Geoestadistica Con R

Geoestadstica con R
Jorge Gaspar Sanz Salinas

Septiembre de 2005
Resumen: A lo largo de la asignatura de doctorado Prediccion
y analisis
de modelos
superficiales mediante sistemas de informacion
geografica
se ha cubierto el desarrollo
del estudio de la distribucion
espacial de una o varias variables, as como su modelizacion
mediante metodos geoestadsiticos (krigeado). En este trabajo se presenta un
resumen de dicho desarrollo utilizando los mismos datos de partida pero empleando
para el mismo herramientas de Software Libre, principalmente una herramienta estadstica R y un Sistema de Informacion
Geografica,
GRASS, ambos funcionando bajo

el Sistema Operativo Linux.
Indice
0. Introduccion
0.1. R . . . . . . . . .
0.2. gstat . . . . . . .
0.3. GRASS . . . . . .
0.4. Datos de trabajo
3.5. Diagramas de dispersion
cruzados . . . . . . . . . . . 20
3.6. Scripts . . . . . . . . . . . . . 20
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
4
4
4
5
5
univariada
1. Descripcion
6
1.1. Carga y visualizacion
de los
datos . . . . . . . . . . . . . . 6
1.2. Metodos graficos
para la
descripcion
univariada . . . 6
1.3. Metodos numericos . . . . . 9
1.4. Scripts . . . . . . . . . . . . . 10
bivariada
2. Descripcion
12
. . . . . . . 12
2.2. Metodos numericos . . . . . 13
2.3. Scripts . . . . . . . . . . . . . 14
espacial
3. Descripcion
3.1. Visualizacion
espacial de
datos . . . . . . . . . . . . . .
3.2. Ventanas moviles
y el efecto
proporcional . . . . . . . . .
3.3. Continuidad espacial . . . .
3.4. Variograma . . . . . . . . . .
15
15
18
18
20
4. Estimacion.
Metodos deterministas
24
4.1. Scripts . . . . . . . . . . . . . 27
5. Continuidad espacial de V
5.1. Variograma omnidireccional
5.2. Variograma superficial . . .
5.3. Variogramas direccionales .
5.4. Variogramas cruzados . . . .
5.5. Scripts . . . . . . . . . . . . .
30
30
30
30
33
36
del variograma ex6. Modelizacion

perimental
39
6.1. Estimacion
automatizada
del modelo . . . . . . . . . . 41
6.2. Scripts . . . . . . . . . . . . . 44
8. Kriging
8.1. wlc . . . . . . . . . . . . . . .
8.2. Krigeado Ordinario (KO) . . .
8.3. Krigeado Universal (KU) . . .
8.4. Krigeado por bloques (KUB)
8.5. Krigeado Local (KUL) . . . .
8.6. Cokrigeado (CKO) . . . . . .
8.7. Resultados . . . . . . . . . .
8.8. Scripts . . . . . . . . . . . . .
45
45
45
46
46
46
48
51
56
Modelizacion
geoestadstica con R
Indice de figuras
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.
Distribucion
de U y V . . . .
Histograma de V . . . . . . .
Histograma acumulado de V
Grafico
de probabilidad
uniforme de V . . . . . . . .
Grafico
de probabilidad
normal . . . . . . . . . . . . .
Grafico
de probabilidad lognormal . . . . . . . . . . . . .
Grafico
de caja y bigotes de V
Grafico
de caja y bigotes de
VyU. . . . . . . . . . . . . .
Grafico
de cuantiles de V y U
Grafico
de dispersion
. . . .
Distribucion
de V . . . . . .
Mapa graduado de color de V
Mapa graduado de tamano
de V . . . . . . . . . . . . . .
Mapas de indicadores . . . .
Mapa de superficie interpolada . . . . . . . . . . . . . .
Media y varianza en ventana de 3x3 . . . . . . . . . . .
Grafico
de dispersion
de
media y varianza . . . . . . .
h-Scatterplots de direccion
N-S . . . . . . . . . . . . . . .
h-Scatterplots de direccion
E-W . . . . . . . . . . . . . .
h-Scatterplots cruzado de U
y V en direccion
N-S . . . . .
Distribucion
de wlm . . . . .
Mapas generados por GRASS
Histogramas de los conjuntos de datos . . . . . . . . . .
Variogramas omnidireccionales (i)) . . . . . . . . . . . .
Mapa del variograma superficial . . . . . . . . . . . .
Isolneas del variograma
superficial . . . . . . . . . . .
6
7
7
7
8
8
9
12
12
13
15
16
16
17
18
19
19
20
21
21
24
25
26
31
31
32
Indice de cuadros
1.
Resumen de estadsticos de
datos de validacion
y estimados . . . . . . . . . . . . . 26
27. Variogramas direccionales .

28. Deteccion
de ejes de anisotropa . . . . . . . . . . . . .
29. Variogramas por tolerancias (i) . . . . . . . . . . . . .
30. Variogramas por tolerancias (ii) . . . . . . . . . . . . .
31. Variogramas cruzados . . . .
32. Modelos de variogramas
disponibles . . . . . . . . . .
33. Modelos esferico de rango 30 y meseta parcial de
92000ppm . . . . . . . . . .
34. Modelos de variograma
combinados . . . . . . . . . .
35. Modelo de variograma de V
ajustado . . . . . . . . . . . .
36. Modelado interactivo del variograma . . . . . . . . . . . .
37. Descripcion
de geoR del
conjunto de datos . . . . . .
38. Modelo ajustado por geoR .
39. Conjunto de datos wlc . . . .
40. Error del Krigeado ordinario
41. Error del Krigeado universal
42. Error del Krigeado universal por bloques . . . . . . . .
43. Error del Krigeado local
universal . . . . . . . . . . .
44. Diferencias con wlc de la
modelizacion
de U . . . . . .
45. Prediccion
en la modelizacion
de V (wlm) . . . . . . . .
46. Desviacion
tpica en la modelizacion
de V (wlm) . . . . .
47. Diagramas de caja y bigote
de las diferencias . . . . . . .
48. Prediccion
en la modelizacion
de U (wlm) . . . . . . . .
49. Desviacion
de U (wlm) . . . . .
2.
3.
32
33
34
35
35
39
40
40
41
42
43
43
45
46
47
47
48
50
51
52
53
54
54
Estadsticos de los errores

en los metodos de krigeado
de V . . . . . . . . . . . . . . 52
Estadsticos de los errores
en los metodos de krigeado
de U . . . . . . . . . . . . . . 55
Modelizacion
geoestadstica con R
Indice de listados
1.
2.
3.
4.
5.
6.
7.
R-Script del tema 1 . . . . . .

R-Script en Linux del tema 3 .
R-Script en Windows del tema 3 . . . . . . . . . . . . . .
Script para GRASS . . . . . .
Script para ps.map del
metodo IDW . . . . . . . . .
8.
10
14
22
23
27
27
28
9.
10.
11.
12.
13.

metodo RST . . . . . . . . . .
metodo Polgonos de influencia . . . . . . . . . . . .
Funciones para imprimir
variogramas . . . . . . . . . .
28
29
36
36
44
56
Modelizacion
geoestadstica con R
Tema 0 Introduccion
0.1. R
R [5] es un conjunto integrado de herramientas para manipular datos, realizar todo
tipo de calculos
con los mismos y tambien es capaz de realizar toda clase de graficos
estadsticos.
En [4] se citan las siguientes caractersticas:
es multiplataforma,
almacenamiento y manipulacion
efectiva de datos,
operadores para calculo
sobre variables indexadas (Arrays), en particular matrices,

una amplia, coherente e integrada coleccion
de herramientas para analisis
de
datos,
posibilidades graficas
para analisis
de datos, que funcionan directamente sobre

pantalla o impresora,
y un lenguaje de programacion
bien desarrollado, simple y efectivo, que incluye
condicionales, ciclos, funciones recursivas y posibilidad de entradas y salidas.
(Debe destacarse que muchas de las funciones suministradas con el sistema
estan
escritas en el lenguaje R).
R puede extenderse mediante paquetes. En Linux, basta con ejecutar el comando
install.packages(paquete) para conectar a la red de servidores CRAN (Comprehensive R Archive Network) descarga el codigo
fuente y si se dispone de los compiladores

pertinentes (C++, Fortran, ...) genera los binarios adaptados perfectamente a la maqui
na. En Windows, al ejecutar dicho comando se descargan directamente los binarios.
En esta ultima
plataforma se dispone de una interfaz grafica
un poco mas
elaborada
y permite ademas
exportar al formato Windows MetaFile.
Los paquetes empleados en el trabajo, ademas
de los que se incluyen por defecto en
R son los paquetes de geoestadstica gstat [3], y geoR [6], y el paquete para presentacion
de graficos
lattice [7].
En definitiva, se dispone de un sistema ampliable que se maneja como una consola
de entrada de comandos que permite adquirir datos desde ficheros, manipularlos,
crear nuevos datos y por ultimo
o bien ver las graficas
por pantalla o mandarlas a

ficheros PostScript o raster. Otra caracterstica importante es la posibilidad de ejecutar
secuencias de comandos en forma de scripts.
0.2. gstat
gstat [2] es un software para llevar a cabo modelizacion,
prediccion
y simulacion
de
datos geoestadsticos. Al igual que el anterior, es Software Libre bajo licencia (GNU1 ).
Puede usarse de muy diversas formas, directamente tanto de forma no interactiva
(mediante ficheros de parametros)
como interactiva mostrando los resultados utilizando el programa para presentacion

de graficos
gnuplot. Pero su uso mas

interesante
es integrado con otras herramientas. En este sentido se ha conseguido que gstat funcione con GRASS, Idrisi, PCRaster y con R.
1
http://www.gnu.org
Modelizacion
geoestadstica con R
En este trabajo se ha usado con R porque este ultimo
ofrece caractersticas muy

interesantes para la manipulacion
de datos, presentacion
de todo tipo de graficas
y
repeticion
de tareas mediante sentencias de control (bucles, condicionales, etc). Por
otro lado, no ha sido posible compilar gstat para que trabaje conjuntamente con GRASS
en su version
6.
0.3. GRASS
Este ya veterano software para la gestion
de informacion
geografica
dispone de
herramientas para la modelizacion
de variables espaciales mediante metodos determinsticos. Se ha usado en este trabajo para la obtencion
de la modelizacion
por
polgonos de influencia (Voronoi), Splines de tension
y por el metodo de pesos inversos a la distancia.
Ademas
se ha utilizado para la presentacion
de la cartografa, maquetando sencillos mapas con salida PostScript.
0.4. Datos de trabajo

Los datos con los que se va a trabajar durante todo el proyecto son los utilizados
en el libro Applied Geostatistics de Issaks y Srivastava. El conjunto de datos walker
esta a su vez dividido en tres grupos, wlc que es una malla de 78000 puntos que
sirven para validacion,
wlm es la malla irregular de 470 puntos y wle una malla de 100
puntos para algunos calculos
estadsticos.
gstat dispone del conjunto wlm, los otros dos seran
cargados desde ficheros de texto
separados por comas (CSV) para poder operar con ellos.
Modelizacion
geoestadstica con R
univariada
Tema 1 Descripcion
de los datos
1.1. Carga y visualizacion
242
244
246
248
250
En este captulo se van a usar los datos wle redondeados a valores enteros. El
primer paso sera por tanto cargar el fichero walker10.asc, que es un fichero de
texto separado por tabuladores que se puede importar directamente con la orden
read.delim2 para a continuacion
redondearlo.
En la figura 1 se muestra la distribucion
de los datos, as como los valores que
toman las variables U y V.
15
81
12
77
24
103
27
112
30
123
0
19
2
40
18
111
18
114
18
120
16
82
7
61
34
110
36
121
29
119
7
77
4
52
18
111
18
117
20
124
16
82
9
74
22
97
24
105
25
112
10
91
7
73
19
115
19
118
22
129
21
88
8
70
27
103
27
111
32
122
4
64
10
84
15
105
17
113
19
123
21
89
18
88
20
94
27
110
29
116
19
108
7
73
16
107
19
118
22
127
15
77
16
82
16
86
23
101
24
109
25
113
7
79
15
102
21
120
20
121
14
74
15
80
15
85
16
90
17
97
18
101
14
96
6
72
28
128
25
130
14
75
15
80
15
83
15
87
16
94
17
99
13
95
2
48
40
139
38
145
16
77
17
84
11
74
29
108
37
121
55
143
11
91
3
52
34
136
35
144
22
87
28
100
4
47
32
111
38
124
20
109
0
0
14
98
31
134
34
144
12
14
16
18
20
Figura 1: Distribucion
de U y V
univariada
1.2. Metodos graficos para la descripcion
El metodo grafico
mas
utilizado es el histograma, en el que debemos integrar la
variable en clases. La variable V se vara entre 0ppm y 145ppm por lo que dividirla en
clases de 10 unidades es conveniente (fig. 2 en la pagina
siguiente).
Otro grafico
interesante es el histograma acumulado en el que a partir de las

mismas clases del histograma anterior se muestra la suma acumulada (fig 3 en la
pagina
siguiente).
El grafico
de probabilidad acumulada muestra la proporcion

de datos para cada
punto que son menores que e l (fig 4 en la pagina
siguiente)
Las figuras 5 en la pagina
8 y 6 en la pagina
8 muestran la similitud de nuestra

muestra con la distribucion
normal y lognormal. Las lneas trazadas pasan por el
primer y tercer cuartil.
Modelizacion
geoestadstica con R
16
17
15
14
14
14
10
8
6
Frequency
12
12
11
4
3
3
2
2
1
50
100
150
60
40
0
20
Frecuencia acumulada
80
100
Figura 2: Histograma de V
10
20
30
40
50
60
70
80
90 100
120
140
Variable
0.6
0.4
0.2
0.0
Probabilidad acumulada
0.8
1.0
Figura 3: Histograma acumulado de V
50
100
150
Figura 4: Grafico
de probabilidad uniforme de V
1
0
1
2
Theoretical Quantiles
Modelizacion
geoestadstica con R
50
100
150
Sample Quantiles
1
0
1
2
Theoretical Quantiles
Figura 5: Grafico
de probabilidad normal
3.0
3.5
4.0
4.5
Sample Quantiles
Figura 6: Grafico
de probabilidad lognormal
5.0
Modelizacion
geoestadstica con R
1.3. Metodos numericos
1.3.1. Medidas de localizacion

Se puede solicitar una descripcion
sencilla de nuestros datos con el comando
summary(V) que devuelve tanto los valores maximos
y mnimos, la media, la mediana y el segundo y tercer cuartil. En cualquier caso estan

disponibles comandos
como min, max, mean y median.
Para calcular la moda no hay un comando definido, pero a partir de la tabla definida del corte de V (tcutV) donde se almacenan las frecuencias relativas en las clases
definidas previamente (secV), podemos solicitar aquella clase que almacene el valor
maximo
con el comando tcutV[tcutV==max(tcutV)].

En resumen:
Mnimo
Maximo
Media
Mediana
Moda
Rango
0
145
100.5
97.55
110-120
145
R puede calcular cualquier cuantil de una muestra, por ejemplo los cuartiles con
el comando quantile y pasando un vector con los valores de los cuantiles a obtener,
en este caso una secuencia de 0 a 1 cada 0.25 unidades:
> print(cuantiles<-quantile(V,seq(0,1,.25)))
0%
25 %
50 %
75 %
100 %
0.00 81.75 100.50 116.25 145.00
Una forma grafica
de ver tanto los cuantiles como la distribucion

de la muestra y
si existen valores alejados de la media (outliers) es el diagrama de caja y bigotes (box
and whisker). La figura 7 muestra el de la variable V.
50
100
150
Figura 7: Grafico
de caja y bigotes de V
1.3.2. Medidas de dispersion

Las medidas de dispersion
como la varianza, la desviacion
tpica y el rango intercuantil son sencillos de calcular:
> dt<-sqrt(var(V))
> dt2;dt;as.numeric(cuantiles["75 %"]-cuantiles["25 %"])
Modelizacion
geoestadstica con R
10
[1] 695.3409
[1] 26.36932
[1] 34.5
1.3.3. Medidas de forma

El coeficiente de sesgo o asimetra (skewness) se calcula a partir de la formula
Pn
1
n
CS =
i=1 (xi
3
m)3
(1)
El coeficiente de curtosis o apuntalamiento se calcula como

K=
Pn
i=1
(xi m)4
n
4
(2)
El coeficiente de variacion
no es mas
que el cociente entre la desviacion
tpica y la
media, siendo trivial su calculo.
En R estos tres coeficientes se calculan como:

> media<-mean(V);
> print(CS<-sum((V-media)3)/(length(V)*dt3))
[1] -0.7665234
> print(K<-sum((V-media)4/length(V))/dt4-3)
[1] 1.187891
> print(CV<-dt/media)
[1] 0.2703159
1.4. Scripts
Listado 1: R-Script del tema 1
N UNIVARIADA
1 #TEMA 1 - DESCRIPCIO
2 ps.options(family="Bookman",pointsize
3
4
5
6
7
8
9
=15)
rm(list=ls())
#Cargar wle y redondearlo
wle<-read.delim2("walker10.asc")
wle<-round(wle,0)
#Adjuntar los datos de wle para acceder

directamente
10 attach(wle)
25
26
27
28
29
30
31
32
33
34
35
36
11
12 #Ver los datos U y V
37
13 postscript("imgs/01/UyV.ps")
38
14 plot(X,Y,xlim=c(min(X),max(X)*1.01),ylim
39
=c(min(Y)*.999,max(Y)*1.001),pch=3)
40
15 text(X+.3,Y+.2,U)
41
16 text(X+.3,Y-.2,V)
17 dev.off()
42
18
43
19 #Mostrar el histograma de V
44
20 secV<-seq(0,150,10)
21 postscript("imgs/01/histV.ps")
45
22 hist(V,breaks=secV, labels=TRUE, col="
46
lightgray", axes=FALSE,main="")
23 axis(2,at=seq(0,18,2))
24 axis(1,at=seq(0,150,50))
dev.off()
#Discretizar V para hallar frecuencias
lsecV<-length(secV)
cutV<-cut(V,secV)
tcutV<-table(cutV)
#Obtener las frecuencias acumuladas
sumfreq<-rep(0,length(secV))
for (i in 1:lsecV){ sumfreq[i]<-length(V
[V<secV[i]])}
#Imprimir el histograma
postscript("imgs/01/histAcumV.ps")
barplot(sumfreq,xlab="Variable",ylab="
Frecuencia acumulada",names.arg=secV
)
dev.off()
#Gr
afico de probabilidad acumulada
postscript("imgs/01/probUnif.ps")
plot.ecdf(V,pch=1,xlab="V",ylab="
Probabilidad acumulada",main="")
dev.off()
#Gr
afico de probabilidad normal y
lognormal
postscript("imgs/01/probNormal.ps")
qqnorm(V,datax=TRUE,pch=3,main="");
qqline(V,datax=TRUE)
47 dev.off()
Modelizacion
geoestadstica con R
48
49 logV<-log(V)[is.finite(log(V))]
50 postscript("imgs/01/probLogNormal.ps")
51 qqnorm(logV,datax=TRUE,pch=3,main="");
qqline(logV,datax=TRUE)
52 dev.off()
53
54 #Medidas de localizaci
on, dispersi
on,
etc
media<-mean(V)
dt<-var(V)
print("Cuartiles")
print(cuantiles<-quantile(V,seq(0,1,.25)
))
on t
pica y
59 print("Varianza, desviaci
rango intercuart
lico")
60 print(dt2)
61 print(dt)
55
56
57
58
11
62 print(as.numeric(cuantiles["75 %"]-
cuantiles["25 %"]))
63
64 #Diagrama de caja y bigotes de V
65 postscript("imgs/01/cajaybig.ps")
66 boxplot(V,horizontal=TRUE,col="lightgray
",ylab="V")
67 dev.off()
68
69 #Medidas de forma: sesgo, apuntalamiento
y variaci
on
70 print("Sesgo, apuntalamiento y variaci
on
")
71 print(CS<-sum((V-media)3)/(length(V)*dt
3))
72 print(K<-sum((V-media)4/length(V))/dt
4-3)
73 print(CV<-dt/media)
Modelizacion
geoestadstica con R
12
bivariada
Tema 2 Descripcion
Variables
La visualizacion
de pares de histogramas y sobre todo de graficos
de caja y bigotes
( 8)pueden aportar informacion
de como
son dos variables.
50
100
150
Figura 8: Grafico
de caja y bigotes de V y U
El diagrama de cuantiles muestra cada cuantil de una variable contra el mismo
cuantil de la otra formando un grafico
de puntos. Si estos puntos adoptan la forma de

una lnea significa que ambas variables son similares pero su localizacion
y dispersion
son diferentes.
100%
U=V
50
40
30
75%
20
50%
25%
10
Cuartiles
0
0%
50
100
150
Figura 9: Grafico
de cuantiles de V y U
Por ultimo,
el diagrama de dispersion
( 10 en la pagina
siguiente)puede mostrar
informacion
sobre las tendencias de ambas variables y la existencia de outliers que
Modelizacion
geoestadstica con R
13
10
20
30
40
50
pueden ser susceptibles de ser eliminados.
50
100
150
Figura 10: Grafico
de dispersion
2.2. Metodos numericos

El coeficiente de correlacion
o de Pearson es el indicador mas
utilizado para comprobar la relacion
entre variables, en R se corresponde con el comando cor(U,V).
1 Pn
i=1 (xi mx ) (yi my )
n
=
(3)
x y
El numerador de esta ultima
ecuacion
es otro indicador, la covarianza, que se
obtiene con el comando cov(U,V).
El coeficiente de correlacion
de orden utiliza el orden en que aparece un valor
determinado en lugar de su propio valor. Por esta razon
este coeficiente es menos
sensible a valores extremos y por tanto, si difiere mucho del coeficiente de Pearson
indica la existencia de estos valores extremos. En R se obtiene con el mismo comando
que el de correlacion,
pero cambiando el metodo.
1 Pn
i=1 (Rxi mRx ) (Ryi mRy )
n
Orden =
(4)
Rx Ry
> cov(U,V);cor(U,V,method="pearson");cor(U,V,method="spearman")
[1] 218.2778
[1] 0.8393395
[1] 0.8576604
Modelizacion
geoestadstica con R
14
2.3. Scripts
N BIVARIADA
1 #TEMA 2 - DESCRIPCIO
3
4
5
6
7
8
9
=15)
rm(list=ls())
wle<-round(wle,0)

directamente
10 attach(wle)
11
12 #Diagrama de caja y bigotes de V y U
13 postscript("imgs/02/cajaybig.ps")
14 boxplot(data.frame(V,U),horizontal=TRUE,
col="lightgray",ylab="Variables",
boxwex=0.5)
15 dev.off()
16
17
18
19
20
# Diagrama qqplot
postscript("imgs/02/qqnorm.ps")
# Dibuja s
olo los ejes
qqplot(V,U,xlab="V",ylab="U",las=1,xlim=
c(-1,148),ylim=c(0,57),type="n")
21 # Dibuja los puntos por cuantiles del 5 %
y los cuartiles
22 points(quantile(V,seq(0,1,.05)),quantile
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
(U,seq(0,1,.05)),pch=21,bg="
lightgray")
points(quantile(V,seq(0,1,.25)),quantile
(U,seq(0,1,.25)),pch=21,bg="white")
# Texto en los cuartiles
text(quantile(V,seq(0,1,.25))-2,quantile
(U,seq(0,1,.25))+2,c("0 %","25 %","50 %
","75 %","100 %"))
# Linea con U=V y su texto
lines(c(0,150),c(0,150),type="l")
text(60,50,"U=V")
# Leyenda
legend(100,8,c("Cuartiles"),bg="white",
pch=21)
dev.off()
#Diagramas de dispersi
on
postscript("imgs/02/dispers.ps")
plot(V,U,pch=21,bg="lightgray")
dev.off()
#Covarianza y coeficientes de
correlaci
on
print("Covarianza y coeficiente de
correlaci
on de Pearson y de Spearman
")
print(covar<-cov(U,V))
print(rho<-cor(U,V,method="pearson"))
print(spear<-cor(U,V,method="spearman"))
Modelizacion
geoestadstica con R
15
espacial
Tema 3 Descripcion
espacial de datos
3.1. Visualizacion
3.1.1. Mapas de localizacion
240
242
244
246
248
250
Se trata de trazar un mapa de puntos e indicar por ejemplo los 10 valores maximos
y los 10 valores mnimos. En R se trata de obtener los conjuntos de datos de wle con
los valores maximos
y mnimos y pintarlos sobre un mapa de localizacion

de V.
81
77
103
112
123
19
40
111
114
120
82
61
110
121
119
77
52
111
117
124
82
74
97
105
112
91
73
115
118
129
88
70
103
111
122
64
84
105
113
123
89
88
94
110
116
108
73
107
118
127
77
82
86
101
109
113
79
102
120
121
74
80
85
90
97
101
96
72
128
130
75
80
83
87
94
99
95
48
139
145
77
84
74
108
121
143
91
52
136
144
87
100
47
111
124
109
98
134
144
Mximos
Mnimos
12
14
16
18
20

de V
3.1.2. Mapas de smbolos graduados

Utilizando la biblioteca lattice, se pueden generar mapas de smbolos graduados
por color con el comando levelplot. R dispone de diferentes paletas de color, pero
en este caso se usara una escala de grises.
Otro tipo de mapa es el de gradacion
de smbolos por tamano.
En este caso el
paquete gstat proporciona el comando bubble. El resultado es mejorable, pero sirve
a modo de ejemplo.
3.1.3. Mapas de indicadores
Se trata de mapas graduados de color con solo
dos niveles. El umbral entre ambos
niveles se va variando y se observa el conjunto de mapas generados. Estos mapas
pueden mostrar alineaciones en la distribucion
espacial de la variable y la ubicacion
de maximos
y mnimos. Las figuras 14(c) y 14(d) muestran la alineacion

norte-sur de
los datos.
Modelizacion
geoestadstica con R
16
140
120
248
100
246
80
60
244
40
20
242
12
14
16
18
Figura 12: Mapa graduado de color de V
250
248
246
0
81.75
100.5
116.25
145
244
242
12
14
16
18
20
Figura 13: Mapa graduado de tamano

de V
Modelizacion
geoestadstica con R
17
Umbral = 73.375
Umbral = 81.75
140
140
120
120
248
248
100
100
80
80
246
246
60
60
244
244
40
242
40
242
20
20
0
12
14
16
18
12
14
16
(a) Cuantil 12.5 %
(b) Cuantil 25 %
Umbral = 89.125
18
Umbral = 100.5
140
140
120
120
248
248
100
100
80
80
246
246
60
60
244
244
40
242
40
242
20
20
0
12
14
16
18
12
14
16
(c) Cuantil 37.5 %
(d) Cuantil 50 %
Umbral = 109.875
18
Umbral = 116.25
140
140
120
120
248
248
100
100
80
80
246
246
60
244
60
244
40
242
20
40
242
20
0
12
14
16
18
0
12
14
16
(e) Cuantil 62.5 %
(f) Cuantil 75 %
Figura 14: Mapas de indicadores
18
Modelizacion
geoestadstica con R
18
3.1.4. Mapas de superficies interpoladas
242
244
246
248
250
Es posible interpolar polinomios de un orden determinado, que pasen por todos

los puntos de la muestra. Estos polinomios suelen ofrecer superficies suavizadas pero
que muestran las tendencias y la distribucion
de la variable.
Para poder obtener estos polinomios en R, se ha de cargar el paquete spatial que
dispone de la funcion
surf.ls que obtiene el mejor polinomio de hasta grado 6 que se
ajusta a los datos mediante mnimos cuadrados (fig. 15). Este mapa ha sido generado
en Windows ya que el paquete spatial no ha sido posible instalarlo en Linux, por lo
que el script que genera este grafico
esta separado del resto del tema.
12
14
16
18
20
Figura 15: Mapa de superficie interpolada
3.2. Ventanas moviles

y el efecto proporcional
Se pueden trazar mapas en las que el valor de cada punto es la media o la varianza
de sus vecinos. Por lo tanto se crea una ventana movil
de tamano
impar que va
recorriendo los valores. En R esta operacion
requiere algo de programacion
que se
incluye en el script del tema y que se presenta en la figura 16 en la pagina
siguiente.
Un grafico
de dispersion
entre las medias y las varianzas demuestra la existencia
de una relacion
entre ambas. En este caso, en la figura 17 en la pagina
siguiente, se
puede ver que ambas medidas no estan
correladas, siendo el coeficiente de correlacion
() bastante bajo.
3.3. Continuidad espacial

de tipo h
3.3.1. Diagramas de dispersion
Este tipo de diagramas muestran contrapuestas la variable contra e sta a una distancia determinada. Cuando los datos estan
en forma de malla, se pueden obtener
de forma sencilla los mapas de dispersion
en las direcciones norte-sur y este-oeste a
diferentes distancias.
Obtener estos diagramas en R es relativamente sencillo debido a la flexibilidad en
la manipulacion
de variables indexadas (arrays). Se han obtenido los diagramas con
19
250
Modelizacion
geoestadstica con R
242
244
246
248
85.22
235.94
85.22
255.19
87.22
111.69
86.33
90.25
83.89
39.36
80.22
17.94
79.11
18.61
78.56
201.78
95.56
409.53
94.67
443.25
94.67
220.5
93.89
186.86
90.67
92.75
86
42.5
85.67
91.25
86
377.5
12
111.33
75.75
111.11
72.86
107.78
79.94
105.78
122.94
98.67
123.5
92.44
74.03
93.22
199.44
94.33
611.5
97.67
1095.75
102.44
428.53
104.33
300.25
106
281
105
69.5
99
69.75
104.44
311.53
110.67
289.25
78.44
1332.03
88.22
616.94
93.67
459.75
96.44
457.78
99.11
219.86
98.11
93.36
104.11
288.36
97.33
1628.25
14
76.56
1165.53
85.78
468.19
91.11
342.86
92.78
320.44
94.56
248.78
89.44
392.78
88.56
823.28
81.67
1753
94.56
955.28
98.67
553.25
100.67
353.25
100.11
299.61
99.44
441.03
97.67
828.75
95.22
1163.69
88.11
2227.36
16
117.67
35.5
117.22
53.69
117.22
68.19
115.11
76.86
113.89
334.86
111.67
1042.25
110.44
1659.03
115.56
1588.03
18
2000
Figura 16: Media y varianza en ventana de 3x3
1000
500
0
varianza
1500
= 0.11
80
90
100
110
media
Figura 17: Grafico
de dispersion
de media y varianza
20
Modelizacion
geoestadstica con R
20
distancia (h) variando de 1 a 4 puntos y en las direcciones norte-sur (fig. 18) y esteoeste (fig:03:vew). Se aprecia la alta correlacion
en las direcciones N-S (0,5 < < 0,7) y
la baja correlacion
en direccion
E-W (0,4 < < 0,3).
h=1
120
120
140
140
h=2
V(t)
100
= 0.59
40
40
60
80
80
60
V(t)
100
= 0.74
x=y
20
20
x=y
50
100
150
V(t+h)
h=3
h=4
100
150
100
150
= 0.48
80
60
V(t)
80
100
100
= 0.56
40
40
60
V(t)
50
V(t+h)
120
120
x=y
20
20
x=y
50
100
150
50
V(t+h)
V(t+h)
Figura 18: h-Scatterplots de direccion

N-S
3.4. Variograma
La funcion
del variograma muestra la variacion
de la variable agrupando los datos
segun
sus distancias relativas. Ha de establecerse por tanto el numero
de ((cajas))
o lags en los que queremos dividir los datos. Por otro lado, como en el apartado
anterior, podemos obtener el variograma en una direccion
determinada o en todas
direcciones (variograma omnidireccional). Formalmente la funcion
del variograma se
expresa como:
N (h)
X
1
(h) =
(vi vi+h )2
2N (h)
(5)
i=1
En R existen diversos paquetes que calculan el variograma pero probablemente el

mas
completo es el paquete gstat. El uso de esta funcion
se hara en el tema 5.
cruzados
3.5. Diagramas de dispersion
El ultimo
grafico
que se va a mostrar en este tema es el de dispersion

cruzada
entre dos variables. Es un h-Scatterplot en el que en lugar de ccontrastarla misma
variable se utiliza el valor de otra. Se ha calculado solo
la variacion
en la direccion
N-S de las variables U y V.
3.6. Scripts
Modelizacion
geoestadstica con R
21
120
100
100
120
140
h=2
140
h=1
V(t)
60
40
40
60
V(t)
80
= 0.41
80
= 0.21
20
x=y
20
x=y
50
100
150
50
V(t+h)
V(t+h)
h=3
h=4
100
150
100
150
100
150
100
150
100
100
120
120
140
140
= 0.35
80
40
60
60
V(t)
V(t)
80
= 0.3
20
40
x=y
20
x=y
50
100
150
50
V(t+h)
V(t+h)
Figura 19: h-Scatterplots de direccion

E-W
h=1
U(t)
x=y
= 0.45
20
30
x=y
= 0.6
10
10
20
U(t)
40
30
50
40
h=2
50
100
150
V(t+h)
h=3
h=4
35
30
30
x=y
25
25
x=y
20
= 0.28
10
10
15
15
U(t)
20
= 0.36
U(t)
50
V(t+h)
35
50
100
V(t+h)
150
50
V(t+h)
Figura 20: h-Scatterplots cruzado de U y V en direccion

N-S
Modelizacion
geoestadstica con R
Listado 3: R-Script en Linux del tema 3
22
48 postscript("imgs/03/indics %02d.ps",
onefile=FALSE)
N ESPACIAL
1 #TEMA 3 : DESCRIPCIO
=15)
3 rm(list=ls())
4
5
6
7
8
9
10
11
12
13
#Cargar paquetes
library(lattice)
library(gstat)
wle<-round(wle,0)
49 for (i in 1:length(sec2)){
50
tit<-as.expression(substitute(
Umbral==p,list(p=sec2[i])))
lv<-levelplot(VX*Y,wle,col.
regions=c("lightgray","white
"),at=c(min(V),sec2[i],max(V
)),main=tit);
52
print(lv)
53
}
54 dev.off()
51
55
56
57 # Mapas de isol
neas y de superficies
interpoladas en Windows

directamente
14 attach(wle)
58
59 #Conseguir una matriz con los valores de
15
16 #Gr
afico de V con m
aximos y m
nimos
17 #Obtener los 10 valores m
aximos y
60
61
62
63
64
65
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
m
nimos
Vmax=sort(V)[90:100][1]
Vmin=sort(V)[1:10][10]
dfVmax= subset(wle,V>=Vmax)
dfVmin= subset(wle,V<=Vmin)
#Ya se puede hacer el dibujo
postscript("imgs/03/maxmin.ps")
plot(X,Y,pch=3,xlim=c(11,20.2),ylim=c
(239.5,250.5))
text(X+0.2,Y+0.2,V)
points(dfVmax$X,dfVmax$Y,bg="black",pch
=21)
points(dfVmin$X,dfVmin$Y,bg="lightgray",
pch=21)
legend(11,240.8,c("M
aximos","M
nimos"),
pch=21,pt.bg=c("black","lightgray"))
dev.off()
66
67 imgV2<-list(sort(imgV$y),sort(imgV$x,
68
69
70
71
72
73
74
75
76
77
78
#Gr
afico de s
mbolos graduados
79
postscript("imgs/03/simbs.ps")
80
lv<-levelplot(VX*Y,wle,col.regions=gray 81
(seq(1,0.3,len=18)),aspect=mapasp(
82
wle))
print(lv)
dev.off()
#Gr
afico de burbujas
postscript("imgs/03/bubbles.ps")
# bub<-bubble(wle,1,2,"V",key.entries=
quantile(V,seq(0,1,.25)))
40 bub<-bubble(wle,1,2,"V",fill=TRUE,pch
=21,key.entries=quantile(V,seq
(0,1,.25)))
41 print(bub)
42 dev.off()
43
44 #Mapas de indicadores (por 12.5 %, 25 %,
37.5 %, 50 %, 62.5 %, 75 %)
45 # sec2<-quantile(V,c
(12.5,25,37.5,50,62.5,75)/100)
46 sec1<-seq(0.125,.75,.125)
47 sec2<-quantile(V,sec1)
V
imgV<-xyz2img(wle,"V",2,1)
matVtemp<-imgV$z
matV<-matVtemp*0
m<-dim(matVtemp)[1]
n<-dim(matVtemp)[2]
for(i in 1:m){for(j in 1:n){matV[i,j]<matVtemp[m+1-i,j] }}
83
84
85
86
87
88
89
90
91
92
93
94
95
decreasing=TRUE),matV)
names(imgV2)<-c("x","y","z")
#Calcular una media y varianza 3x3
media3<-matV*0
var3<-media3
seqm<-seq(2,m-1)
seqn<-seq(2,n-1)
for(i in seqm){
for(j in seqn){
i1<-i-1;
i2<-i+1;
j1<-j-1;
j2<-j+1;
matVtemp<-array(matV[i1:
i2,j1:j2]);
media3[i,j]<-mean(
matVtemp);
var3[i,j]<-var(matVtemp)
}
}
media3<-round(media3[seqm,seqn],2)
var3<-round(var3[seqm,seqn],2)
#Mostrar resultados
postscript("imgs/03/mediavar.ps")
plot(X,Y,pch=3)
for(i in seqm){
for(j in seqn){
text(imgV2$x[i],imgV2$y[
j]+0.25,media3[j-1,i
-1]);
96
text(imgV2$x[i],imgV2$y[
j]-0.25,var3[j-1,i
Modelizacion
geoestadstica con R
-1])
97
98
99
100
101
102
103
104
105
23
lines(c(0,150),c(0,150));text
(40,30,"x=y");
text(10,90,as.expression(
substitute(rho==ro,list(ro=
round(cor(matV1,matV2),2))))
)
title(as.expression(substitute(h
==hh,list(hh=h))))
139
}
}
dev.off()
140
#Gr
afico de media contra varianza 3x3
141
postscript("imgs/03/mediavar2.ps")
media<-array(media3,dim=64)
142
varianza<-array(var3,dim=64)
plot(media,varianza,pch=21,bg="lightgray 143
144
",xlab="media",ylab="varianza")
106 text(105,2000,as.expression(substitute( 145
146
rho==ro,list(ro=round(cor(media,
147
varianza),2)))))
148
107 dev.off()
}
dev.off()
#Continuidad espacial en V cruzado con U

imgU<-xyz2img(wle,"U",2,1)
matUtemp<-imgU$z
matU<-matUtemp*0
149 m<-dim(matUtemp)[1]
150 n<-dim(matUtemp)[2]
151 for(i in 1:m){for(j in 1:n){matU[i,j]<matUtemp[m+1-i,j] }}
108
109
110 #Continuidad espacial en V
111 #NS
112 postscript("imgs/03/V-NS %02d.ps",onefile 152
153 #NS
=FALSE)
113 for(i in 1:4){
154 postscript("imgs/03/VU-NS %02d.ps",
onefile=FALSE)
114
h<-i;
155 for(i in 1:4){
115
fil1<-seq(1+h,m);
156
h<-i;
116
col1<-seq(1,n);
fil1<-seq(1+h,m);
117
matV1<-array(matV[fil1,col1],dim 157
col1<-seq(1,n);
=length(fil1)*length(col1)); 158
159
matV1<-array(matV[fil1,col1],dim
118
fil2<-seq(1,m-h);
=length(fil1)*length(col1));
119
col2<-seq(1,n);
fil2<-seq(1,m-h);
120
col2<-seq(1,n);
matU2<-array(matU[fil2,col2],dim
121
plot(matV1,matV2,xlab="V(t+h)", 162
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
=length(fil2)*length(col2));
plot(matV1,matU2,xlab="V(t+h)",
ylab="U(t)");
lines(c(0,150),c(0,150));text
(40,30,"x=y");
round(cor(matV1,matU2),2))))
)
==hh,list(hh=h))))
ylab="V(t)");
163
lines(c(0,150),c(0,150));text
(40,30,"x=y");
164
round(cor(matV1,matV2),2)))) 165
)
==hh,list(hh=h))))
}
dev.off()
166
167 }
168
#EW
postscript("imgs/03/V-EW %02d.ps",onefile
=FALSE)
for(i in 1:4){
h<-i;
1
fil1<-seq(1,m);
2
col1<-seq(1+h,n);
3
fil2<-seq(1,m);
col2<-seq(1,n-h);
6
plot(matV1,matV2,xlab="V(t+h)",
9
ylab="V(t)");
dev.off()
Listado 4: R-Script en Windows del tema 3

orden<-6
V.ls<-surf.ls(orden,wle$X,wle$Y,wle$V)
V.tr<-trmat(V.ls,11,20,241,250,150)
ps.options(family="Bookman",pointsize
=15)
postscript("imgs/03/interp.ps")
image(V.tr,col=gray(seq(0.93,0.3,l=50)))
contour(V.tr,add=TRUE,labcex=.8)
dev.off()
Modelizacion
geoestadstica con R
24
Metodos deterministas
Tema 4 Estimacion.
En esta seccion
se va a estimar el valor de la variable V en toda la extension
de
trabajo a partir de los valores en el conjunto de datos wlm (fig. 21).
Este conjunto de datos se obtiene facilmente
al estar presente en el paquete gstat

y cargandose
con ejecutar el comando data(walker).
250
200
150
100
50
50
100
150
200
250

de wlm
La estimacion
de estos datos se ha realizado desde GRASS, para ello primero se ha
exportado este conjunto de datos a un fichero csv para a continuacion
importarlo en
GRASS como una cobertura vectorial (GRASS ya no utiliza sites).
En GRASS se han utilizado las funciones v.voronoi, v.surf.idw y v.surf.rst
que implementan el metodo de polgonos de influencia, el de pesos inversos a la distancia y el de splines de tension
respectivamente. Ademas
de las coberturas raster con
los valores estimados se han obtenido las curvas de nivel cada 250ppm. Finalmente
se han maquetado tres sencillos mapas con los resultados de estos tres metodos.
Al final del tema se presenta el script en GRASS que genera los mapas y exporta a
ficheros csv los valores de los tres mapas para poder estudiarlos en R. Igualmente se
presentan los tres ficheros que indican la maquetacion
de los mapas.
A continuacion
se importa el conjunto de datos wlc que consiste en 78000 puntos
de validacion
y que se entiende como valores correctos..
En el cuadro 1 se muestran los estadsticos de estos cuatro conjunto de datos y
en la figura 23 en la pagina
26 se pueden ver los histogramas. Se pueden observar

las siguientes caractersticas:
Se observa como el metodo de Polgonos de influencia es el que mejor mantiene
las caractersticas estadsticas.
Leyenda
Modelizacion
geoestad
stica con R
1400
25
1400
1200
1000
Inverso
la distancia
de
Splines
de a
Tensin
de V (T=100)
Polgonos
de
influencia
deVV
800
800
Escala
600
600
50
400
400
200
200
Equidistancia de curvas = 250ppm
200
100
Figura 22: Mapas generados por GRASS
200
100
0
0
Modelizacion
geoestadstica con R
26
Cuadro 1: Resumen de estadsticos de datos de validacion

y estimados
wlc
Mn.
Q1
Median.
Media
Q3
Max.
Simetr.
Apunt.
CV
0.00
67.79
221.30
278.00
428.30
1631.00
62423.16
249.84
0.90
0.77
0.90
Voronoi
0.00
70.70
224.40
275.10
425.90
1528.00
60039.41
245.03
0.89
1.25
0.89
IDW
0.46
163.00
297.20
316.80
428.50
1498.00
39458.06
198.64
0.63
1.39
0.63
RST
-47.51
121.20
277.90
277.90
379.50
1530.00
44820.41
211.71
0.76
2.44
0.76
El metodo de Splines de tension

ofrece resultados negativos pese a calcularse
con un valor de tension
alto (100).
Cabe destacar la diferencia entre los metodos estadsticos y wlc en el apuntalamiento, claramente observable en los histogramas.
WLC
15000
Frecuencia
5000
10000
15000
10000
5000
Frecuencia
20000
20000
25000
Vor
500
1000
1500
500
1000
IDW
RST
1500
5000
10000
Frecuencia
10000
5000
Frecuencia
15000
15000
500
1000
V
1500
500
1000
V
Figura 23: Histogramas de los conjuntos de datos
1500
Modelizacion
geoestadstica con R
27
4.1. Scripts
="Frecuencia")
49 hist(datos[[2]],main="Vor",xlab="V",ylab
N
1 #TEMA 4 - ESTIMACIO
3
4
5
6
7
8
9
10
11
12
13
14
=15)
rm(list=ls())
="Frecuencia")
50 hist(datos[[3]],main="IDW",xlab="V",ylab
="Frecuencia")
51 hist(datos[[4]],main="RST",xlab="V",ylab
="Frecuencia")
#Cargar los datos wlm
library(lattice)
library(gstat)
data(walker)
wlm<-walker
attach(wlm)
#Ver wlm
postscript("imgs/04/wlm.ps")
xy<-xyplot(YX,wlm,pch=3,aspect=mapasp(
wlm))
15 print(xy)
16 dev.off()
17
18 #Importar valores reales wlc
19 wlc<-read.csv("wlc.csv",sep=";",dec=".",
header=TRUE)
20
21 #Importar los valores estimados en GRASS
22 idw<-read.csv(file="/geo/r/mapasgrass/
idw.values.asc",sep="|")
23 vor<-read.csv(file="/geo/r/mapasgrass/
52 dev.off()
Listado 6: Script para GRASS

1 # CREAR MAPA DE SPLINES
2 g.remove rast=splines vect=spcontour
3 v.surf.rst input=wle elev=splines
zcolumn=u tension=100
4 r.contour input=splines output=spcontour
step=250
5 r.colors map=splines rules=grey
6
7
8 # CREAR MAPA DE VORONOI
9 g.remove rast=rvorwle vect=clvorwle,
vorwle
10 v.voronoi input=wle ouput=vorwle
11 v.clean input=vorwle output=clvorwle
type=boundary,line,centroid,area
tool=break,rmdupl,snap
12 g.region vect=clvorwle
13 r.colors map=rvorwle rast=splines
voronoi.values.asc",sep="|")
14
15
mapasgrass/splines.values.asc",sep=" 16
17
|")
18
25
26 # #Mostrar medias, varianzas y demas.... 19
27 Desv<-function(datos){sqrt(var(datos))}
20
28 CS<-function(V){sum((V-mean(V))3)/(
21
length(V)*Desv(V)3)}
29 K<-function(V){sum((V-mean(V))4/length( 22
24 splines<-read.csv(file="/geo/r/
V))/Desv(V)4-3}
30 CV<-function(V){Desv(V)/mean(V)}
31
32 datos<-list(wlc$V,vor$value,idw$value,
33
34
35
36
37
38
39
40
41
42
43
44
45
46
splines$value)
print("Resumen")
print(lapply(datos,summary))
print("Varianza")
print(lapply(datos,var))
pica")
print("Desviaci
on T
print(lapply(datos,Desv))
print("Simetr
a")
print(lapply(datos,CS))
print("Apuntalamiento")
print(lapply(datos,K))
print("Coeficiente de Variaci
on")
print(lapply(datos,CV))
# CREAR MAPA IDW

g.remove rast=idw vect=idwcontour
v.surf.idw input=wle output=idw col=u
r.colors map=idw rast=splines
r.contour input=idw output=idwcontour
step=250
# GENERAR MAPAS PS
ps.map input=splines.psmap output=
splines.ps
23 ps.map input=voronoi.psmap output=
voronoi.ps
24 ps.map input=idw.psmap output=idw.ps
25
26 # EXPORTAR A CSV
27 r.to.vect input=idw output=idw feature=
point #convertir a puntos

28 r.to.vect input=splines output=splines
feature=point #convertir a puntos

29 r.to.vect input=rvorwle output=voronoi
feature=point #convertir a puntos

30
31 echo "SELECT * FROM idw" | db.select >
idw.values.asc #valores
32 echo "SELECT * FROM splines" | db.select
> splines.values.asc #valores

33 echo "SELECT * FROM voronoi" | db.select
postscript("imgs/04/hist %01d.ps",onefile
> voronoi.values.asc #valores
=FALSE)
34
47 # layout(matrix(1:4,2,2,byrow=TRUE))
35 #v.out.ascii input=idw output=idw.coor.
48 hist(datos[[1]],main="WLC",xlab="V",ylab
asc format=point # si quisieramos
Modelizacion
geoestadstica con R
coordenadas
Listado 7: Script para ps.map del metodo

IDW
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
grid 50
color black
numbers 2 black
end
vpoints wle
color black
fcolor black
size 1
label u
end
vlines idwcontour
color white
width 0.5
end
raster idw
maploc 0.7 3 7 10
rectangle 0 390 260 305

color black
fcolor white
end
text
160 365 Inverso a la distancia
de V
font Bookman
size 10
end
text
20 385 Leyenda
font Bookman
size 6
end
colortable y
where 2 0.7
raster idw
width 0.3
height 2
cols 6
font Bookman
fontsize 8
color black
end
text
160 320 Equidistancia de curvas
= 250ppm
font Bookman
size 6
end
text
160 345 Escala
font Bookman
size 6
end
scalebar f
where 5 2.1
length 50
height 0.05
segment 5
numbers 5
fontsize 8
end
paper a4
28
58
59
60
61
62
63 end
left 0.5
right 0.5
bottom 0.5
top 0.5
end

RST
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
grid 50
color black
numbers 2 black
end
vpoints wle
color black
fcolor black
size 1
label u
end
vlines spcontour
color white
width 0.5
end
raster splines
maploc 0.7 3 7 10
rectangle 0 390 260 305

color black
fcolor white
end
text
160 365 Splines de Tensi
on de V
(T=100)
font Bookman
size 10
end
text
20 385 Leyenda
font Bookman
size 6
end
colortable y
where 2 0.7
raster splines
width 0.3
height 2
cols 6
font Bookman
fontsize 8
color black
end
text
160 320 Equidistancia de curvas
= 250ppm
font Bookman
size 6
end
text
160 345 Escala
font Bookman
size 6
end
scalebar f
where 5 2.1
length 50
height 0.05
Modelizacion
geoestadstica con R
53
segment 5
54
numbers 5
55
fontsize 8
56
end
57 paper a4
58
left 0.5
59
right 0.5
60
bottom 0.5
61
top 0.5
62
end
63 end

Polgonos de influencia
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
grid 50
color black
numbers 2 black
end
vpoints wle
color black
fcolor black
size 1
end
vareas clvorwle
color black
fcolor none
end
raster rvorwle
maploc 0.7 3 7 10
rectangle 0 390 260 305

color black
fcolor white
end
text
160 365 Pol
gonos de influencia
de V
29
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
font Bookman
size 10
end
text
20 385 Leyenda
font Bookman
size 6
end
colortable y
where 2 0.7
raster rvorwle
width 0.3
height 2
cols 6
font Bookman
fontsize 8
color black
end
text
160 345 Escala
font Bookman
size 6
end
scalebar f
where 5 2.1
length 50
height 0.05
segment 5
numbers 5
fontsize 8
end
paper a4
left 0.5
right 0.5
bottom 0.5
top 0.5
end
end
Modelizacion
geoestadstica con R
30
Tema 5 Continuidad espacial de V

5.1. Variograma omnidireccional
El calculo
del variograma omnidireccional con gstat es sencillo. En primer lugar

se ha de crear un objeto de tipo gstat anadi
endole los datos de trabajo. A continuacion

se ejecuta el comando variogram con las opciones pertinentes.
La opcion
principal es el tamano
de los lags. Ningun
paquete de los consultados
permite elegir una tolerancia para incluir pares en cada lag, siendo unicamente
GSLIB
el que acepta este parametro,
pero no en R. Otros parametros
permiten obtener el
mapa superficial o la nube de puntos o establecer restricciones de direccion
como se
vera mas
adelante.
En el script del tema se han creado diversas funciones para realizar graficas
de
uno o varios variogramas presentando el numero
de pares y una leyenda.

Si se muestra el variograma en R, aparece el listado con los lags, el numero
de
pares, el valor del variograma, las direcciones horizontales y verticales (si las hubiera)
y la variable utilizada.
> gstatV<-gstat(id="V",formula=V1,locations=X+Y,data=wlm)
> varOmni<-variogram(gstatV,width=10,cutoff=101)
> varOmni
np
dist
gamma dir.hor dir.ver id
1
565
7.291342 42743.67
0
0 V
2 2072 15.022197 67877.29
0
0 V
3 2948 24.783924 79062.05
0
0 V
4 3210 34.757173 94338.18
0
0 V
5 4044 44.673417 88377.42
0
0 V
6 4265 54.887742 94888.71
0
0 V
7 4926 64.548384 92944.57
0
0 V
8 5196 74.614543 94322.57
0
0 V
9 5533 84.724877 89014.25
0
0 V
10 5167 94.880575 98948.24
0
0 V
11 707 100.470981 86139.86
0
0 V
La figura 24 en la pagina
siguiente muestra los variogramas omnidireccionales con

lags de tamano
5, 10, 15 y 20. Se descartan los extremos y entre el de 10 y el de 15
se opta por el de 10 por presentar equilibrio entre el numero
de lags y la continuidad
buscada. El parametro
que habra que modificar sera tal vez la distancia maxima
computada, para evitar el salto que aparece, dejandola
en 80 metros en sucesivos
calculos.
5.2. Variograma superficial

Estableciendo la opcion
map=TRUE se obtiene el variograma superficial, que puede
ser grafiado con los comandos levelplot y contourplot (figs. 25 y 26). Estas image
nes pueden servir para conocer la existencia de anisotropa geometrica, mostrando los
ejes de maxima
y mnima continuidad. Este metodo puede ser util

para una primera
aproximacion,
pero es difcil de cuantificar. Por esta razon
se usaran
los variogramas
direccionales.
5.3. Variogramas direccionales

5.3.1. Busqueda
de los ejes de anisotropa

En lugar de tomar todos los pares para calcular el variograma, se puede establecer
una direccion
determinada y una tolerancia angular para que solo
se computen los
31
6e+04
Semivariograma
2e+04
4e+04
6e+04
4e+04
2e+04
Semivariograma
8e+04
8e+04
1e+05
1e+05
Modelizacion
geoestadstica con R
t = 10
0e+00
0e+00
t=5
20
40
60
80
100
20
40
60
Distancia
100
1e+05
Semivariograma
2e+04
4e+04
6e+04
8e+04
1e+05
8e+04
6e+04
4e+04
2e+04
t = 15
t = 20
0e+00
0e+00
20
40
60
80
100
20
40
Distancia
60
80
Distancia
Figura 24: Variogramas omnidireccionales (i))
200000
180000
100
160000
50
map.dy
Semivariograma
80
Distancia
140000
120000
0
100000
50
80000
60000
100
40000
100
50
50
100
map.dx
Figura 25: Mapa del variograma superficial
100
Modelizacion
geoestadstica con R
32
100
map.dy
50
50
100
100
50
50
100
map.dx
Figura 26: Isolneas del variograma superficial
8e+04
6e+04
15
45
75
105
135
165
0e+00
2e+04
4e+04
Semivariograma
1e+05
80000 100000
60000
20000
40000
0
30
60
90
120
150
180
Semivariograma
pares de vectores en ese rango de direcciones. Comparando diferentes variogramas

direccionales se pueden obtener las direcciones de maxima
y mnima continuidad .
En este trabajo se van a grafiar los variogramas cada 15 grados sexagesimales,
agrupados en dos graficos
para que facilitar la lectura (fig 27). Para obtener numericamente las direcciones de los ejes se ha procedido del siguiente modo: se establece
como valor de meseta 90.000ppm, a continuacion
se halla la distancia a la que se
corresponde dicho valor de semivarianza interpolando linealmente los valores alrededor de dicho valor. Por ultimo
se ha creado un grafico
donde en el eje de las ordenadas

se presentan las direcciones y en las abscisas la distancia obtenida.
Se comprueba el gran salto entre los grados 135 y 140 debido a que el resalte que
se observa en los variogramas desciende y por tanto la distancia avanza de forma
abrupta. En cualquier caso, los valores obtenidos, unos 160 grados de maximo
y en
torno a los 90 grados de mnimo, se asemejan a los obtenidos en los apuntes de la
asignatura.
20
40
60
80
100
20
40
Distancia
Figura 27: Variogramas direccionales
60
Distancia
80
100
Modelizacion
geoestadstica con R
33
20
40
60
80
100
120
140
160
180
20
40
60
80
100
120
140
160
180
50
40
30
Distancia en lag = 4
60
Direccin
Figura 28: Deteccion

de ejes de anisotropa
de la tolerancia angular
5.3.2. Obtencion
Se pretende en este caso encontrar la tolerancia angular mas
pequena
posible que
haga el variograma representativo y mas
adaptado por tanto a la direccion
elegida. Se
trata en definitiva de un proceso repetitivo como el anterior, pero esta vez variaran
las
tolerancias y se buscaran
los numeros
de pares en el primer lag (el que menos pares

suele presentar) mayor a 30 que a su vez generen un variograma que sea continuo
(figs 29 y 30).
Se observa que en los primeros variogramas la direccion
de mnima continuidad
presenta un ((efecto hueco)) muy importante en la distancia 60, en cualquier caso
parece que 40 es una tolerancia suficiente.
5.4. Variogramas cruzados

Estos variogramas presentan la continuidad espacial entre variables. Se pueden
calcular por tanto los variogramas omnidireccionales y en las direcciones obtenidas
anteriormente. La figura 31 presenta estos tres variogramas y se puede apreciar como
tanto el omnidireccional como el de maxima
continuidad no presentan grandes discontinuidades, el de mnima continuidad ofrece un aspecto poco clarificador debido
seguramente a la existencia de datos anomalos
en alguna o ambas variables.
Modelizacion
geoestadstica con R
34
608
1121
640
8e+04
876
1254
754
Semivariograma
464
6e+04
487
303
234
90
160
696
729
694
537
1473
1174
828
483
1065
1637
903
982
458
90
160
115
73
1481
902
799
1598
704
280
20000
4e+04
829
588
1165
0e+00
2e+04
Semivariograma
587
1092
530
80000 100000
613
396
60000
424
tol = 20
40000
1e+05
tol = 15
40
60
80
100
20
40
60
Distancia
Distancia
tol = 25
tol = 30
80
100
891
1090
1806
1089
546
305
2e+04
1296
1151
585
2100
1295
911
1773
2052
1392
2258
1193
2302
1464
1562
1094
723
320
90
160
151
20000
90
160
118
80000
1284
883
60000
985
503
1115
1940
Semivariograma
8e+04
1473
1006
1071
1889
40000
822
1771
6e+04
4e+04
1062
968
783
0e+00
Semivariograma
1e+05
120000
20
20
40
60
Distancia
80
100
20
40
60
Distancia
Figura 29: Variogramas por tolerancias (i)
80
100
Modelizacion
geoestadstica con R
35
1993
1361
1513
1e+05
2415
1539
2677
1624
Semivariograma
1752
744
2485
1624
1205
856
329
90
160
980
2271
1582
2855
1769
2728
1816
2941
1884
1309
334
90
160
0e+00
0e+00
2656
1822
1904
179
60
80
100
60
tol = 50
1708
2949
1998
2439
3103
2072
3002
2011
3284
2181
Semivariograma
2255
1072
1495
1058
343
20000
2146
2050
1856
2710
100
3143
2228
3354
2284
3230
2293
3564
2476
2528
1209
1716
1114
359
90
160
230
20000
90
160
203
80
1626
1627
60000
1847
80000 100000
tol = 45
1812
60000
40
Distancia
1502
1362
20
Distancia
40000
80000 100000
40
20
40
60
80
100
20
40
Distancia
60
Distancia
2e+05
3e+05
4e+05
5e+05
Figura 30: Variogramas por tolerancias (ii)
1e+05
Cruzado
85
160
0e+00
Semivariograma
Semivariograma
20
40000
895
1520
1563
2e+04
2e+04
161
1368
1146
8e+04
2365
6e+04
1383
4e+04
8e+04
tol = 40
1368
1171
1076
6e+04
4e+04
Semivariograma
1e+05
tol = 35
20
40
60
80
100
Distancia
Figura 31: Variogramas cruzados
120
80
100
Modelizacion
geoestadstica con R
36
5.5. Scripts
Listado 10: Funciones para imprimir variogramas
1 #FUNCIONES PARA MOSTRAR VARIOGRAMAS
2 #-------------Plotear el primer
3
4
variograma
plotvar<-function(var,titulo,color,sepX,
sepY,limY,limX,nps){
plot(var$dist,var$gamma,type="b",
ylim=limY,xlim=limX,xlab="
Distancia",ylab="Semivariograma"
,col=color,main=titulo)
if (nps) text(var$dist+sepX,var$
gamma-sepY,var$np,col=color)
title(titulo)
}
6
7
8
9 #-------------A
nadir nuevos variogramas
10 addvar<-function(var,color,sepX,sepY,nps
11
12
){
points(var$dist,var$gamma,type="b",
col=color)
if (nps) text(var$dist+sepX,var$
gamma-sepY,var$np,col=color)
13 }
14
15 #-------------Funci
on principal de
grafiado
16 pintavars<-function(listvars,colores,
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
for (i in 2:nvars){
addvar(listvars[[i]],colores
[i],seps2[i,1],seps2[i
,2],nps)
}
41
42
43
44
45
46
}
#A
nadir la leyenda
legend(posley[1],posley[2],etiqs,
colores)
47 }

1 #TEMA 5. CONTINUIDAD ESPACIAL
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
=15)
rm(list=ls())
library(lattice)
library(gstat)
#A
nadir las funciones programadas
source("Variogramas.R")
#------------#Cargar los datos wlm
data(walker)
wlm<-walker
attach(wlm)
etiqs,seps,titulo,posley,nps=FALSE){
#Obtener los l
mites
nvars<-length(listvars)
# Crear el objeto gstat
maxtemp<-array(0,nvars)
gstatV<-gstat(id="V",formula=V1,
for (i in 1:nvars){
locations=X+Y,data=wlm)
maxtemp[i]<-max(listvars[[i]]$
20
gamma)
21 #Obtener variogramas omni. a varias
}
distancias
limY<-c(0,max(maxtemp)*1.1)
22 secDists<-c(5,10,15,20)
23 colores<-c("red","green","blue")
maxtempA<-array(0,nvars)
24 postscript("imgs/05/omni %1d.ps",onefile=
maxtempB<-array(0,nvars)
FALSE)
for (i in 1:nvars){
maxtempA[i]<-min(listvars[[i]]$ 25 for (i in 1:length(secDists)){
26
si<-secDists[i];
dist);
letra<-as.character(si);
maxtempB[i]<-max(listvars[[i]]$ 27
28
varOmni<-variogram(gstatV,width=si,
dist)
cutoff=101)
}
pintavars(list(varOmni),"black",as.
limX<-c(min(maxtempA),max(maxtempB)* 29
expression(substitute(t==sii,
1.1)
list(sii=si))),c(3,4000),"",c
(40,2e4))
#Generar la matriz de separaciones
}
seps2<-matrix(seps,ncol=2,byrow=TRUE 30
31 dev.off()
)
32
#Pintar el primer variograma

33 #Obtener el mapa superficial
plotvar(listvars[[1]],titulo,colores 34 varOmni.map<-variogram(gstatV,width=10,
[1],seps2[1,1],seps2[1,2],limY,
cutoff=150,map=TRUE)
limX,nps)
35 varOmni.map.df<-as.data.frame(varOmni.
map)
if (nvars>=2){
36 postscript("imgs/05/omnimap1.ps")
#A
nadir el resto
37 grises<-grey(seq(0.99,0.3,l=30))
Modelizacion
geoestadstica con R
38 lp<-levelplot(map.Vmap.dx*map.dy,
39
40
41
42
varOmni.map.df,col.regions=grises,
aspect=mapasp(varOmni.df))
print(lp)
dev.off()
postscript("imgs/05/omnimap2.ps")
cp<-contourplot(map.Vmap.dx*map.dy,
varOmni.map.df,labels=FALSE,cuts=7,
aspect=mapasp(varOmni.df))
print(cp)
dev.off()
43
44
45
46 #Crear familias de variogramas por
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
79
80
81
82
83
84
85
86
87
88
89
}
npMat<-cbind(grad,dist4)
postscript("imgs/05/ejes.ps")
plot(npMat,type="b",pch=21,bg="lightgray
",xlab="Direcci
on",ylab="Distancia
en lag = 4",axes=FALSE)
axis(1,at=seq(0,180,10),labels=FALSE);
axis(1,at=seq(0,180,20))
axis(3,at=seq(0,180,10),labels=FALSE);
axis(3,at=seq(0,180,20))
axis(2);box()
dev.off()
90
91
92
93
94 #Crear familias de variogramas por
direcciones
sec<-seq(0,180,5)
separaciones<-rep(c(4,2000),length(sec))
posleyenda<-c(60,60000)
95
varsDirs<-list()
96
varsDirsP1<-list();sec1<-list()
97
varsDirsP2<-list();sec2<-list()
98
for (j in 1:length(sec)){
99
sj<-sec[j]
100
101
letra<-as.character(sj)
varsDirs[[letra]]<-variogram(gstatV,
width=10,cutoff=100,alpha=sj,tol 102
103
.hor=40)
104
if (!sj % %30) {
varsDirsP1[[letra]]<-varsDirs[[ 105
106
letra]];
sec1[[letra]]<-letra
107
}
if (!sj % %15 && sj % %30) {
varsDirsP2[[letra]]<-varsDirs[[
108
letra]];
109
sec2[[letra]]<-letra
}
110
}
postscript("imgs/05/dirs %1d.ps",onefile=
FALSE)
pintavars(varsDirsP1,rainbow(length(sec1 111
)),as.character(sec1),separaciones," 112
113
",posleyenda)
pintavars(varsDirsP2,rainbow(length(sec2 114
)),as.character(sec2),separaciones," 115
",posleyenda)
116
dev.off()
69
70
71 #Buscar direcciones de los ejes de
72
73
74
75
76
77
78
37
117
118
anisotrop
a
nVars<-length(varsDirs)
grad<-sec
119
dist4<-rep(0,nVars)
120
yc<-90000
121
for (i in 1:nVars){
122
j<-1;
123
while(varsDirs[[i]]$gamma[j]<yc){j<- 124
j+1};
125
y2<-varsDirs[[i]]$gamma[j];
y1<-varsDirs[[i]]$gamma[j-1];
126
x2<-varsDirs[[i]]$dist[j];
x1<-varsDirs[[i]]$dist[j-1];
dist4[i]<-(yc-y1)*(x2-x1)/(y2-y1) + 127
x1
tolerancias
sec<-c(90,160)
lsec<-as.character(sec)
tols<-seq(15,50,5)
colores<-c("red","green")
separaciones<-rep(c(4,2000),length(sec))
postscript("imgs/05/tols %1d.ps",onefile=
FALSE)
for (i in 1:length(tols)){
vars<-list()
#Sengudo bucle por direcciones
for (j in 1:length(sec)){
sj<-sec[j];letra<-as.character(
sj)
vars[[letra]]<-variogram(gstatV,
width=10,cutoff=100,alpha=sj
,tol.hor=tols[i])
}
letrat<-as.expression(substitute(tol
==t,list(t=tols[i])))
pintavars(vars,colores,lsec,
separaciones,letrat,posleyenda,
TRUE)
}
dev.off()
#Variogramas cruzados
#Para la U hay que eliminar
localizaciones sin dato
wlm2<-subset(wlm,!is.na(U))
gVU<-gstat(id="V",formula=V1,locations=
X+Y,data=wlm)
gVU<-gstat(gVU,id="U",formula=U1,
locations=X+Y,data=wlm2)
#Ver los variogramas
separaciones<-rep(c(4,2000),3)
colores<-c("black","red","green")
etiqs<-c("Cruzado","85","160")
varsCruz<-list()
varsCruz[[1]]<-subset(variogram(gVU,
width=10),id=="V.U")
width=10,alpha=85,tol.h=40),id=="V.U
")
width=10,alpha=160,tol.h=40),id=="V.
Modelizacion
geoestadstica con R
U")
128 postscript("imgs/05/cross.ps")
129 pintavars(varsCruz,colores,etiqs,
separaciones,"",posleyenda)
38
130 dev.off()
Modelizacion
geoestadstica con R
39
del variograma experimental

Tema 6 Modelizacion
Con el paquete gstat se puede modelizar el variograma a partir de los modelos mas
comunes (efecto pepita puro, exponencial, esferico, gaussiano) y muchos mas.

Para
verlos, basta con ejecutar la orden show.vgms()
0.0 0.5 1.0 1.5 2.0 2.5 3.0
vgm(1,"Nug",0)
vgm(1,"Exp",1)
0.0 0.5 1.0 1.5 2.0 2.5 3.0
vgm(1,"Sph",1)
vgm(1,"Gau",1)
vgm(1,"Exc",1)
3
2
1
0
vgm(1,"Mat",1)
vgm(1,"Cir",1)
vgm(1,"Lin",0)
vgm(1,"Bes",1)
vgm(1,"Pen",1)
vgm(1,"Per",1)
vgm(1,"Hol",1)
vgm(1,"Log",1)
vgm(1,"Pow",1)
vgm(1,"Spl",1)
3
2
semivariance
1
0
3
2
1
0
vgm(1,"Err",0)
vgm(1,"Int",0)
3
2
1
0
0.0 0.5 1.0 1.5 2.0 2.5 3.0
distance
Figura 32: Modelos de variogramas disponibles

Para crear un modelo basta con utilizar la orden v.model. Una vez creado un modelo se puede anadir
al objeto de tipo gstat para incluirlo junto con el variograma

experimental. Por ejemplo si deseamos un modelo esferico bastara con indicar la meseta y el rango. Este modelo y el variograma se presentan graficamente
en la figura 33
en la pagina
siguiente.
> vgm(92000,"Sph",30)
model psill range
1
Sph 92000
30
Pero los modelos pueden combinarse y formar ((estructuras imbricadas)) simplemente anadiendo
su definicion
unos sobre otros. As, podemos anadir
crear un modelo
o
para el variograma direccional de 160 de la Variable V segun
la siguiente definicion:
(h) = 22,000 + 40,000 Esf30 (h) + 45,000 Esf150 (h)

Crea el modelo de la figura 34 y su definicion
en R es la siguiente:
> vgm(40e3,"Sph",30,add.to=vgm(22000,"Nug",add.to=vgm(45e3,"Sph",150)))
model psill range
1
Sph 45000
150
2
Nug 22000
0
3
Sph 40000
30
(6)
Modelizacion
geoestadstica con R
40
Semivariograma
80000
60000
40000
20000
20
40
60
80
100
Distancia
Figura 33: Modelos esferico de rango 30 y meseta parcial de 92000ppm
Semivariograma
80000
60000
40000
20000
20
40
60
80
100
Distancia
Figura 34: Modelos de variograma combinados
Modelizacion
geoestadstica con R
41
automatizada del modelo

6.1. Estimacion
6.1.1. gstat
Tanto el paquete gstat como el paquete geoR proporcionan funciones para la estimacion
automatizada del modelo de variograma. En ambos casos deberemos ajustar
manualmente unos parametros
iniciales para pasarlos como parametros
de entrada,
junto con el variograma.
De este modo, si queremos modelar el variograma omnidireccional de V mediante
un modelo exponencial con efecto pepita, basta con proceder del siguiente modo (fig.
35):
> m<-vgm(72e3,"Exp",15,22e3)
> mfit<-fit.variogram(variogram(g["V"],width=10),m)
> g<-gstat(g,id="V",model=mfit)
> print(g)
data:
V : formula = V1 ; locations = X + Y ; data dim = 470 x 6
variograms:
model
psill
range
V[1]
Nug
186.3867 0.00000
V[2]
Exp 93809.2943 12.01007
Semivariograma
80000
60000
40000
20000
20
40
60
80
100
Distancia
Figura 35: Modelo de variograma de V ajustado
6.1.2. geoR
El paquete geoR proporciona una herramienta ciertamente interesante. Se trata
de estimar de forma manual el modelo pero haciendo uso de una interfaz grafica
de
usuario escrita en el lenguaje TclTk. Se pasa a la funcion
eyefit el variograma a
modelar y aparece un cuadro de dialogo
donde es posible elegir el tipo de modelo y

sus parametros
mediante barras deslizantes.

> library(geoR)
------------------------------------------------------------Functions for geostatistical data analysis
For an Introduction to geoR go to http://www.est.ufpr.br/geoR
geoR version 1.5-7 (built on 2005/06/07) is now loaded
------------------------------------------------------------> geoV<-as.geodata(wlm,2:3,4)
Modelizacion
geoestadstica con R
42
> vario.b<-variog(geoV,max.dist=130,breaks=seq(0,130,10))
variog: computing omnidirectional variogram
> vario.m<-eyefit(vario.b)
Loading required package: tcltk
Figura 36: Modelado interactivo del variograma

GeoR ademas
genera un grafico
de resumen de los datos bastante descriptivo donde muestra la localizacion

de los mismos, un histograma de la variable y dos graficos
de dispersion
de la variable contra las coordenadas X e Y respectivamente (fig. 37).
Por ultimo,
geoR tambien ajusta por mnimos cuadrados el modelo de variograma de forma analoga
a gstat aunque algo mas

simple, pasando unicamente
un
valor de meseta, un rango y un metodo (fig. 38 en la pagina
siguiente). En este
sentido gstat es mas
potente al pasar a su funcion
directamente un objeto de tipo variogram.model.
> vario.m2<-variofit(vario.b,c(93809,12),cov.model="exponential")
variofit: weights used: npairs
variofit: minimisation function used: optim
> vario.m2
variofit: model parameters estimated by WLS (weighted least squares):
covariance model is: exponential
parameter estimates:
tausq
sigmasq
phi
14873.1088 79431.7551
13.4973
variofit: minimised weighted sum of squares = 612531182238
250
Coord Y
150 200
100
50
0
50
100
Y Coord
150 200
250
300
43
300
Modelizacion
geoestadstica con R
50
100 150
X Coord
200
100 150
Coord X
200
250
500
1000
1500
data
20
500
data
Frequency
40 60 80
1000
100
1500
50
250
500
1000
data
6e+04
4e+04
2e+04
0e+00
Semivariograma
8e+04
1e+05
Figura 37: Descripcion

de geoR del conjunto de datos
20
40
60
80
100
Distancia
Figura 38: Modelo ajustado por geoR
1500
Modelizacion
geoestadstica con R
44
6.2. Scripts
31 var<-variogram(g["V"],alpha=160,tol.h
=40,width=10)
N DEL VARIOGRAMA
1 # TEMA 6 MODELIZACIO
=15)
3 rm(list=ls())
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
library(lattice)
library(gstat)
#A
nadir las funciones programadas
source("Variogramas.R")
32 print(plot(var,model=m,xlab="Distancia",
ylab="Semivariograma",pch=3,bg="grey
"))
33 dev.off()
34
35 #Ajustar al variograma omnidireccional
de V, un modelo ajustado "a ojo"

36 m<-vgm(72e3,"Exp",15,22e3)
37 mfit<-fit.variogram(variogram(g["V"],
width=10),m)
g<-gstat(g,id="V",model=mfit)
print(g)
data(walker)
postscript("imgs/06/mfitV.ps")
wlm<-walker;rm(walker)
print(plot(variogram(g["V"]),model=g$
attach(wlm)
model$V,xlab="Distancia",ylab="
# Crear el objeto gstat
Semivariograma",pch=3,bg="grey"))
g<-gstat(id="V",formula=V1,locations=X 42 dev.off()
+Y,data=wlm)
43
44 # #Usando geoR para estimar y ajustar el
#Ver modelos de variograma
variograma
postscript("imgs/06/modelos.ps")
45 library(geoR)
print(show.vgms())
46 geoV<-as.geodata(wlm,2:3,4)
dev.off()
47 postscript("imgs/06/geoV.ps")
48 plot(geoV)
#Modelo esf
erico
49 dev.off()
postscript("imgs/06/esferico.ps")
50 vario.b<-variog(geoV,max.dist=100,breaks
print(plot(variogram(g["V"]),model=vgm
=seq(0,130,10))
(92000,"Sph",30),xlab="Distancia",
51 # vario.m<-eyefit(vario.b)
ylab="Semivariograma",pch=3,bg="grey 52 vario.m2<-variofit(vario.b,c(93809,12),
"))
cov.model="exponential")
dev.off()
53 postscript("imgs/06/geoVfit.ps")
54 plot(vario.b,pch=21,bg="grey",xlab="
#A
nadir diferentes modelos.
Distancia",ylab="Semivariograma");
postscript("imgs/06/imbr.ps")
lines(vario.m2)
m<-vgm(40e3,"Sph",30,add.to=vgm(22000," 55 dev.off()
Nug",add.to=vgm(45e3,"Sph",150)))
38
39
40
41
Modelizacion
geoestadstica con R
45
Tema 8 Kriging
Denotado en la literatura en espanol
como ((krigeado)), este conjunto de metodos
desarrollado por Denis Krige en los anos
50 del sigo XX es el metodo geoestadstico

mas
ampliamente aceptado. El fin ultimo
del estudio y modelizacion

del variograma
es su aplicacion
en este metodo para el calculo
del valor de la variable en puntos

arbitrarios (generalmente una malla regular) mediante esta familia de metodos.
8.1. wlc
Antes de empezar a modelar los datos de wlm, se presentan las distribuciones de U
y V en wlc para poder compararlas con los modelos siguientes.
1600
5000
1400
250
250
4000
1200
200
200
1000
3000
800
150
150
2000
600
100
100
400
1000
50
50
200
0
50
100
150
200
0
50
100
150
(a) V
(b) U
200
Figura 39: Conjunto de datos wlc
8.2. Krigeado Ordinario (KO)

Para generar el krigeado antes necesitamos un conjunto de puntos sobre el que
calcular el krigeado. Para realizar las pruebas se ha empleado una malla regular de
unas 5000 celdas y para obtener los resultados finales se han empleado las localizaciones del conjunto de datos wlc (78000).
wlmGrid<-makegrid(wlm$X,wlm$Y,10000)
names(wlmGrid)<-c("X","Y")
Ya solo
falta ejecutar el comando krige con la formula
necesaria para el KO V1,

pasando el conjunto de datos de muestra, el conjunto de datos destino y el modelo
del variograma. El comando genera un data.frame con las coordenadas de las localizaciones, la prediccion
y su error (desviacion
tpica). En las figuras 45(a) y 46(a) se
muestran ambos conjuntos de datos.
KO<-krige(V1,X+Y,wlm,wlc,g$model$V)
Si comparamos los datos con el conjunto wlc restando localizacion

a localizacion
comprobamos que las diferencias en general son pequenas
y simetricas ( 40 en la
pagina
siguiente).
46
30000
Modelizacion
geoestadstica con R
15000
15587
10000
12274
8762
5000
Frecuencia
20000
25000
29491
4409
3190
1900
1128
30 150 610
500
326 99
29
500
1000
Error
Figura 40: Error del Krigeado ordinario
8.3. Krigeado Universal (KU)

El krigeado Universal introduce un modelo de tendencia al considerar que la media
local para cada localizacion
no es constante. Basta con cambiar la formula
de la orden
krige a VX+Y para que se ejecute esta variedad del krigeado.
KU<-krige(VX+Y,X+Y,wlm,wlc,g$model$V)
8.4. Krigeado por bloques (KUB)

Este sistema calcula la media local discretizando una zona (bloque) en puntos individuales en lugar de utilizar la localizacion.
Se puede utilizar tanto el el krigeado

ordinario como en el krigeado universal y se indica unicamente
pasando un nuevo
parametro
con el tamano
del bloque en un vector de una a tres dimensiones (dependiendo del numero
de variables espaciales de la muestra) o un data.frame con una

a tres columnas indicando los puntos que definiran
un bloque de forma irregular.
Se ha realizado el krigeado por bloques universal de la variable V, con bloques de
10x10 metros y se han obtenido igualmente la prediccion
y la varianza (figuras 45(c)
y 46(c)). Las diferencias son similares a las de los otros dos metodos (42).
KBU<-krige(VX+Y,X+Y,wlm,wlc,g$model$V,block=c(10,10))
8.5. Krigeado Local (KUL)

Este krigeado utiliza un numero
determinado de puntos para la estimacion

de la
localizacion:
Se puede especificar numero
maximo
de puntos (nmax).
O una distancia maxima
(maxdist).
Si se especifica tambien un numero
mnimo (nmin) y el numero
de puntos localizados por maxdist es menor, se genera un valor nulo.
47
30000
Modelizacion
geoestadstica con R
20000
15000
15624
11348
10000
Frecuencia
25000
30154
5000
8874
4405
3206
1919
1160
618
22 142
500
383 101 29
500
1000
Error
30000
Figura 41: Error del Krigeado universal
15000
15307
10000
11473
5000
9198
4673
3318
1869
Frecuencia
20000
25000
29782
1207
16 111 584
500
335 89
500
26
1000
Error
Figura 42: Error del Krigeado universal por bloques
Modelizacion
geoestadstica con R
48
Si se utilizan los parametros
nmax y distmax operan ambos criterios

Este metodo tambien se puede combinar con el krigeado ordinario o universal y
el krigeado puntual o por bloques. En este trabajo se ha realizado el krigeado local
universal de la variable V indicando una distancia maxima
de 15 metros y un numero
mnimo de 4 puntos (figs 45(d) y 46(d)).
30000
KUL<-krige(VX+Y,X+Y,wlm,wlc,g$model$V,nmin=5,maxdist=30)
15000
15307
10000
11473
9198
5000
Frecuencia
20000
25000
29782
4673
3318
1869
1207
16 111 584
500
335 89
26
500
1000
Error
Figura 43: Error del Krigeado local universal
8.6. Cokrigeado (CKO)

Tal y como se vio en el tema 3, las variables U y V estan
correladas (aunque menos
en wlm que en wle), Esto significa que podemos obtener informacion
de una de ellas
teniendo en cuenta tambien los valores de la otra. Este principio es el que utiliza el
cokrigeado, en el cual para estimar una variable se utilizan tanto los variogramas de
ambas como el cruzado.
gstat utiliza otro comando para realizar este metodo. Ademas
impone algunas restricciones para dar por bueno el modelo de corregionalizacion:
Las variables deben encontrarse en todas las localizaciones.

El rango en los modelos de los variogramas debe ser el mismo.
El proceso es un poco diferente al de los anteriores, primero se crea el objeto gstat
y se anaden
las localizaciones, a continuacion

se anaden
los tres modelos iniciales.

Despues, con el comando fit.lmc se genera el modelo de corregionalizacion
lineal
ajustado. Se obtiene tambien el variograma experimental del objeto gstat (el cual
incluye las dos variables y el cruzado). Por ultimo
ya se puede ejecutar el comando

predict que devuelve el mismo tipo de data.frame que el comando krige pero en
lugar de contener la prediccion
y la varianza para una variable contiene las dos predicciones y varianzas y la covarianza entre U y V. Las figuras 48(a) y 49(a) presentan
la prediccion
y la varianza de la variable U respectivamente.
Modelizacion
geoestadstica con R
49
#Crear el objeto gstat y a

nadir las localizaciones
g<-gstat(id="U",formula=U1,locations=X+Y,data=wlm2)
g<-gstat(g,id="V",formula=V1,locations=X+Y,data=wlm2)
#Crear los modelos
mv<-vgm(72e3,"Exp",15,22e3)
mu<-vgm(26e4,"Exp",15,26e4)
muv<-vgm(.6e5,"Exp",15,3e5)
#A
nadir los modelos al objeto
g<-gstat(g,id="U",model=mu)
g<-gstat(g,id="V",model=mv)
g<-gstat(g,id=c("U","V"),model=muv)
#Calcular el variograma y el modelo ajustado
x<-variogram(g,cutoff=100)
g.fit=fit.lmc(x,g)
#Calcular el cokrigeado ordinario
CKO<-predict(g.fit, newdata = wlc)
Se ha comprobado de igual forma a los ejemplos anteriores el resultado con wlc y

se ha obtenido el krigeado ordinario de U (UKO) para compararlo tambien (figs 48(b)
y 49(b)).
Modelizacion
geoestadstica con R
50
30000
20000
14892
10000
Frecuencia
40000
50000
50962
7493
2600
1131492 195
96 62 27 12 6
22
2000
4000
6000
8000
Error
(a) Error del CKO
20000
22081
10000
0
Frecuencia
30000
40000
42942
8044
2657
1077
43519995 50 23 7 4 1 3 0 2 1 1 0 0 1
3 22 59 294
2000
2000
4000
6000
8000
Error
(b) Error del UKO
Figura 44: Diferencias con wlc de la modelizacion

de U
10000
Modelizacion
geoestadstica con R
51
8.7. Resultados
de V
8.7.1. Modelizacion
A continuacion
se muestran los resultados de los metodos de krigeado empleados
para modelar la variable V, as como sus predicciones de error. Por ultimo
se comparan se muestran los estadsticos de las diferencias entre los valores estimados y los
valores reales (wlc).
En el diagrama de cajas (fig. 47 en la pagina
53) se aprecia como el krigeado

por bloques parece que ofrece el resultado con menos outliers al contrario que el
krigeado local. Ademas
el krigeado local no consigue dar valores a todos los puntos,
pese a indicar una distancia maxima
de 30 metros. El krigeado por bloques ofrece

diferencias tanto maximas
como mnimas mas

pequenas
que el resto (cuadro 2 en la

pagina
siguiente).
1600
1600
1400
1400
250
250
1200
1200
200
200
800
150
1000
1000
800
150
600
600
100
100
400
400
50
50
200
200
0
50
100
150
200
50
100
150
(a) KO
(b) KU
200
1600
1600
1400
1400
250
250
1200
1200
200
200
800
150
1000
1000
800
150
600
100
600
100
400
50
400
50
200
200
0
50
100
150
200
0
50
100
150
(c) KUB
(d) KUL
200
Figura 45: Prediccion

en la modelizacion
de V (wlm)
de U
8.7.2. Modelizacion
Viendo la prediccion
del cokrigeado, se observa que el resultado no es demasiado satisfactorio, seguramente porque la modelizacion
del variograma, al restringir al
Modelizacion
geoestadstica con R
52
350
350
300
300
250
250
250
250
200
200
200
200
150
150
150
150
100
100
100
100
50
50
50
50
0
50
100
150
200
50
100
150
(a) KO
(b) KU
200
350
350
300
300
250
250
250
250
200
200
200
200
150
150
150
100
150
100
100
50
100
50
50
50
0
50
100
150
200
0
50
100
150
(c) KUB
(d) KUL
200
Figura 46: Desviacion

de V (wlm)
Cuadro 2: Estadsticos de los errores en los metodos de krigeado de V
Media
Mnimo
Q1
Q2
Q3
Max.
Var.
Desv.
CS
K
CV
KO
5.77
-686.11
-71.55
28.6
89.31
967.39
21394.29
146.27
-0.39
1.45
25.34
Estadsticos
KU
KUB
4.35
4.47
-684.74
-645.48
-72.55
-76.87
25.94
28.71
84.83
86.51
967.42
913.93
21344.87 21325.76
146.10
146.03
-0.34
-0.32
1.47
1.23
33.56
32.68
KUL
-4.13
-928.96
-80.85
12.572
77.19
969.61
22621.25
150.40
-0.32
1.86
-36.42
53
KO
KU
KUB
KUL
Modelizacion
geoestadstica con R
1000
500
500
Figura 47: Diagramas de caja y bigote de las diferencias
1000
Modelizacion
geoestadstica con R
54
mismo rango a los modelos tanto de U, como de V y el cruzado, a generado una peor
modelizacion
final. As y todo, el cokrigeado a dado valores maximos
y mnimos menores al ordinario y el resto de parametros
estadsticos no son muy diferentes (cuadro 3

en la pagina
siguiente).
5000
5000
250
250
4000
4000
200
200
3000
3000
150
150
2000
2000
100
100
1000
1000
50
50
0
50
100
150
200
50
100
150
(a) CKO
(b) UKO
200
Figura 48: Prediccion

en la modelizacion
de U (wlm)
800
800
700
700
250
250
600
600
200
200
400
150
500
500
400
150
300
100
300
100
200
50
200
50
100
100
0
50
100
150
200
0
50
100
150
(a) CKO
(b) UKO
200
Figura 49: Desviacion

de U (wlm)
Modelizacion
geoestadstica con R
Cuadro 3: Estadsticos de los errores en los metodos de krigeado de U

Estadsticos
CKO
UKO
Media
-250.44
-255.68
Mnimo -1366.57 -2625.11
Q1
-487.89
-506.54
Q2
-404.07 -418.417
Q3
-196.54
-158.85
Max.
8973.018
9034.47
Var.
197185.3 197649.9
Desv.
444.05
444.58
CS
3.78
3.30
K
25.17
21.42
CV
-1.77
-1.74
55
Modelizacion
geoestadstica con R
56
8.8. Scripts
1 # TEMA 8 KRIGING
=15)
3 # rm(list=ls())
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
library(lattice)
library(gstat)
46
47 #Generar el objeto gstat
48 g<-gstat(id="V",formula=V1,locations=X
+Y,data=wlm)
49 #Establecer un modelo inicial de V
50 mv<-vgm(72e3,"Exp",15,22e3)
51 #Ajustar el modelo con el variograma
omnidireccional
52 mvfit<-fit.variogram(variogram(g["V"],
width=10,cutoff=100),mv)
#Funci
on que devuelve estad
sticas
calcestads<-function(datosO){
Desv<-function(datos){sqrt(var(datos
))}
CS<-function(V){sum((V-mean(V))3)/(
length(V)*Desv(V)3)}
K<-function(V){sum((V-mean(V))4/
length(V))/Desv(V)4-3}
CV<-function(V){Desv(V)/mean(V)}
datos<-datosO[!is.na(datosO)]
data.frame(media=mean(datos),Q0=min(
datos),
Q1=as.double(quantile(datos,0.25,na.
rm=TRUE)),
Q2=median(datos),
Q3=as.double(quantile(datos,0.75,na.
rm=TRUE)),
Q4=max(datos),
var=var(datos),desv=Desv(datos),
CS=CS(datos),K=K(datos),CV=CV(datos)
)
}
#Niveles y secuencias
niv<-seq(0,1600,200)
niv2<-seq(0,350,50)
nivH<-seq(-700,1000,100)
nivH2<-seq(-1000,1000,100)
gris1<-gray(seq(0.9,0.3,l=30))
print("Cargando datos...")
data(walker)
wlm<-walker;rm(walker)
attach(wlm)
#Importar e imprimir los valores reales
wlc
wlc<-read.csv("wlc.csv",sep=";",dec=".",
header=TRUE)
postscript("imgs/08/wlc %01d.ps",onefile=
FALSE)
print(levelplot(VX+Y,wlc,at=niv,aspect=
mapasp(wlc),col.regions=gris1))
print(levelplot(UX+Y,wlc,at=seq
(0,5200,400),aspect=mapasp(wlc),col.
regions=gris1))
dev.off()
53 #A
nadir el ajuste al objeto gstat
54 g<-gstat(g,id="V",model=mvfit)
55
56 #Crear una malla regular de unas 5000
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
celdas (aprox)
wlmGrid<-makegrid(X,Y,5000)
names(wlmGrid)<-c("X","Y")
#KRIGEADO ORDINARIO
print("Calculando KO...")
KO<-read.csv("KO.csv")
# KO<-krige(V1,X+Y,wlm,wlc,g$model$V)
# write.table(round(KO,3),file="KO.csv",
sep=",",row.names=FALSE)
difKO<-KO$var1.pred-wlc$V
postscript("imgs/08/KO %01d.ps",onefile=
FALSE)
graf1<-levelplot(var1.predX+Y,KO,at=niv
,aspect=mapasp(KKULO),contour=TRUE,
col.regions=gris1,labels=FALSE)
graf2<-levelplot(sqrt(var1.var)X+Y,KO,
at=niv2,aspect=mapasp(KO),col.
regions=gris2)
print(graf1);print(graf2)
hist(difKO,breaks=nivH,labels=TRUE,main=
"",col="lightgray",xlab="Error",ylab
="Frecuencia")
dev.off()
#KRIGEADO UNIVERSAL
print("Calculando KU...")
KU<-read.csv("KU.csv")
# KU<-krige(VX+Y,X+Y,wlm,wlc,g$model$V
)
# write.table(round(KU,3),file="KU.csv",
sep=",",row.names=FALSE)
difKU<-KU$var1.pred-wlc$V
postscript("imgs/08/KU %01d.ps",onefile=
FALSE)
graf1<-levelplot(var1.predX+Y,KU,at=niv
,aspect=mapasp(KU),contour=TRUE,col.
regions=gris1,labels=FALSE)
graf2<-levelplot(sqrt(var1.var)X+Y,KU,
at=niv2,aspect=mapasp(KU),col.
regions=gris2)
hist(difKU,breaks=nivH,labels=TRUE,main=
"",col="lightgray",xlab="Error",ylab
="Frecuencia")
Modelizacion
geoestadstica con R
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
dev.off()
57
125
126 # COKRIGEADO
127 print("Iniciando CKO...")
128 #Rehacer el objeto gstat s
olo con las
#KRIGEADO UNIVERSAL POR BLOQUES

print("Calculando KUB...")
KUB<-read.csv("KUB.csv")
129
# KUB<-krige(VX+Y,X+Y,wlm,wlc,g$model$ 130
V,block=c(10,10))
131
# write.table(round(KUB,3),file="KUB.csv 132
",sep=",",row.names=FALSE)
difKUB<-KUB$var1.pred-wlc$V
133
postscript("imgs/08/KUB %01d.ps",onefile=
FALSE)
134
graf1<-levelplot(var1.predX+Y,KUB,at= 135
niv,aspect=mapasp(KUB),contour=TRUE, 136
137
graf2<-levelplot(sqrt(var1.var)X+Y,KUB, 138
at=niv2,aspect=mapasp(KUB),col.
139
140
regions=gris2)
141
hist(difKUB,breaks=nivH,labels=TRUE,main 142
="",col="lightgray",xlab="Error",
143
144
ylab="Frecuencia")
145
dev.off()
146
147
#KRIGEADO UNIVERSAL LOCAL
148
print("Calculando KUL...")
KUL<-read.csv("KUL.csv")
# KUL<-krige(VX+Y,X+Y,wlm,wlc,g$model$ 149
V,nmin=5,maxdist=30)
150
# write.table(round(KUL,3),file="KUL.csv 151
152
difKUL<-KUL$var1.pred-wlc$V
153
postscript("imgs/08/KUL %01d.ps",onefile= 154
155
FALSE)
graf1<-levelplot(var1.predX+Y,KUL,at=
niv,aspect=mapasp(KUL),contour=TRUE, 156
157
graf2<-levelplot(sqrt(var1.var)X+Y,KUL,
at=niv2,aspect=mapasp(KUB),col.
158
regions=gris2)
hist(difKUL,breaks=nivH2,labels=TRUE,
main="",col="lightgray",xlab="Error" 159
,ylab="Frecuencia")
dev.off()
112
113
114 #RESUMEN DE DIFERENCIAS
115 print("Calculando Resumen...")
116 diff.l<-list(KO=difKO,KU=difKU,KUB=
difKUB,KUL=difKUL)
localizaciones donde U existe

wlm2<-subset(wlm,!is.na(wlm$U))
g<-"null"
rm(g)
g<-gstat(id="U",formula=U1,locations=X
+Y,data=wlm2)
g<-gstat(g,id="V",formula=V1,locations=
X+Y,data=wlm2)
#Crear los modelos
mv<-vgm(72e3,"Exp",15,22e3)
mu<-vgm(26e4,"Exp",15,26e4)
muv<-vgm(.6e5,"Exp",15,3e5)
#A
nadir los modelos al objeto
g<-gstat(g,id="U",model=mu)
g<-gstat(g,id="V",model=mv)
g<-gstat(g,id=c("U","V"),model=muv)
#Calcular el modelo ajustado
x<-variogram(g,cutoff=100)
g.fit=fit.lmc(x,g)#,fit.ranges=T)
#Ver variogramas y modelos
postscript("imgs/08/UyV.ps")
print(plot(variogram(g),model=g.fit,xlab
="Distancia",ylab="Semivariograma"))
dev.off()
#Ejecutar el cokrigeado
print("Calculando CKO...")
CKO<-read.csv("CKO.csv")
# CKO<-predict(g.fit, newdata = wlc)
# write.table(round(CKO,3),file="CKO.csv
difCKO<-wlc$U-CKO$U.pred
postscript("imgs/08/CKO %01d.ps",onefile=
FALSE)
graf1<-levelplot(U.predX+Y,CKO,at=seq
(0,5200,400),aspect=mapasp(CKO),
contour=TRUE,col.regions=gray(seq
(0.99,0.3,l=30)),labels=F)
graf2<-levelplot(sqrt(U.var)X+Y,CKO,at=
seq(0,800,100),aspect=mapasp(CKO),
col.regions=gris1)
160 print(graf1);print(graf2)
161 hist(difCKO,labels=TRUE,main="",col="
lightgray",xlab="Error",ylab="
Frecuencia")
162 dev.off()
163
117 diff.R<-lapply(diff.l,calcestads)
118 diff.Rdf<-data.frame(rbind(diff.R[[1]], 164 #Calcular el krigeaado ordinario de U
para comparar
diff.R[[2]],diff.R[[3]],diff.R[[4]])
165 print("Calculando UKO...")
)
119 row.names(diff.Rdf)<-c("KO","KU","KUB"," 166 mufit<-fit.variogram(variogram(g["U"],
KUL")
width=10,cutoff=100),vgm(26e4,"Exp"
120
,15,26e4))
121 postscript("imgs/08/boxplot.ps")
167 UKO<-read.csv("UKO.csv")
122 boxplot(diff.l,horizontal=TRUE,col="
168 # UKO<-krige(U1,X+Y,wlm2,wlc,mufit)
lightgray")
169 # write.table(round(UKO,3),file="UKO.csv
123 dev.off()
124 print(diff.Rdf)
170 difUKO<-wlc$U-UKO$var1.pred
Modelizacion
geoestadstica con R
171 postscript("imgs/08/UKO %01d.ps",onefile=
,col.regions=gris1)
FALSE)
174 print(graf1);print(graf2)
172 graf1<-levelplot(var1.predX+Y,UKO,at=
175 hist(difUKO,labels=TRUE,main="",col="
seq(0,5200,400),aspect=mapasp(UKO),
lightgray",xlab="Error",ylab="
contour=TRUE,col.regions=gray(seq
Frecuencia")
(0.99,0.3,l=30)),labels=F)
176 dev.off()
173 graf2<-levelplot(sqrt(var1.var)X+Y,UKO,
at=seq(0,800,100),aspect=mapasp(UKO)
58
Modelizacion
geoestadstica con R
59
Referencias
[1] M AR TI NEZ L LARIO , J OS E C ARLOS y C OLL A LIAGA , E LOINA, Apuntes de geoestadstica basica.
Aplicaciones mediante Sistemas de Informacion

Geografica,
UPV, Valencia, 2005.

[2] P EBESMA , E DZER J., gstats user manual, Dept. of Physical Geography, Utrecht
University, Utretch, Holanda, 2001.
URL http://www.gstat.org
[3] P EBESMA , E DZER J., Multivariable geostatistics in S: the gstat package, Computers
& Geosciences, tomo 30, pags.
683691, 2004.
[4] R D EVELOPMENT C ORE T EAM, Introduccion
a R, R Foundation for Statistical Computing, Vienna, Austria, 2000.
[5] R D EVELOPMENT C ORE T EAM, R: A language and environment for statistical computing, R Foundation for Statistical Computing, Vienna, Austria, 2004, ISBN 3900051-07-0.
URL http://www.R-project.org
[6] R IBEIRO , PAULO J. J R y D IGGLE , P ETER J., geoR: a package for geostatistical
analysis, R-NEWS, tomo 1(2), pags.
1418, 2001, iSSN 1609-3631.

URL CRAN://doc/Rnews/
[7] S ARKAR , D EEPAYAN, lattice: Lattice Graphics, 2004, r package version 0.10-16.

Geoestadistica Con R

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Geoestadistica Con R

Cargado por

Copyright:

Formatos disponibles

Geoestadstica con R

Jorge Gaspar Sanz Salinas

GRASS, ambos funcionando bajo

3.5. Diagramas de dispersion

del variograma ex6. Modelizacion

27. Variogramas direccionales .

Estadsticos de los errores

R-Script del tema 1 . . . . . .

Script para ps.map del

con los mismos y tambien es capaz de realizar toda clase de graficos

sobre variables indexadas (Arrays), en particular matrices,

de datos, que funcionan directamente sobre

fuente y si se dispone de los compiladores

plataforma se dispone de una interfaz grafica

o bien ver las graficas

por pantalla o mandarlas a

como interactiva mostrando los resultados utilizando el programa para presentacion

gnuplot. Pero su uso mas

En este trabajo se ha usado con R porque este ultimo

ofrece caractersticas muy

0.4. Datos de trabajo

interesante es el histograma acumulado en el que a partir de las

de probabilidad acumulada muestra la proporcion

8 muestran la similitud de nuestra

Figura 3: Histograma acumulado de V

1.3. Metodos numericos

1.3.1. Medidas de localizacion

y mnimos, la media, la mediana y el segundo y tercer cuartil. En cualquier caso estan

con el comando tcutV[tcutV==max(tcutV)].

Una forma grafica

de ver tanto los cuantiles como la distribucion

1.3.2. Medidas de dispersion

1.3.3. Medidas de forma

El coeficiente de curtosis o apuntalamiento se calcula como

En R estos tres coeficientes se calculan como:

#Adjuntar los datos de wle para acceder

son dos variables.

de puntos. Si estos puntos adoptan la forma de

pueden ser susceptibles de ser eliminados.

Figura 10: Grafico

2.2. Metodos numericos

#Adjuntar los datos de wle para acceder

3.1.1. Mapas de localizacion

y mnimos y pintarlos sobre un mapa de localizacion

Figura 11: Distribucion

3.1.2. Mapas de smbolos graduados

y mnimos. Las figuras 14(c) y 14(d) muestran la alineacion

Figura 12: Mapa graduado de color de V

Figura 13: Mapa graduado de tamano

(a) Cuantil 12.5 %

(c) Cuantil 37.5 %

(e) Cuantil 62.5 %

Figura 14: Mapas de indicadores

3.1.4. Mapas de superficies interpoladas

Es posible interpolar polinomios de un orden determinado, que pasen por todos

esta separado del resto del tema.

Figura 15: Mapa de superficie interpolada

3.2. Ventanas moviles

3.3. Continuidad espacial

Figura 16: Media y varianza en ventana de 3x3

Figura 17: Grafico

Figura 18: h-Scatterplots de direccion

En R existen diversos paquetes que calculan el variograma pero probablemente el