FRK
v2.2.3
FRK 패키지는 CRAN에서 사용할 수 있습니다! 설치하려면 다음을 입력하세요.
install.packages( " FRK " ) 최신 개발 버전을 설치하려면 devtools 로드하고 다음을 입력하세요.
install_github( " andrewzm/FRK " , dependencies = TRUE , build_vignettes = TRUE )패키지를 소개하는 문서는 여기에서 볼 수 있습니다. 비가우스 설정에서의 접근 방식을 자세히 설명하는 문서는 여기에서 볼 수 있습니다(이 문서의 6페이지 요약은 여기에서 볼 수 있습니다).
비네팅 "FRK_intro"는 패키지를 요약하고 가우스 설정에 사용할 수 있는 EM 알고리즘에 대한 세부 정보를 제공하며 몇 가지 예를 제공합니다. 또 다른 비네팅인 "FRK_non-Gaussian"은 비가우스 설정(라플라스 근사치가 사용되는 경우)의 추론을 요약하고 비가우시안 데이터와 새로 사용 가능한 플로팅 방법을 사용한 예를 포함합니다. 비네트에 액세스하려면 다음 링크를 클릭하세요.
FRK 소개
FRK를 사용한 공간 및 시공간 비가우시안 데이터 모델링에 대한 튜토리얼
pkgdown 페이지도 여기에서 볼 수 있습니다.
업무, 연구, 기타 활동에서 FRK 사용하는 경우 citation("FRK") 에서 제공하는 정보를 사용하여 인용해 주시기 바랍니다.
패키지: FRK
유형: 패키지
제목: 고정등급 크리깅
버전: 2.3.1
날짜: 2024-07-16
저자: Andrew Zammit-Mangion, Matthew Sainsbury-Dale
관리자: Andrew Zammit-Mangion [email protected]
설명: 대규모 데이터 세트를 사용한 공간/시공간 모델링 및 예측을 위한 도구입니다. 이 접근 방식은 일련의 기본 함수를 사용하여 필드와 공분산 함수를 모델링합니다. 이 고정 순위 기본 함수 표현은 빅 데이터의 모델링을 용이하게 하며 이 방법은 자연스럽게 비정상, 이방성 공분산 함수를 허용합니다. 공간 영역을 기본 면적 단위(BAU)로 구분하면 다양한 지원(예: 점 참조 및 면적 지원 모두, 잠재적으로 동시에)을 사용하는 관측치의 사용과 임의의 사용자 지정 영역에 대한 예측이 용이해집니다. FRK 또한 2D 평면 및 3D 구를 포함한 다양한 다양체에 대한 추론을 지원하며 상대적으로 쉽게 모델링, 피팅, 예측 및 플롯할 수 있는 도우미 기능을 제공합니다. 버전 2.0.0 이상에서는 일반화 선형 혼합 모델(GLMM) 프레임워크를 사용하여 비가우스 데이터(예: 포아송, 이항, 음이항, 감마 및 역가우스)의 모델링도 지원합니다. Zammit-Mangion 및 Cressie(2021)는 가우스 설정에서 FRK 설명하고 기본 기능 및 BAU의 사용을 자세히 설명하는 반면 Sainsbury-Dale et al. (2024)은 비가우시안 설정에서 FRK 설명합니다. 이 논문을 요약하고 추가 예를 제공하는 두 개의 삽화를 사용할 수 있습니다.
라이센스: 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 " )
여기에서는 시뮬레이션된 포아송 데이터를 분석합니다. FRK() 에서 response = "poisson" 및 link = "sqrt" 를 설정하여 제곱근 링크 함수를 사용하여 모델링된 평균 응답으로 포아송 데이터 모델을 나타냅니다. FRK 에서 사용할 수 있는 기타 비가우스 응답 분포로는 이항, 음이항, 감마 및 역가우스 분포가 있습니다.
# # 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 " )
이제 NOAA 데이터 세트를 사용하여 시공간 데이터를 분석합니다.
# # 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 " )
FRK 패키지는 현재 위성 데이터로 관찰되는 필드의 시공간 애니메이션을 생성하는 데 사용되고 있습니다. 여기에서는 2014년 9월부터 2016년 6월까지 NASA OCO-2의 데이터를 사용하여 CO2에 대한 일일 예측을 보여줍니다.
FRK 육각형 로고를 디자인한 Michael Bertolacci에게 감사드립니다!
