FRK
v2.2.3
الحزمة FRK متاحة على CRAN! للتثبيت، يرجى الكتابة
install.packages( " FRK " ) لتثبيت أحدث إصدار تطويري، يرجى تحميل devtools واكتب
install_github( " andrewzm/FRK " , dependencies = TRUE , build_vignettes = TRUE )تتوفر ورقة تعريفية بالحزمة هنا. تتوفر هنا ورقة توضح بالتفصيل النهج في بيئة غير غاوسية (يتوفر هنا ملخص من ست صفحات لهذه الورقة).
يلخص المقال القصير "FRK_intro" الحزمة، ويقدم تفاصيل حول خوارزمية EM التي يمكن استخدامها في إعداد Gaussian، ويقدم العديد من الأمثلة. مقالة صغيرة أخرى، "FRK_non-Gaussian"، تلخص الاستدلال في بيئة غير غاوسية (حيث يتم استخدام تقريب لابلاس)، وتحتوي على أمثلة باستخدام بيانات غير غاوسية وطرق التخطيط المتاحة حديثًا. للوصول للمقالات الرجاء الضغط على الروابط التالية:
مقدمة إلى FRK
برنامج تعليمي حول نمذجة البيانات المكانية والزمانية غير الغوسية باستخدام FRK
صفحة pkgdown متاحة هنا أيضًا.
إذا كنت تستخدم FRK في عملك أو بحثك أو أنشطتك الأخرى، فيرجى الاستشهاد به باستخدام المعلومات المقدمة بواسطة citation("FRK") .
الحزمة: FRK
النوع: حزمة
العنوان: Kriging رتبة ثابتة
الإصدار: 2.3.1
التاريخ: 2024-07-16
المؤلف: أندرو زاميت-مانجيون، ماثيو سينسبري-ديل
المشرف: أندرو زاميت-مانجيون [email protected]
الوصف: أداة للنمذجة والتنبؤ المكاني/المكاني الزماني باستخدام مجموعات بيانات كبيرة. يقوم هذا النهج بنمذجة المجال، ومن ثم دالة التغاير، باستخدام مجموعة من الوظائف الأساسية. يسهل تمثيل الوظيفة الأساسية ذات الرتبة الثابتة نمذجة البيانات الضخمة، وتسمح الطريقة بشكل طبيعي بوظائف التغاير المتباين الخواص غير الثابتة. إن تقسيم المجال المكاني إلى ما يسمى بالوحدات المساحية الأساسية (BAUs) يسهل استخدام الملاحظات ذات الدعم المتفاوت (على سبيل المثال، كل من الدعم النقطي المرجعي والدعم المساحي، وربما في وقت واحد)، والتنبؤ على المناطق التعسفية المحددة من قبل المستخدم. يدعم FRK أيضًا الاستدلال على المتشعبات المختلفة، بما في ذلك المستوى ثنائي الأبعاد والمجال ثلاثي الأبعاد، ويوفر وظائف مساعدة للنمذجة والملاءمة والتنبؤ والتخطيط بسهولة نسبية. يدعم الإصدار 2.0.0 وما فوقه أيضًا نمذجة البيانات غير الغوسية (على سبيل المثال، بواسون، ذات الحدين، السالبة ذات الحدين، غاما، والغاوسية العكسية) من خلال استخدام إطار عمل النموذج الخطي المختلط المعمم (GLMM). يصف Zammit-Mangion وCressie (2021) FRK في بيئة Gaussian، ويوضحان تفاصيل استخدامه للوظائف الأساسية ووحدات BAU، في حين أن Sainsbury-Dale et al. (2024) وصف FRK في بيئة غير غاوسية؛ تتوفر مقالتان صغيرتان تلخصان هذه الأوراق وتقدمان أمثلة إضافية.
الترخيص: GPL (>= 2)
library( " FRK " )
library( " sp " )
library( " ggplot2 " )
library( " ggpubr " )
# # Setup
m <- 1000 # Sample size
RNGversion( " 3.6.0 " ); set.seed( 1 ) # Fix seed
zdf <- data.frame ( x = runif( m ), y = runif( m )) # Generate random locs
zdf $ z <- sin( 8 * zdf $ x ) + cos( 8 * zdf $ y ) + 0.5 * rnorm( m ) # Simulate data
coordinates( zdf ) = ~ x + y # Turn into sp object
# # Run FRK
S <- FRK( f = z ~ 1 , # Formula to FRK
list ( zdf ), # All datasets are supplied in list
n_EM = 10 ) # Max number of EM iterations
pred <- predict( S ) # Prediction stage
# # Plotting
plotlist <- plot( S , pred )
ggarrange( plotlist = plotlist , nrow = 1 , legend = " top " )
هنا نقوم بتحليل بيانات بواسون المحاكاة. نحن نشير إلى نموذج بيانات بواسون باستجابة متوسطة تم تصميمها باستخدام دالة الارتباط الجذر التربيعي عن طريق تعيين response = "poisson" link = "sqrt" في FRK() . توزيعات الاستجابة غير الغوسية الأخرى المتوفرة في FRK هي التوزيعات ذات الحدين، والسلبية ذات الحدين، وجاما، والتوزيعات الغوسية العكسية.
# # Simulate Poisson data using the previous example's data to construct a mean
zdf $ z <- rpois( m , lambda = zdf $ z ^ 2 )
# # Run FRK
S <- FRK( f = z ~ 1 , list ( zdf ),
response = " poisson " , # Poisson data model
link = " sqrt " ) # square-root link function
pred <- predict( S )
# # Plotting
plotlist <- plot( S , pred $ newdata )
ggarrange( plotlist $ z , plotlist $ p_mu , plotlist $ interval90_mu ,
nrow = 1 , legend = " top " )
نقوم الآن بتحليل البيانات المكانية والزمانية، باستخدام مجموعة بيانات NOAA.
# # Setup
library( " spacetime " )
data( " NOAA_df_1990 " )
Tmax <- subset( NOAA_df_1990 , month %in% 7 & year == 1993 )
Tmax <- within( Tmax , { time = as.Date(paste( year , month , day , sep = " - " ))})
STObj <- stConstruct( x = Tmax , space = c( " lon " , " lat " ), time = " time " , interval = TRUE )
# # BAUs: spatial BAUs are 1x1 pixels, temporal BAUs are 1 day intervals
BAUs <- auto_BAUs( manifold = STplane(),
cellsize = c( 1 , 1 , 1 ),
data = STObj , tunit = " days " )
BAUs $ fs <- 1 # scalar fine-scale variance matrix, implicit in previous examples
# # Basis functions
G <- auto_basis( manifold = STplane(), data = STObj , nres = 2 , tunit = " days " )
# # Run FRK
STObj $ std <- 2 # fix the measurement error variance
S <- FRK( f = z ~ 1 + lat , data = list ( STObj ),
basis = G , BAUs = BAUs , est_error = FALSE , method = " TMB " )
pred <- predict( S , percentiles = NULL )
# # Plotting: include only some times via the argument subset_time
plotlist <- plot( S , pred $ newdata , subset_time = c( 1 , 7 , 13 , 19 , 25 , 31 ))
ggarrange( plotlist = plotlist , nrow = 1 , legend = " top " )
تُستخدم الحزمة FRK حاليًا لإنشاء رسوم متحركة مكانية وزمانية للحقول التي تراقبها بيانات الأقمار الصناعية. نعرض هنا التنبؤ اليومي لثاني أكسيد الكربون باستخدام بيانات من NASA OCO-2 بين سبتمبر 2014 ويونيو 2016.
شكرًا لمايكل بيرتولاتشي على تصميم شعار FRK السداسي!
