-
Notifications
You must be signed in to change notification settings - Fork 0
/
Slides_gstat_v1.0.Rmd
468 lines (327 loc) · 10.3 KB
/
Slides_gstat_v1.0.Rmd
1
2
3
4
5
6
7
8
9
10
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
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
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
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
---
title: "[**Análisis geoestadístico con `gstat`**]{style=color:red}"
subtitle: "Máster en Data Science & Business Analytics (con R Software)"
date: '`r format(Sys.Date(),"%d-%m-%Y")`'
author:
- José-María Montero ([email protected])
- Gema Fernández-Avilés ([email protected])
category:
- r
- Data Science
- Geostatistics
bibliography: refbib.bib
biblio-style: apalike
output:
slidy_presentation:
# html_document:
logo: logo_mdsr_uclm.png
toc: yes
toc_float: true
number_sections: true
#theme: united
highlight: tango
incremental: no
keep_md: true # hace una copia del rmd
duration: 25
footer: "Copyright (c) 2022, Gema Fernández-Avilés y José-M. Montero"
---
```{r setup, include = FALSE}
# opciones predeterminadas
options(htmltools.dir.version = FALSE)
knitr::opts_chunk$set(
fig.width=7, fig.height=6,
fig.retina=3,
#out.width = "60%",
echo = TRUE,
message = FALSE,
warning = FALSE,
fig.show = TRUE,
hiline = TRUE,
fig.align = "center"
)
```
---
<center>
<img src="logo_mdsr_uclm.png" height="100px"/>
</center>
::: {style="background-color:orange; padding: 1rem 1rem 1rem 1rem;margin: 3rem 3rem 3rem 3rem;border-radius: 1rem;"}
***Nota***:
Se autoriza expresamente el uso de este material a la Universidad de Castilla-La Mancha para la docencia del [Máster en Data Science & Business Analytics (con R Software)](https://blog.uclm.es/tp-mbsba/programa/).
:::
### Material:
* Diapositivas básicas para llevar a cabo R de un análisis geoestadítico con la librería `gstat`
* Videoclase explicativa del material proporcionado.
---
# [Pasos de un análisis geoestadístico con `gstat`]{style="color:blue"}
#### [Paso 1.]{style="color:red"} Leemos los datos y preparamos el entormno. Creamos un objeto de la clase `sf` (`st_as_sf`)
#### [Paso 2.]{style="color:red"} ¿Existe algún tipo de dependencia espacial? Análisis exploratorio de datos espaciales
#### [Paso 3.]{style="color:red"} ¿Cómo es la estructura de la dependencia espacial? Semivariograma empírico
#### [Paso 4.]{style="color:red"} ¿Es mi semivariograma válido? Ajuste del semivariograma empírico al semivariograma teórico
#### [Paso 5.]{style="color:red"} ¿Puedo hacer predicciones en sitios donde no tenga datos de la variable que analizo? Kriging. Predicción y Desviación típica del error de predicción
#### [Paso 6.]{style="color:red"} Evaluación y presentación de resultados. Valiación cruzada. Mapping.
::: {style="background-color:orange; padding: 1rem 1rem 1rem 1rem;margin: 3rem 3rem 3rem 3rem;border-radius: 1rem;"}
***Nota***:
Obsérvese que los pasos son idénticos en cualquier análisis geoestadístico,
sea cual sea el programa o librería utilizados. Sólo cambia la estructura del objeto.
:::
---
# [Pasos de un análisis geoestadístico con `gstat`]{style="color:blue"}.
### [Paso 1.]{style="color:red"} Leemos los datos y convertimos a clase `sf`
```{r cod_datos, eval=FALSE}
library(sf)
# `mydata_sf` es un objeto espacial: $coords y $data
mydata_sf <- st_as_sf(mydata,
coords = c("longitud", "latitud"),
crs = el_que_corresponda
)
```
### [Paso 1.]{style="color:red"} Análisis exploratorio espacial de datos
```{r cod_eda, eval=FALSE}
summary(mydata_sf)
plot(mydata_sf["nombre_variable"])
# alternativa:
ggplot() +
geom_sf(
data = mydata_sf,
aes(color = nombre_variable)
)
```
### [Paso 3.]{style="color:red"} Semivariograma empírico
```{r cod_sem_emp, eval=FALSE}
semivar_emp <- variogram(nombre_variable ~ 1, mydata_sf, cutoff = 1000000)
plot(semivar_emp)
```
### [Paso 4.]{style="color:red"} **Semivariograma teórico**
```{r cod_sem_teo, eval=FALSE}
semivar_teo # contiene los parámetros del semivariograma teórico
vgm(psill = NA, model, range = NA, nugget=NA
```
```{r cod_inter, eval=FALSE}
* `model` = modelo de covarianza
* `psill` = varianza parcial
* `range` = rango o alcance
* `nugget` = nugget
```
### [Paso 5.]{style="color:red"} Kriging ordinario
```{r cod_grid, eval=FALSE}
# creamos una malla de interopolación
# Una grid 5*5 km (25 km2)
grd_sf <- st_bbox(esp_utm) %>%
st_as_sfc() %>%
st_make_grid(
cellsize = 5000,
what = "centers"
)
# Convert to sp object - interpolation should be made with sp/raster
grd <- as(grd_sf, "Spatial") %>%
as("SpatialPixels")
```
```{r cod_krig, eval=FALSE}
# Kriging ordinario
# help(krige)
tmin_ok <- krige(tmin ~ 1,
tmin_8enero_sp,
grd_sf,
model = tmin_vgm_fit ## semivar. teórico
)
```
### [Paso 6.]{style="color:red"} Evaluación y presentación de resultados. Mapping
```{r cod_plots, eval=FALSE}
#varias funciones de mapeado
contour(krig_ord, filled = TRUE)
image(krig_ord, val = krig_ord$krige.var) #superficie de varianzas
# validación cruzada
mygeodata_xv <- xvalid(mygeodata, model = semivar_teo)
```
```{r cod_3dplot, eval=FALSE}
library(plot3D)
# install.packages('plot3D')
persp3D(xx, yy, matrix(krig_ord$predict, nrow = length(xx)), theta=-60, phi=40)
```
---
# [Caso de estudio: Interpolación de la temperatura mínima en España mediante kriging ordinario]{style="color:green"}
Ejemplo tomado de **Pizarro M, Hernangómez D, Fernández-Avilés G (2021). *climaemet: Climate AEMET Tools*. doi: 10.5281/zenodo.5205573, http://hdl.handle.net/10261/250390**
<center>
<img src="img/climaemet.png" height="400px" />
</center>
---
### [Paso 1.]{style="color:red"} Leemos los datos y convertimos a clase `sf`
```{r leo_datos, echo=TRUE}
# lectura de los datos y coordenadas
library(readr)
tmin <- read_csv("data/tempmin.csv")
# convertimos a un objeto sf
library(sf)
library(dplyr)
tmin_sf <- st_as_sf(tmin,
coords = c("longitud", "latitud"),
crs = 4258
)
tmin_8enero <- tmin_sf %>%
filter(fecha == "2021-01-08")
```
---
### [Paso 2.]{style="color:red"} Análisis exploratorio de datos espaciales
```{r sum_co}
# descriptivos
summary(tmin_8enero)
# análisis gráfico
plot(tmin_8enero["tmin"],
pch = 8
)
```
```{r tmin_geom, fig.cap="Temperatura mínima en España (8-enero-2022)"}
# Mapa de temperatura mínima con geometrías
library(mapSpain)
# sf object
esp2 <- esp_get_ccaa() %>%
# No vamos a usar Canarias en este análisis
filter(ine.ccaa.name != "Canarias")
# comprobamos CRS
st_crs(tmin_sf) == st_crs(esp2)
# Especificamos la paleta de color a utilizar
cortes <- c(-Inf, seq(-20, 20, 2.5), Inf)
colores <- hcl.colors(15, "PuOr", rev = TRUE)
library(ggplot2)
ggplot() +
geom_sf(
data = esp2,
fill = "grey99"
) +
geom_sf(
data = tmin_8enero,
aes(color = tmin),
size = 4,
alpha = .7
) +
labs(color = "Temp. mín") +
scale_color_gradientn(
colours = colores,
breaks = cortes,
labels = function(x) {
paste0(x, "º")
},
guide = "legend"
) +
theme_light() +
theme(
plot.title = element_text(
size = 12,
face = "bold"
),
plot.subtitle = element_text(
size = 8,
face = "italic"
)
)
```
---
### [Previo al paso 3]{style="color:red"} Comprobación de CRS y objeto espacial
#### `gstat::variogram()`
```{r}
tmin_8enero_utm <- st_transform(tmin_8enero, 25830)
esp_utm <- st_transform(esp2, 25830)
```
### [Paso 3.]{style="color:red"} Cálculo del semivariogram empírico
#### `gstat::variogram()`
```{r}
# Para la interpolación con gstat es necesarios cambiar a `sp`
library(sp)
tmin_8enero_sp <- as(tmin_8enero_utm, "Spatial")
tmin_8enero_sp <- st_as_sf(tmin_8enero_sp)
```
```{r co_sem_empirico, fig.width= 5}
# Directional empirical semivariogramin gstat()
library(gstat)
tmin_vgm_emp <- variogram(tmin ~ 1, tmin_8enero_sp, cutoff = 1000000)
tmin_vgm_emp
plot(tmin_vgm_emp)
```
---
### [Paso 4.]{style="color:red"} Ajuste del semivariograma empírico a uno teoríco (spherical)
#### [`gstat::fit.variogram()`]{style="color:red"}
```{r fit_wls}
tmin_vgm_fit <- fit.variogram(tmin_vgm_emp, # weighted least squares fit
model = vgm(model = "Sph") # vgm(psill = NA, model, range = NA, nugget=NA
)
tmin_vgm_fit
```
### Representa ambos semivariogramas (empírico y teórico)
```{r tmin_emp_teo, fig.cap="Semivariogramas empírico (puntos) y teórico (linea)"}
# Plot empirical (dots) and theoretical (line) semivariograms
plot(tmin_vgm_emp, tmin_vgm_fit)
```
---
### [Paso 5.]{style="color:red"} Llevamos a cabo Kriging ordinario
##### gstat:: krige()
```{r tmin_teo_grid}
# creamos una malla de interopolación
# Una grid 5*5 km (25 km2)
grd_sf <- st_bbox(esp_utm) %>%
st_as_sfc() %>%
st_make_grid(
cellsize = 5000,
what = "centers"
)
# Convert to sp object - interpolation should be made with sp/raster
grd <- as(grd_sf, "Spatial") %>%
as("SpatialPixels")
```
```{r tmin_teo_kriging}
# Kriging ordinario
tmin_ok <- krige(tmin ~ 1,
tmin_8enero_sp,
grd_sf,
model = tmin_vgm_fit ## semivar. teórico
)
```
---
### [Paso 6.]{style="color:red"} Evaluación y presentación de resultados. Mapping
```{r raster_ok}
# Convertimos de sf a SpatiaPixels
# Esto funciona porque nuestros puntos sf están espaciados regularmente
library(dplyr)
tmin_pixels <- tmin_ok %>%
as("Spatial") %>%
as("SpatialPixels")
library(raster)
# Creamos un ráster de nuestros pixels
rast_esp <- raster(tmin_pixels)
```
```{r co_krig, fig.cap="Kriging ordinario de la tempratura mínima en España (8-enero-2022)"}
# Transferimos valores del objeto sf al ráster
rast_esp_ok_pred <- rasterize(
tmin_ok,
rast_esp,
field = "var1.pred", ## valores de predicción ok
fun = mean
)
# Además, podemos recortar el ráster a la forma de España
rast_esp_mask <- mask(rast_esp_ok_pred, esp_utm)
plot(rast_esp_mask, col = colores)
contour(rast_esp_ok_pred, add = TRUE)
```
```{r co_krig_sd, fig.cap="Kriging ordinario de la tempratura mínima en España (8-enero-2022)"}
# Convertimos de sf a SpatiaPixels
# Esto funciona porque nuestros puntos sf están espaciados regularmente
# Transferimos valores del objeto sf al ráster
rast_esp_ok_var <- rasterize(
tmin_ok,
rast_esp,
field = "var1.var", ## valores de varianza de predicción
fun = mean
)
# Además, podemos recortar el ráster a la forma de España
rast_esp_mask_ok_var <- mask(rast_esp_ok_var, esp_utm)
plot(rast_esp_mask_ok_var, col = colores)
contour(rast_esp_ok_var, add = TRUE)
```
---
# ¿Dudas?
---
```{r eval=FALSE, include=FALSE, message=FALSE, results='hide', echo=FALSE}
library(knitr)
knit('Slides_geor_v1.0.Rmd', tangle=TRUE)
source('Slides_geor_v1.0.R')
```