FRK
v2.2.3
Paket FRK tersedia di CRAN! Untuk menginstal, silakan ketik
install.packages( " FRK " ) Untuk menginstal versi pengembangan terbaru, silakan muat devtools dan ketik
install_github( " andrewzm/FRK " , dependencies = TRUE , build_vignettes = TRUE )Makalah yang memperkenalkan paket tersebut tersedia di sini. Makalah yang merinci pendekatan dalam lingkungan non-Gaussian tersedia di sini (ringkasan enam halaman makalah ini tersedia di sini).
Sketsa "FRK_intro" merangkum paket tersebut, memberikan rincian tentang algoritma EM yang dapat digunakan dalam pengaturan Gaussian, dan memberikan beberapa contoh. Sketsa lain, "FRK_non-Gaussian", merangkum inferensi dalam pengaturan non-Gaussian (di mana pendekatan Laplace digunakan), dan berisi contoh-contoh yang menggunakan data non-Gaussian dan metode plotting yang baru tersedia. Untuk mengakses sketsa, silakan klik tautan berikut:
Pengantar FRK
Tutorial pemodelan data spasial dan spatio-temporal non-Gaussian dengan FRK
Halaman pkgdown juga tersedia di sini.
Jika Anda menggunakan FRK dalam pekerjaan, penelitian, atau aktivitas lainnya, harap mengutipnya menggunakan informasi yang disediakan oleh citation("FRK") .
Paket: FRK
Jenis: Paket
Judul: Kriging Peringkat Tetap
Versi: 2.3.1
Tanggal: 16-07-2024
Penulis: Andrew Zammit-Mangion, Matthew Sainsbury-Dale
Pengelola: Andrew Zammit-Mangion [email protected]
Deskripsi: Alat untuk pemodelan dan prediksi spasial/spatio-temporal dengan kumpulan data besar. Pendekatan ini memodelkan lapangan, dan juga fungsi kovarians, menggunakan sekumpulan fungsi basis. Representasi fungsi basis peringkat tetap ini memfasilitasi pemodelan data besar, dan metode ini secara alami memungkinkan fungsi kovarian anisotropik non-stasioner. Diskritisasi domain spasial menjadi apa yang disebut unit areal dasar (BAU) memfasilitasi penggunaan pengamatan dengan dukungan yang berbeda-beda (yaitu, dukungan titik-referensi dan dukungan areal, yang berpotensi secara bersamaan), dan prediksi atas wilayah yang ditentukan pengguna secara sewenang-wenang. FRK juga mendukung inferensi pada berbagai manifold, termasuk bidang 2D dan bidang 3D, dan menyediakan fungsi pembantu untuk memodelkan, menyesuaikan, memprediksi, dan membuat plot dengan relatif mudah. Versi 2.0.0 dan yang lebih baru juga mendukung pemodelan data non-Gaussian (misalnya Poisson, binomial, binomial negatif, gamma, dan inverse-Gaussian) dengan menggunakan kerangka kerja generalized linear mixed model (GLMM). Zammit-Mangion dan Cressie (2021) mendeskripsikan FRK dalam setting Gaussian, dan merinci penggunaan fungsi basis dan BAU, sementara Sainsbury-Dale et al. (2024) mendeskripsikan FRK dalam setting non-Gaussian; tersedia dua sketsa yang merangkum makalah ini dan memberikan contoh tambahan.
Lisensi: 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 " )
Di sini kami menganalisis data simulasi Poisson. Kami menandakan model data Poisson dengan respon rata-rata yang dimodelkan menggunakan fungsi link akar kuadrat dengan mengatur response = "poisson" dan link = "sqrt" di FRK() . Distribusi respons non-Gaussian lain yang tersedia di FRK adalah distribusi binomial, binomial negatif, gamma, dan invers-Gaussian.
# # 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 " )
Kami sekarang menganalisis data spatio-temporal, menggunakan dataset 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 " )
Paket FRK saat ini digunakan untuk menghasilkan animasi spatio-temporal dari bidang yang diamati oleh data satelit. Di sini kami menampilkan prediksi harian CO2 menggunakan data OCO-2 NASA antara September 2014 dan Juni 2016.
Terima kasih kepada Michael Bertolacci yang mendesain logo hex FRK!
