Estimativa de prob. de geada
Prezados, Eu tenho dados de temperatura minima diária (~30 anos) e preciso estimar a prob. de geada para diversos locais. Estou considerando que ocorreu geada quando a tmin < 2°C. Eu poderia considerar o numero de dias q ocorre tmin<2°C / total de dias avaliados da serie? Ou seria melhor partir para uma binomial? Espero que possam me ajudar com sugestoes. Obrigado, Leonardo
Vc precisa disso para tempos futuros ? Parece razoavel vc considerar a estrutura temporal, uma vez que a probabilidade de geada deve mudar para diferentes meses e estações do ano. Vc tem dados para diferentes localizações? Tem alguma estrutura no espaço? Vc tem mais alguma variável tipo precipitação ou umidade? Em 7 de novembro de 2014 16:55, Leonardo Monteiro < monteiroleonardo6@gmail.com> escreveu:
Prezados,
Eu tenho dados de temperatura minima diária (~30 anos) e preciso estimar a prob. de geada para diversos locais.
Estou considerando que ocorreu geada quando a tmin < 2°C.
Eu poderia considerar o numero de dias q ocorre tmin<2°C / total de dias avaliados da serie?
Ou seria melhor partir para uma binomial?
Espero que possam me ajudar com sugestoes.
Obrigado, Leonardo
_______________________________________________ R-br mailing list R-br@listas.c3sl.ufpr.br https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça código mínimo reproduzível.
-- Wagner Hugo Bonat LEG - Laboratório de Estatística e Geoinformação UFPR - Universidade Federal do Paraná
Oi Leonardo, Suponha que voce tem y_{s,t}, observacoes na localizacoe 's' e tempo 't'. Voce pode definir um modelo simples de random field espaco-temporal da forma y_{s,t} = x(s,t) + e_{s,t} em que x(s,t) e' um processo espaco-temporal continuo. Como isso so faz sentido para os dias de inverno, entao ha' descontinuidade no tempo, entao voce teria x(s)_t em vez de x(s,t). Alem disso, provavelmente as observacoes sao minimas sobre uma janela temporal (dia, por exemplo). O problema principal que vejo aqui e' como tratar a dimensao desse problema, uma vez que o espaco e' continuo e voce tem mais de 30 anos de dados diarios. Deixando o problema da dimensao de lado, a partir do modelo para x(s)_t e' possivel calcular p(x(s)_t < 2), para diferentes 's' e 't', supondo distribuicao normal. O pacote 'excursions' (ou 'excursionsdevel', para versao mais atualizada) faz esse tipo de calculo. Veja https://bitbucket.org/davidbolin/excursions abs, Elias On 07/11/14 16:55, Leonardo Monteiro wrote:
Prezados,
Eu tenho dados de temperatura minima diária (~30 anos) e preciso estimar a prob. de geada para diversos locais.
Estou considerando que ocorreu geada quando a tmin < 2°C.
Eu poderia considerar o numero de dias q ocorre tmin<2°C / total de dias avaliados da serie?
Ou seria melhor partir para uma binomial?
Espero que possam me ajudar com sugestoes.
Obrigado, Leonardo
_______________________________________________ R-br mailing list R-br@listas.c3sl.ufpr.br https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça código mínimo reproduzível.
Olá pessoal, Estou com um problema para fazer a predição de um modelo GAM com uma variável categórica para rasters. Quando faço a predição do modelo para rasters, configurando a função predict() considerando a variável categórica, ela não funciona. Segue abaixo um código exemplo ilustrando o meu problema com e sem a variável categórica. Espero que possam ajudar. Muito obrigado! Thiago __________________________________ Thiago Cesar Lima Silveira Biólogo, Me. Biologia Animal Doutorando do PPG Zoologia - PUCRS e-mail: thiagoclsilveira@yahoo.com.br Skype: thiagocesarls ###### library(mgcv) library(raster) # exemplo de layer raster v1rst<-raster() values(v1rst) <- 1:ncell(v1rst) names(v1rst)<-'v1' # Exemplos de variáveis resposta e preditores y<-c(1,33,500,700, 334,320, 703,303,3030,3002,200,0,100,100,169) v1<-c(12,33,544,600, 34,30, 03,3390,3030,302,20,108,170,101,2009) v2<-c(0,0,0,0,0,0,0,0,1,1,1,1,1,1,1) v3<-c(12,33,544,600, 34,30, 03,3390,3030,302,20,108,170,101,2009) df<-data.frame(y, v1, v2) #GAM com variável categórica gam1<-gam(y~s(v1)+factor(v2), data=df) summary(gam1) #GAM model sem factor gam2<-gam(y~s(v1), data=df) summary(gam2) # data.frame com o valor constante #(da classe ’factor’) para ser usado na função predict( ). #Esse comando foi retirado do documento do pacote brt (http://cran.r-project.org/web/packages/dismo/vignettes/brt.pdf <http://cran.r-project.org/web/packages/dismo/vignettes/brt.pdf>) página 20. # Tentei algumas variações sem sucesso. Method<-factor(var.factor<-factor( '0' ,levels=levels(df$v2))) df$add<-data.frame(var.factor) #Prediction with factor p<-predict(v1rst,gam1, type='response', const='add' ) #Mensagem de ERRO - 'Error in `[.data.frame`(blockvals, , f[j]) : undefined columns selected #Prediction sem o fator p<-predict(v1rst,gam2, type='response') plot(p) #ok!
participantes (4)
-
Elias T. Krainski -
Leonardo Monteiro -
Thiago Cesar Lima Silveira -
Wagner Bonat