FRK
v2.2.3
แพ็คเกจ FRK มีอยู่ใน CRAN! หากต้องการติดตั้ง กรุณาพิมพ์
install.packages( " FRK " ) หากต้องการติดตั้งเวอร์ชันการพัฒนาล่าสุด โปรดโหลด devtools แล้วพิมพ์
install_github( " andrewzm/FRK " , dependencies = TRUE , build_vignettes = TRUE )มีเอกสารแนะนำบรรจุภัณฑ์อยู่ที่นี่ มีบทความที่ให้รายละเอียดเกี่ยวกับแนวทางในการตั้งค่าที่ไม่ใช่แบบเกาส์เซียนอยู่ที่นี่ (มีรายงานสรุปหกหน้าของบทความนี้ที่นี่)
บทความสั้น "FRK_intro" สรุปแพ็กเกจ ให้รายละเอียดเกี่ยวกับอัลกอริทึม EM ที่อาจนำไปใช้ในการตั้งค่าแบบเกาส์เซียน และให้ตัวอย่างต่างๆ มากมาย บทความสั้นอีกเรื่องหนึ่งคือ "FRK_non-Gaussian" สรุปการอนุมานในการตั้งค่าที่ไม่ใช่แบบเกาส์เซียน (โดยที่ใช้การประมาณลาปลาซ) และมีตัวอย่างที่ใช้ข้อมูลที่ไม่ใช่แบบเกาส์เซียนและวิธีการพล็อตที่พร้อมใช้งานใหม่ หากต้องการเข้าถึงบทความสั้น ๆ โปรดคลิกลิงก์ต่อไปนี้:
ความรู้เบื้องต้นเกี่ยวกับ FRK
บทช่วยสอนเกี่ยวกับการสร้างแบบจำลองข้อมูลที่ไม่ใช่แบบเกาส์เซียนเชิงพื้นที่และเชิงพื้นที่ด้วย FRK
หน้า pkgdown มีอยู่ที่นี่ด้วย
หากคุณใช้ FRK ในการทำงาน การวิจัย หรือกิจกรรมอื่น ๆ โปรดอ้างอิงโดยใช้ข้อมูลที่มาจาก citation("FRK")
แพ็คเกจ: FRK
ประเภท: แพ็คเกจ
หัวข้อ: แก้ไขอันดับ Kriging
เวอร์ชัน: 2.3.1
วันที่: 16-07-2024
ผู้แต่ง: แอนดรูว์ แซมมิต-แมงเจียน, แมทธิว เซนสเบอรี-เดล
ผู้ดูแล: Andrew Zammit-Mangion [email protected]
คำอธิบาย: เครื่องมือสำหรับการสร้างแบบจำลองเชิงพื้นที่/เชิงพื้นที่-ชั่วคราวและการทำนายด้วยชุดข้อมูลขนาดใหญ่ วิธีการจำลองสนาม และด้วยเหตุนี้ฟังก์ชันความแปรปรวนร่วม โดยใช้ชุดของฟังก์ชันพื้นฐาน การแสดงฟังก์ชันพื้นฐานที่มีอันดับคงที่นี้อำนวยความสะดวกในการสร้างแบบจำลองข้อมูลขนาดใหญ่ และวิธีการดังกล่าวช่วยให้ฟังก์ชันความแปรปรวนร่วมแบบแอนไอโซทรอปิกไม่คงที่โดยธรรมชาติ การแยกโดเมนเชิงพื้นที่ออกเป็นหน่วยพื้นที่พื้นฐาน (BAU) ที่เรียกว่า อำนวยความสะดวกในการใช้การสังเกตด้วยการสนับสนุนที่แตกต่างกัน (เช่น ทั้งการสนับสนุนแบบอ้างอิงจุดและแบบพื้นที่ อาจพร้อมกัน) และการทำนายเหนือภูมิภาคที่ผู้ใช้ระบุโดยอำเภอใจ นอกจากนี้ FRK ยังรองรับการอนุมานบนท่อร่วมต่างๆ รวมถึงระนาบ 2D และทรงกลม 3D และยังมีฟังก์ชันตัวช่วยในการสร้างแบบจำลอง พอดี ทำนาย และพล็อตได้อย่างง่ายดาย เวอร์ชัน 2.0.0 ขึ้นไปยังสนับสนุนการสร้างแบบจำลองข้อมูลที่ไม่ใช่แบบเกาส์เซียน (เช่น ปัวซอง ทวินาม ลบทวินาม แกมมา และอินเวอร์สเกาส์เซียน) โดยใช้กรอบงานโมเดลผสมเชิงเส้นทั่วไป (GLMM) Zammit-Mangion และ Cressie (2021) อธิบาย FRK ในสภาพแวดล้อมแบบเกาส์เซียน และให้รายละเอียดการใช้ฟังก์ชันพื้นฐานและ BAUs ในขณะที่ Sainsbury-Dale และคณะ (2024) อธิบาย FRK ในสภาพแวดล้อมที่ไม่ใช่แบบเกาส์เซียน มีบทความสั้นสองเรื่องที่สรุปเอกสารเหล่านี้และให้ตัวอย่างเพิ่มเติม
ใบอนุญาต: 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 " )
ที่นี่เราวิเคราะห์ข้อมูลปัวซองจำลอง เรากำหนดโมเดลข้อมูลปัวซองด้วยการตอบสนองเฉลี่ยที่จำลองโดยใช้ฟังก์ชันลิงก์รูทโดยการตั้งค่า response = "poisson" และ link = "sqrt" ใน FRK() การแจกแจงการตอบสนองที่ไม่ใช่แบบเกาส์เซียนอื่นๆ ที่มีอยู่ใน FRK คือการแจกแจงแบบทวินาม, ลบ-ทวินาม, แกมมา และการแจกแจงแบบผกผัน-เกาส์เซียน
# # 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 " )
ตอนนี้เราวิเคราะห์ข้อมูลเชิงพื้นที่และชั่วคราวโดยใช้ชุดข้อมูล 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 " )
ขณะนี้แพ็คเกจ FRK กำลังถูกใช้เพื่อสร้างแอนิเมชั่นเชิงพื้นที่-ชั่วคราวของสนามที่สังเกตได้จากข้อมูลดาวเทียม ที่นี่เราแสดงการคาดการณ์รายวันของ CO2 โดยใช้ข้อมูลจาก NASA OCO-2 ระหว่างเดือนกันยายน 2014 ถึงมิถุนายน 2016
ขอขอบคุณ Michael Bertolacci ในการออกแบบโลโก้ FRK hex!
