Получаем коэффициенты регрессии

После получения данных для работы перейдем в статистический пакет для вычисления регрессии по каждому каналу.

Мы работаем с векторными данными хранящимися в shape-формате, в свою очередь хранящем атрибутику в формате dbf. Будем считывать атрибутику прямо из него, для этого понадобится библиотека foreign, которая может считывать dbf. Загрузим данные в переменную data:

library(foreign)samplename = "D:\\Work\\profile.dbf"data = read.dbf(samplename)

Создадим два вектора, которые будут хранить значения для intercept и slope:

intercepts = numeric()slopes = numeric()

И в цикле, по количеству каналов (в нашем случае их 5) расчитаем коэффициенты регрессии:

numbands=5for (i in 1:numbands) { model = lm(data[,i+numbands]~data[,i]) intercept = model$coefficients[1] intercepts = cbind(intercepts,intercept) slope = model$coefficients[2] slopes = cbind(slopes,slope)}

Сохраним полученные коэффициенты для дальнейшего использования в текстовый файл.

res = rbind(intercepts,slopes)write.table(res,file=outputfile,sep=",",row.names=F,col.names=F)

Результат регрессии можно оценить визуально на предмет выбросов, облако точек должно стремиться к эллипсу, чем уже, тем лучше. По возможности от атипичных выбросов необходимо избавиться, либо убиранием самих точек и перерасчетом, либо редактирования набора данных непосредственно в R.

Примеры экологической интерпретации данных дистанционного зондирования в ландшатно-экологических ГИС

Основные методы интерполяции пространственно распределенных данных см. 41 вопр

Расчет средневзвешенных значений на основе обратного расстояния

Методы кригинга и анализ вариограмм

Кригинг – интерполяция на основе анализа вариограмм. Учитывает наличие и специфику пространственной зависимости измерений в имеющихся точках с данными. Метод точнее, по результатамм строится карта ошибки интерполяции, сложнее, чем др.методы интерполяции.* Можно анализировать пригодность риски (эрозия, переуплотнение, переувлажнение). Интерполяция на основе анализа вариограмм. Учит -ывает наличие и специфику пространственной зависимости измерений в имеющихся точках с данными. + Точный, по результатам строится карта ошибки интерполяции. – Сложный. Можно анализировать пригодность, риски (эрозию, переуплотнение, переувлажнение).кригинг оптимизирует процедуру интерполяции на основе статистической природы поверхности. Кригинг, определяет вес окружающих измеренных точек, чтобы вычислить искомое значение в неизмеренной ячейке. Точки, которые располагаются ближе к оцениваемой ячейке, имеют большее влияние. В обычном кригинге вес зависит от модели вариограммы, расстояния до оцениваемой точки и пространственного распределения точек замеров вокруг оцениваемой точки.

Метод включает несколько шагов: предварительный статистический анализ данных, построение вариограммы, создание и анализ дополнит. поверхности изменчивости. Этот тип интерполяции подходит при наличии информации о каких-либо закономерностях пространств. распределения величины. Метод часто используется в почвоведении и геологии.

*(Полигоны Тиссона – метод ближайшего соседства, принадлежность точки к тому или иному классу предмета, путем анализа удаленности от имеющихся точек с данными. Границы разной удаленности от смежных участков.

Скользящее среднее – принадлежность точки путем вычисления средневзвешенного от ближайших точек.

Метод построения трендовой поверхности – на все точки с данными накладывается трендовая поверхность заданного порядка. Значаение параметра в точке определяется путем вычисления по формуле заданной трендовой поверхности.)