Académique Documents
Professionnel Documents
Culture Documents
> data(soil250)
> ctc <- as.geodata(soil250, data.col=16)
> plot(ctc)
4 graphiques
Autre solution : placer la commande « > x11() » avant une commande graphique
conservera le graphique (aller dans fenêtre, les graphiques sont numérotés
séquentiellement)
250
200
200
150
150
Y Coord
Y Coord
100
100
50
50
0
0
-50
-50
0 50 100 150 200 250 300 350 0 100 200 300 400 500 600
X Coord data
600
0.004
500
400
0.003
300
Density
data
0.002
200
0.001
100
0
0.000
• Quel modèle ?
- voisinages d’influence pour chaque site
- SAR ou CAR
- stationnaire ou non
- avec variables exogènes (SARX)
Package spatstat
Champ isotrope
covariance invariante par isotropie :
• Sphérique si d≤3
C(h) = 0 sinon
• Gaussienne :
• Variogramme en h :
1.0
exponential
spherical
gaussian
0.8
0.6
γ(h)
0.4
0.2
0.0
distance
• Anisotropie géométrique :
• Anisotropie zonale:
• Le krigeage :
1. Estimer δ par MCG
2. Krigeage simple sur résidu ε
• Output.control
Réalise des simulations conditionnelles; permet
d’évaluer la carte des probabilités de dépasser un seuil.
> variog(ca20)
> print (x)
> plot(x)
• variofit
estime les paramètres d’un modèle de covariance (variogramme)
par MCO ou par MCP, ceci à partir du variogramme empirique
(variog)
• likfit
réalise l’estimation par maximum de vraisemblance
• Validation croisée
• variog.model.env
Répétition de simulations d’un modèle (donné ou estimé)
aux sites d’observations (modèle gaussien)
variogrammes empiriques pour chaque simulation
bande de confiance pour le variogramme
si variogramme théorique dans la bande modèle
valide
• xvalid
validation croisée via le krigeage : chaque observation
est comparée à sa prédiction à partir des autres)
• Energie :
• loi conditionnelle en i :
Exemple : § 3 – 2
simulation Ising isotropique aux 4-ppv par échantillonneur de Gibbs
h=0, b=0, 0.2 et 0.4. Voir petit à petit se former des plages
• E sous ensemble de R
• Famille exponentielle du type précédent
Alors les lois conditionnelles se recollent en la loi de
Gibbs π :
• Généralisation à l’auto-binomial
Atelier Spatial RASMA 118
Saint Louis du Sénégal
Auto – modèle de Poisson : E = N
(comptage en épidémiologie, etc)
3 procédures
CAR aux 12-ppv (cf. poly. pour les coeff. c(s)) avec
L+ = {(1,0),(2,0),(1,1),(0,1),(0,2),(1,-1)}
κ**2 =
X = Zδ+ε où Cov(ε)=Σ
• Estimation MCO de δ :
(1-2) ≡ (1-2*) où
(2*) : si A et B sont disjoints, N(A) et N(B) sont indépendants
X est un PPP(λ(●)) si :
(1) N(A) suit une loi de Poisson de paramètre λ(A)
(2) si A et B sont disjoints, N(A) et N(B) sont
indépendants
1 - d’un point ● de X
2 – d’un point o de la fenêtre d’observation