp pakken er omtalt i et notat i R Nyheter. En ny pakke kalt sf er nå på CRAN, og blir aktivt utviklet på GitHub. gir enkle funksjoner for R. Utviklingen av pakken støttes av R-konsortiet. Det gir enkle funksjoner tilgang for vektordata, og som sådan er en moderne implementering av deler av sp. Mange andre pakker er blitt avhengige av SP-klassene, inkludert rgdal og maptools. Rgeos-pakken gir et grensesnitt til topologiske funksjoner for sp-objekter som bruker GEOS. Stplanr gir en quotSpatialLinesNetworkquot klasse basert på objekter definert i sp og igraph som kan brukes til rutingsanalyse innen R. En annen nettverkspakke er shp2graph. The cleangeo kan brukes til å inspisere romlige objekter, lette håndtering og rapportering av topologiske feil og geometri validitetsproblemer. Det hevder å gi en geometrirenser som vil fikse alle geometriske problemer, og eliminere (minst redusere) sannsynligheten for å ha problemer når det gjør romlig databehandling. Rasterpakken er en stor utvidelse av romlige dataklasser for å virtualisere tilgang til store raster, slik at store objekter kan analyseres, og utvide de analytiske verktøyene som er tilgjengelige for både raster - og vektordata. Brukes med rasterVis. Det kan også gi forbedret visualisering og interaksjon. Spatial. tools-pakken inneholder romlige funksjoner som er ment for å forbedre kjernevirkningen til rasterpakken, inkludert en parallellbehandlingsmotor for bruk med raster. Mikromap-pakken gir koblede mikromaps ved hjelp av ggplot2. Recmap-pakken gir rektangulære kartogrammer med rektangelstørrelser som reflekterer for eksempel befolkningens stativer gir en enklere binær tilnærming til amerikanske stater. Mellomtidspakken utvider de delte klassene som er definert i sp for romtidsdata (se Spatio-Temporal Data in R). Grid2Polygons konverterer en romlig objekt fra klassen SpatialGridDataFrame til SpatialPolygonsDataFrame. En alternativ tilnærming til noen av disse problemene er implementert i PBSmapping-pakken. PBSmodelling gir modelleringsstøtte. I tillegg gir GEOmap kartleggingsanlegg som er rettet for å møte geologens behov, og bruker geomapdata-pakken. Håndtering av romlige data. En rekke pakker er skrevet med sp klasser. Rasterpakken introduserer mange GIS-metoder som nå tillater mye å gjøre med romdata uten å måtte bruke GIS i tillegg til R. Det kan suppleres med gdistance. som ga beregning av avstander og ruter på geografiske nett. Geosfæren tillater beregninger av avstand og område som skal utføres på romdata i geografiske koordinater. DggridR-pakken gir grensesnitt til DGGRID for å jobbe med diskrete globale nett, ved hjelp av sekskanter, trekanter og diamanter for å overvinne problemet at hver bin har samme område. Spsurvey-pakken inneholder en rekke samplingsfunksjoner. Turen pakken strekker seg sp klasser for å tillate tilgang og manipulering av romlige data for dyrsporing. Hdeco-pakken gir hierarkisk dekomponering av entropi for kategoriske kartsammenligninger. GeoXp-pakken tillater interaktiv grafisk sonderende romlig dataanalyse. Spcosa gir romlig dekningsprøvetaking og tilfeldig prøvetaking fra kompakte geografiske lag. Magclassen tilbyr en dataklasse for økt interoperabilitet som arbeider med tidsmessige data sammen med tilhørende funksjoner og metoder (konverteringer, grunnleggende beregninger og grunnleggende data manipulering). Klassen skiller mellom romlige, tidsmessige og andre dimensjoner for å lette utviklingen og interoperabiliteten til verktøy som bygger på den. Tilleggsfunksjoner er navnebasert adressering av data og intern konsistenskontroll (for eksempel å se etter riktig datordeling i beregninger). Pakken UScensus2000 pakker (UScensus2000cdp. UScensus2000tract) gjør bruk av data fra 2000 US-folketellingen mer praktisk. Et viktig datasett, Guerrys quotMoral Statistics of Francequot, er gjort tilgjengelig i Guerry-pakken, som gir data og kart og eksempler som er utformet for å bidra til integrering av multivariat og romlig analyse. Marmappakken er designet for å laste ned, plotte og manipulere bathymetriske og topografiske data i R. marmap kan spørre om ETOPO1-badymetri - og topografidatabasen som hostes av NOAA, bruk enkle breddegrader-dybdedata i ascii-format og dra nytte av den avanserte plotting verktøy tilgjengelig i R for å bygge badymetriske kart av publikasjonskvalitet (se PLOS-papiret). Moderne landgrenser er gitt på 2 oppløsninger av rworldmap sammen med funksjoner for å bli med og kartlegge tabelldata referert av landnavn eller koder. Kloroplet - og boblekart er støttet og generelle funksjoner for å arbeide med brukerlevererte kart (se Ny R-pakke for kartlegging av globale data. Lander med høyere oppløsning er tilgjengelig fra den sammenkoblede pakken rworldxtra. Historiske landgrenser (1946-2012) kan fås fra cshapes-pakken sammen med funksjoner for beregning av avstandsmatriser (se kartlegging og måling av landformer). Landat-pakken med tilhørende JSS-papir gir verktøy for å utforske og utvikle korreksjonsverktøy for avkjenningsdata. taRifx er en samling av verktøy og bekvemmelighetsfunksjoner, og noen interessante romlige funksjoner. GdalUtils-pakken inneholder wrappers til Geospatial Data Abstraction Library (GDAL) Utilities. En rOpenSci bloggoppføring beskrev en GeoJSON-sentrert tilnærming til å lese GeoJSON og WKT data. GeoJSON kan skrives og leses ved hjelp av rgdal. og WKT av rgeos. Oppføringslisten viser bl. a. geojson. geojsonio. geoaxe og plen. Rgbif-pakken brukes til å akseptere ss Global Biodiversity Information Facility (GBIF) data). Geoaxe lar brukerne dele geospatiale objekter i stykker. Plenen pakken er en klient for Turfjs for geospatial analyse. Lese og skrive romlige data - rgdal. Kartene kan være vektorbaserte eller rasterbaserte. Rgdal-pakken gir bindinger til GDAL-støttede rasterformater og OGR-støttede vektorformater. Den inneholder funksjoner for å skrive rasterfiler i støttede formater. Pakken gir også PROJ.4 projeksjonsstøtte for vektorobjekter (dette nettstedet gir søkbare online PROJ.4-representasjoner av fremskrivninger). Affine og likhetstransformasjoner på sp objekter kan gjøres ved å bruke funksjoner i vec2dtransf-pakken. Windows og Mac OSX CRAN-binærene til rgdal inkluderer delsett av mulige datakildedrivere hvis andre er påkrevd, bruk andre konverteringsverktøy, eller installer fra kilde mot en versjon av GDAL med de nødvendige driverne. Rgeos-pakken inneholder funksjoner for å lese og skrive velkjent tekst (WKT) geometri, og wkb-pakken inneholder funksjoner for lesing og skriving av kjente binære (WKB) geometri. Lese og skrive romlige data - andre pakker. Det finnes en rekke andre pakker for å få tilgang til vektordata på CRAN: kart (med mapdata og mapproj) gir tilgang til samme type geografiske databaser som S - RArcInfo tillater ArcInfo v.7 binære filer og. e00 filer å bli lest, og Maptools og shapefiles les og skriv ArcGISArcView shapefiles for NetCDF-filer, ncdf4 eller RNetCDF kan brukes. Maptools-pakken inneholder også hjelpefunksjoner for å skrive kartpolygonfiler som leses av WinBUGS, Mondrian, og tmap-kommandoen i Stata. Det gir også grensesnittfunksjoner mellom PBSmapping og spatstat og sp klasser, i tillegg til kartdatabaser og sp-klasser. Det er også et grensesnitt til GSHHS kystlinje databaser. Gmt-pakken gir et enkelt grensesnitt mellom GMT-kartprogramvare og R. geonames er et grensesnitt til tjenesten geonames. org. OpenStreetMap gir tilgang til åpne gatekart rasterbilder, og osmar gir infrastruktur tilgang til OpenStreetMap-data fra forskjellige kilder, for å jobbe med dataene på vanlig måte, og å konvertere data til tilgjengelig infrastruktur som leveres av eksisterende R-pakker. Pakken rpostgis gir tilleggsfunksjoner til RPostgreSQL-pakken til grensesnitt R med en PostGIS-aktivert database, samt enkle pakker til vanlige PostgreSQL-spørringer. PostGIStools-pakken inneholder funksjoner for å konvertere geometri og hstore datatyper fra PostgreSQL til standard R-objekter, samt forenkle importen av R-datarammer (inkludert romlige datarammer) til PostgreSQL Integration med versjon 6. og av de ledende open source GIS , GRASS, leveres i CRAN-pakken spgrass6. bruker rgdal for utveksling av data. For GRASS 7, bruk rgrass7. RPyGeo er en wrapper for Python-tilgang til ArcGIS GeoProcessor, og RSAGA er et lignende skallbasert omslag for SAGA-kommandoer. RQGIS-pakken etablerer et grensesnitt mellom R og QGIS, dvs. det tillater brukeren å få tilgang til QGIS-funksjonalitet fra R-konsollen. Den oppnår dette ved å bruke QGIS Python API via kommandolinjen. Legg også merke til denne tråden på en alternativ RQGIS-integrasjon. Visualisering. For visualisering er fargepalettene som tilbys i RColorBrewer-pakken, meget nyttige, og kan endres eller utvides ved hjelp av colorRampPalette-funksjonen forsynt med R. ClassInt-pakken inneholder funksjoner for valg av klasseperioder for tematisk kartografi. TMap-pakken gir et moderne grunnlag for tematisk kartlegging, eventuelt ved hjelp av en grammatikk av grafikk-syntaks. Fordi den har en tilpasset gridgrafikkplattform, eliminerer det behovet for å befeste geometrier som skal brukes med ggplot2. Mapview-pakken gir metoder for å vise geografiske objekter interaktivt, vanligvis på en webkartbase. Quickmapr-pakken gir en enkel metode til å visualisere sp og rasterobjekter, muliggjør grunnleggende zooming, panorering, identifisering og merking av romlige objekter, og krever ikke at dataene er i geografiske koordinater. Kartografipakningen tillater ulike kartografiske representasjoner som proporsjonale symboler, choropleth, typologi, strømmer eller diskontinuiteter. Mapmisc-pakken er et minimalt sett lett verktøy for å lage flotte kart i R, med støtte for kartprojeksjoner. Hvis brukeren ønsker å plassere et kartlag bak andre skjermer, kan RgoogleMaps-pakken få tilgang til Google Maps (TM ) kan være nyttig. ggmap kan brukes til romlig visualisering med Google Maps og OpenStreetMap ggsn gir nordpiler og skalaer for slike kart. PlotGoogleMaps-pakken gir metoder for visualisering av romlige og spatio-temporale objekter i Google Maps i en nettleser. plotKML er en pakke som gir metoder for visualisering av romlige og spatio-temporale objekter i Google Earth. Et annet alternativ er leafletR. som gir grunnleggende webmapping-funksjonalitet for å kombinere vektorgegevensfiler og online kartfliser fra forskjellige kilder. Punktmønsteranalyse. Den romlige pakken er en anbefalt pakke sendt med base R, og inneholder flere kjernefunksjoner, inkludert en implementering av Khat av forfatteren, prof. Ripley. I tillegg tillater spatstat frihet i å definere region (er) av interesse, og gjør utvidelser til merkede prosesser og romlige kovariater. Styrken er modellmontering og simulering, og den har en nyttig hjemmeside. Det er den eneste pakken som gjør det mulig for brukeren å passe inhomogene punktprosessmodeller med interpunktinteraksjoner. Spatgraphs-pakken inneholder grafer, grafvisualisering og grafbaserte oppsummeringer som skal brukes med romlig punktmønsteranalyse. Splitspakken tillater også punktdata å analyseres innenfor en polygonal region av interesse, og dekker mange metoder, inkludert 2D-kjernetetenheter. Smakpod-pakken inneholder ulike statistiske metoder for å analysere case-control punktdata. Tilgangsmåtene som følger med, følger de i kapittel 6 i Applied Spatial Statistics for Public Health Data av Waller og Gotway (2004). ecespa gir wrappers, funksjoner og data for romlig punktmønster analyse, brukt i boken om romlig økologi av ECESPAAEET. Funksjonene for binningpunkter på grid i aske kan også være av interesse. Annonsepakken utfører første og andre rekkefølgeanalyser avledet fra Ripleys K-funksjon. Aspace-pakken er en samling av funksjoner for estimering av sentrografiske statistikker og beregningsgeometrier fra romlige mønstre. spatialkernel gir kantskorrigert kjerne tetthetsestimering og binær kjerneregresjonsestimering for multivariate romlige punktprosessdata. DSpat inneholder funksjoner for romlig modellering for avstandssamplingsdata og spatialsegregation gir segregeringsforanstaltninger for multitype romlige punktmønstre. GriegSmith bruker Grieg-Smith-metoden på 2-dimensjonale romlige data. Dbmss-pakken tillater enkel beregning av et komplett sett av geografiske statistiske funksjoner av avstand, inkludert klassiske (Ripleys K og andre) og nyere som brukes av romlige økonomer (Duranton og Overmans Kd, Marcon og Puechs M). Det er avhengig av spatstat for kjerneberegning. gitterdensitet inneholder funksjoner som beregner gitterbasert tetthetsestimator av Barry og McIntyre, som står for punktprosesser i todimensjonale regioner med uregelmessige grenser og hull. Geostatistikk. Gstat-pakken gir et bredt spekter av funksjoner for univariate og multivariate geostatistikk, også for større datasett, mens geoR og geoRglm inneholder funksjoner for modellbasert geostatistikk. Variogramdiagnostikk kan utføres med vardiag. Automatisert interpolering ved hjelp av gstat er tilgjengelig i automap. Denne pakken er suppleret med intamap med prosedyrer for automatisert interpolering og psgp. som implementerer projisert sparsom Gauss-prosesskriging. Et lignende bredt spekter av funksjoner finnes i feltpakken. Den romlige pakken leveres med base R, og inneholder flere kjernefunksjoner. SpBayes-pakken passer til Gaussian univariate og multivariate modeller med MCMC. ramper er en annen bayesisk geostatistisk modelleringspakke. Geospt-pakken inneholder noen geostatistiske og radiale basisfunksjoner, inkludert prediksjon og kryssvalidering. Dessuten inkluderer det funksjoner for utforming av optimale romlige samplingsnett basert på geostatistisk modellering. Geostatsp-pakken tilbyr geostatistiske modelleringsfasiliteter ved hjelp av Raster og SpatialPoints-objekter leveres. Ikke-Gaussian modeller passer med INLA, og gaussiske geostatistiske modeller bruker maksimal sannsynlighet estimering. RandomFields-pakken inneholder funksjoner for simulering og analyse av tilfeldige felt, og variogrammodellbeskrivelser kan overføres mellom geoR. gstat og denne pakken. SpatialExtremes foreslår flere tilnærminger for romlig ekstremmodellering ved hjelp av RandomFields. I tillegg er CompRandFld. Begrenset Krig og Geospt gir alternative tilnærminger til geostatistisk modellering. SpTimer-pakken er i stand til å passe, spatialt forutse og temporært prognose store mengder romtiddata ved hjelp av 1 Bayesian Gaussian Process (GP) - modeller, 2 Bayesian Auto-Regressive (AR) Modeller og 3 Bayesian Gaussian Predictive Processes (GPP) basert AR-modeller. Rtop-pakken inneholder funksjoner for geostatistisk interpolering av data med uregelmessig romlig støtte, for eksempel avreningsrelaterte data eller data fra administrative enheter. Georob-pakken gir funksjoner for å tilpasse lineære modeller med romlig korrelerte feil ved robust og gaussisk begrenset maksimal sannsynlighet og for å beregne robuste og vanlige punkter og blokkere krigtspådommer, sammen med bruksfunksjoner for kryssvalidering og for objektiv tilbaketransformasjon av krigingspådommer om log-transformerte data. SpatialTools-pakken har vekt på kriging, og gir funksjoner for prediksjon og simulering. Den er utvidet av ExceedanceTools. som gir verktøy for å bygge konfidensregioner for overskridelsesområder og konturlinjer. Gearpakken implementerer vanlige geostatistiske metoder på en ren, grei, effektiv måte, og sies å være en kvasi omstart av SpatialTools. Sperrorest-pakken implementerer romlig feilestimering og permutasjonsbasert romlig variabel betydning ved hjelp av forskjellige romlige kryssvaliderings - og romlige blokkstart-metoder. Sgeostat-pakken er også tilgjengelig. Innenfor det samme generelle aktuelle området er deldir - og tripackpakker for triangulering og akima-pakken for splineinterpolering MBA-pakken, som gir spredt datainterpolering med multilevel-B-splines. I tillegg er det spatialCovariance-pakken, som støtter beregning av romlige kovariansmatriser for data på rektangler, regresspakkebygningen delvis på spatialCovariance. og tgp-pakken. Stampakken sørger for estimering av parametrene til en spatio-temporal modell ved hjelp av EM-algoritmen, og estimeringen av parameterstandardfeilene ved hjelp av en spatio-temporal parametrisk oppstartstrap. FieldSim er en annen tilfeldig feltsimuleringspakke. SSN er for geostatistisk modellering for data på strømnett, inkludert modeller basert på in-stream-avstand. Modeller opprettes ved hjelp av bevegelige gjennomsnittlige konstruksjoner. Romlige lineære modeller, inkludert kovariater, kan passe med ML eller REML. Kartlegging og andre grafiske funksjoner er inkludert. Ipdw gir funksjoner o interpolere georeferenced point data via Inverse Path Distance Weighting. Nyttig for kystnære søknader der barrierer i landskapet utelukker interpolering med euklidiske avstander. RSurvey kan brukes som et behandlingsprogram for romlig distribuerte data, og er i stand til feilkorreksjoner og datavisualisering. Sykdoms kartlegging og areal data analyse. DCluster er en pakke for påvisning av romlige klynger av sykdommer. Den strekker seg og avhenger av spdep-pakken, som gir grunnleggende funksjoner for å bygge nabobilder og romvekter, tester for romlig autokorrelasjon for arealdata som Morans I, og funksjoner for montering av romlige regresjonsmodeller, for eksempel SAR og CAR-modeller. Disse modellene antar at romlig avhengighet kan beskrives ved kjente vekter. SpatialEpi-pakken inneholder implementeringer av klyngedeteksjon og sykdomskartingsfunksjoner, inkludert Bayesian cluster detection, og støtter lag. Lubc-pakken gir statistiske metoder for analyse av dataarealdata, med fokus på klyngedeteksjon. Sykdomspakken inneholder formatering av populasjons - og saksdata, beregning av standardiserte incidensforhold og montering av BYM-modellen ved bruk av INLA. Regionalisering av polygonobjekter er levert av AMOEBA. en funksjon for å beregne romlige klynger ved hjelp av Getis-Ord lokal statistikk. Det søker uregelmessige klynger (økotoper) på et kart, og av skater i spdep. Seg og OasisR pakker gir funksjoner for måling av romlig segregering OasisR inkluderer Monte Carlo simuleringer for å teste indeksene. Spgwr-pakken inneholder en implementering av geografisk vektede regresjonsmetoder for å utforske mulig ikke-stationaritet. Gwrr-pakken passer til geografisk vektet regresjon (GWR) - modeller og har verktøy for å diagnostisere og korrigere kollinearitet i GWR-modellene. Passer også til geografisk vektet åsenegresjon (GWRR) og geografisk vektet lasso (GWL) modeller. GWmodel-pakken inneholder funksjoner for beregning av geografisk vektede modeller. Lctools-pakken gir forskere og lærere enkle å lære brukervennlige verktøy for å beregne nøkkelområdestatistikk og å anvende enkle så vel som avanserte metoder for romlig analyse i ekte data. Disse inkluderer: Local Pearson og Geographic Weighted Pearson Correlation Coefficients, Spatial Inequality Measures (Gini, Spatial Gini, LQ, Focal LQ), Spatial Autocorrelation (Global og Local Morans I), flere geografisk vektede regresjonsteknikker og andre spatialanalyseverktøy (andre geografisk vektet statistikk). Denne pakken inneholder også funksjoner for måling av betydningen av hver statistikk beregnet, hovedsakelig basert på Monte Carlo-simuleringer. Sparr-pakken gir en annen tilnærming til relative risikoer. CARBayes-pakken implementerer bayesiske hierarkiske romlige arealmodeller. I slike modeller er den romlige korrelasjonen modellert av et sett av tilfeldige effekter, som tildeles en betinget autoregressiv (CAR) forutgående distribusjon. Eksempler på modellene som er inkludert er BYM-modellen, samt en nylig utviklet lokalisert romlig utjevningsmodell. GlmmBUGS-pakken er en nyttig måte å overføre romlige modeller til WinBUGS. SpaMM-pakken passer til romlige GLMM, ved hjelp av Matern korrelasjonsfunksjonen som den grunnleggende modellen for romlige tilfeldige effekter. PReMiuM-pakken er for profilregresjon, som er en Dirichlet-prosess Bayesian clustering-modell, det gir et romlig CAR-term som kan inkluderes i de faste effekter (som er globale, dvs. ikke-klyngespesifikke parametere) for å regne for romlig korrelasjon i restene. Mellomromspakken gir verktøy for å konstruere og utnytte romlig vektede kontekstdata, og lar videre kombinere de resulterende romlig vektede kontekstdataene med individuelle nivåspådommer og resultatvariabler, med det formål å modellere flere nivåer. Geospacom-pakken genererer avstandsmatriser fra formfiler og representerer romlig vektede flernivåanalyseresultater. Spatial overlevelsesanalyse er gitt av spatsurv - Bayesian inferens for parametriske proporsjonale farer, romlige overlevelsesmodeller - og spBayesSurv - Bayesian Modeling and Analysis of Spatially Correlated Survival Data - pakker. Spselect-pakken gir modelleringsfunksjoner basert på fremad trinnvis regresjon, inkremental fremad trinnvis regresjon, minst vinkelregressjon (LARS) og lassomodeller for valg av romlig skala for kovariater i regresjonsmodeller. Romlig regresjon. Valg av funksjon for romlig regresjon vil avhenge av den tilgjengelige støtten. Hvis dataene er preget av punktstøtte og den romlige prosessen er kontinuerlig, kan geostatistiske metoder brukes eller fungere i NLME-pakken. Hvis støtten er areal, og den romlige prosessen ikke blir behandlet som kontinuerlig, kan funksjoner som tilbys i spdep-pakken brukes. Denne pakken kan også betraktes som å gi romlige økonometriske funksjoner, og som nevnt ovenfor gir grunnleggende funksjoner for å bygge nabobilder og romvekter, tester for romlig autokorrelasjon for arealdata som Morans I, og funksjoner for montering av romlige regresjonsmodeller. Det gir hele spekteret av lokale indikatorer for romlig tilknytning, for eksempel lokale Morans I og diagnostiske verktøy for monterte lineære modeller, inkludert Lagrange Multiplikator tester. Romlige regresjonsmodeller som kan monteres ved hjelp av maksimal sannsynlighet inkluderer romlige lagmodeller, romlige feilmodeller og romlige Durbin-modeller. For større datasett kan sparsomme matrise teknikker brukes for maksimal sannsynlighet passer, mens romlige to-trinns minste kvadrater og generalisert metode for øyeblikk estimatorer er et alternativ. Når du bruker GMM, kan sphet brukes til å imøtekomme både autokorrelasjon og heteroskedastisitet. Spatialtallregressjon er gitt ved bruk av tilpasset MCMC av spatcounts. McSpatial gir funksjoner for lokalvektet regresjon, semiparametrisk og betinget parametrisk regresjon, fireier og kubiske splinefunksjoner, GMM og linearisert romlig logit og probit, k-tetthetsfunksjoner og counterfactuals, nonparametrisk kvantile-regresjon og betingede tetthetsfunksjoner, Machado-Mata dekomponering for kvantil regressions, romlig AR-modell, gjenta salgsmodeller, og betinget parametrisk logit og probit. Den splm pakken gir metoder for montering av romlige panel data etter maksimal sannsynlighet og GM. De to små pakkene S2sls og spanel gir alternative implementeringer uten de fleste av fasilitetene til splm. HSAR-pakken inneholder Hierarchical Spatial Autoregressive Models (HSAR), basert på en Bayesian Markov Chain Monte Carlo (MCMC) algoritme. Spatialprobit muliggjør Bayesian estimering av den romlige autoregressive probitmodellen (SAR probitmodell). ProbitSpatial-pakken gir metoder for montering av binomielle romlige probitmodeller til større datasett for spatial autoregressive (SAR) og romlige feil (SEM) probit-modeller. Økologisk analyse. Det er mange pakker for å analysere økologiske og miljødata. De inkluderer ade4 for utforskende og euklidiske metoder i miljøvitenskapen, adehabitat-familien av pakker for analyse av habitatvalg av dyr (adehabitatHR. AdehabitatHS. AdehabitatLT. Og adehabitatMA), pastecs for regulering, dekomponering og analyse av romtidserier , veganer for ordinasjonsmetoder og andre nyttige funksjoner for samfunns - og vegetasjonsøkologer, og mange andre funksjoner i andre bidropakker. En slik er tripEstimation. baserer seg på klassene som tilbys av tur. ncf har nylig inngått CRAN, og gir en rekke romlige ikke-parametriske kovariansfunksjoner. rangeMapper er en pakke for å manipulere kart av arter (omfang-av-forekomst), hovedsakelig verktøy for enkel generering av biologisk mangfold (arter rikdom) eller livshistorie trekk kart. Siplab-pakken er en plattform for å eksperimentere med romlig eksplisitte individuelle vegetasjonsmodeller. ModelMap bygger på andre pakker for å lage modeller som bruker underliggende GIS-data. SpatialPosition beregner romlige posisjonsmodeller: Stewart-potensialer, Reilly-avløpsområder, Huff-oppsamlingsområder. Watershedspakken inneholder metoder for aggregering av vannsystemer og geografisk drenering av nettverksanalyser. En off-CRAN pakke - Rcitrus - er for romlig analyse av plante sykdom forekomst. Geneland-pakken bruker felt og RandomFields til å benytte både geografiske og genetiske opplysninger til å estimere antall populasjoner i et datasett og avgrense deres romlige organisasjon. Den ngspatial-pakken inneholder verktøy for å analysere romlige data, spesielt ikke-gaussiske arealdata. Den støtter den sparsomme romlige generaliserte lineære blandede modellen av Hughes og Haran (2013) og den sentrert autologistiske modellen Caragea og Kaiser (2009). Environmetrics Task View inneholder en mye mer fullstendig undersøkelse av relevante funksjoner og pakker. CRAN-pakker: Relaterte linker: Hvordan filter fungerer Tilgjengelig med romlig analytiker lisens. Filterverktøyet kan brukes til å enten eliminere falske data eller forbedre funksjoner ellers ikke synlig tydelig i dataene. Filtre lager i hovedsak utgangsvurderinger ved hjelp av et flytende, overlappende 3x3 celle-nabolag-vindu som skanner gjennom inngangsrasteren. Når filteret passerer over hver inngangscelle, brukes verdien av den cellen og dens 8 umiddelbare naboer til å beregne utdaterværdien. Det finnes to typer filtre tilgjengelig i verktøyet: lavpas og høypass. Filtertyper Filtertype LOW benytter et lavt pass, eller gjennomsnittlig, filter over inngangsrasteren og i hovedsak jevner dataene. 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. Relaterte temaer