Академический Документы
Профессиональный Документы
Культура Документы
Guin
Introduccin
Por qu tanto inters en el anlisis espacio-temporal en ecologa?. Aplicaciones Tipos de datos paquetes y ejemplos en R
2 3 4
Introduccin
Anlisis de datos espaciales con R Introduccin Por qu tanto inters en el anlisis espacio-temporal en ecologa?.
Introduccin
Los procesos de los sistemas naturales y los patrones que resultan de l ocurren en el espacio y en el tiempo. Por tanto, para estudiar la estructura natural y entender el proceso funcional subyacente, necesitamos identicar las escalas espaciales y temporales en las que ocurren. El gran nmero y variedad de tcnicas estadsticas para el anlisis espacial en ecologa est aumentando y muchos eclogos an no estn familiarizados con las tcnicas disponibles ni con cmo utilizarlas correctamente. En este sentido, esta breve gua pretende dar un resumen de las principales tcnicas estadsticas para analizar datos espaciales. Trabajaremos mediante ejemplos reales de aplicacin en el contexto ecolgico introducidos mediante el software R.
Anlisis de datos espaciales con R Introduccin Por qu tanto inters en el anlisis espacio-temporal en ecologa?.
Aplicaciones
Anlisis de datos espaciales con R Introduccin Por qu tanto inters en el anlisis espacio-temporal en ecologa?.
Aplicaciones
Entre otras cosas, podemos caracterizar espacialmente una regin, estudiar la dependencia o autocorrelacin espacial de nuestros datos, evaluar la escala del patrn observado, determinar mtodos de muestreo, realizar interpolaciones para estimar el valor de una variable en localizaciones que no han sido observadas, realizar regresiones para evaluar la relacin entre variables y predecir, evaluar la interaccin o conectividad entre reas de un paisaje, simular y modelar relaciones entre localidades.
Anlisis de datos espaciales con R Introduccin Tipos de datos espaciales (Cressie, 1993).
Patrones de puntos
Son puntos o eventos (
dominio discreto )
dentro de la regin de
aleatorio ).
dominio
Examples
nidos de pjaros, sitios de terremotos, presencia de una especie.
Anlisis de datos espaciales con R Introduccin Tipos de datos espaciales (Cressie, 1993).
Datos geoestadsticos
La variable respuesta existe en cada punto de la regin de estudio (
dominio continuo );
dominio jo ).
Aproximacin
Examples
niveles de un contaminante, precipitacin mensual o el nivel de CO2 medido en una torre de eddy covariance.
Anlisis de datos espaciales con R Introduccin Tipos de datos espaciales (Cressie, 1993).
de
Examples
nmero de especies en cada regin, valores de los pxeles en interpretacin de imgenes de satlite.
Anlisis de datos espaciales con R Introduccin Tipos de datos espaciales (Cressie, 1993).
Dominio continuo
datos geoestadsticos
La geoestadsitica trata a las localizaciones espaciales como las variables explicativas (o causa) y a los valores asociados a ellas como variables respuetas (o efecto). Sin embargo, la estadstica de patrones puntuales espaciales trata a las localizaciones espaciales, y a los valores asociados a ellas, como variables respuesta.
Anlisis de datos espaciales con R Introduccin Tipos de datos espaciales (Cressie, 1993).
Dependencia espacial
Sea cual fuere el objetivo del anlisis, en los tres casos lo importante es modelar la
patrones puntuales,
geoestadstica
o semivarianza (disimilaridad) entre observaciones. Estas medidas pueden o no ser estacionarias. Para los
patrones en rejilla,
Anlisis de datos espaciales con R Introduccin Tipos de datos espaciales (Cressie, 1993).
Paquetes de R
Genrico : sp. Patrones puntuales :
Datos geoestadsticos :
variogramas, etc.), geoR (geoestadstica basada en modelos), geoRglm, elds, spBayes, RandomFields (procesos estocsticos), VR:spatial, sgeostat, vardiag, akima (interpolacin).
spgwr (regresin ponderada geogrcamente), ade4, maps (mapas de polgonos), DCluster, SDMTools (FRAGSTAT).
Patrones de puntos
library(spatstat)
Caractersticas
Objetivo: analizar la distribucin espacial (y sus causas) de un patrn de puntos. Tipos de datos: sin marcas, con marcas y covariables. Cul es la diferencia entre marcas y covariables? La principal diferencia entre ellas es que las marcas estn asociadas a los datos de puntos, son parte de la variable respuesta (del patron de puntos), mientras que las covariables son variables explicativas.
Intensidad e Interaccin
Intensidad Interaccin
(i.e. densidad media de puntos): puede ser constante (uniforme u homogneo) o variar de localizacin a localizacin (no-uniforme o no-homogneo). (i.e. dependencia estocstica entre los puntos): mayor entre puntos que estn cercanos.
Example
La distancia entre pinos japoneses es mayor (i.e. inhibicin o competencia) o menor (i.e. atraccin o contagio) a lo esperado por un patron al azar?.
Covariables
Efectos de covariables:
nos permite investigar si la intensidad de un patrn puntual depende de ellas y analizar las caractersticas de los patrones puntuales luego de dar cuenta de esta dependencia.
Example
(Tropical rainforest data) La densidad de rboles depende de la pendiente?, y luego de dar cuenta de esta variacin en la densidad de rboles debida a la pendiente, existe evidencia de agrupacin entre los rboles?.
Marcas I
Segregacin
de puntos con diferentes marcas: investigar si los puntos con diferentes marcas estn segregados (se encuentran en diferentes partes de la regin de estudio).
Example
izq. (lansing -marcas categricas) La regin de estudio est dividida en dominios donde solo predomina una especia o las distintas especias estn dispersadas aleatoriamente?; der. (longleaf -marcas continuas-) El tamao y edad de los pinos indican algn tipo de variacin espacial en su densidad?.
Marcas II
Dependencia
entre puntos con marcas: investigar si existe interaccin entre los sub-patrones de puntos o si existe dependencia entre los valores de las marcas en distintas localizaciones.
Example
(ants' nests) la especie A localiza sus nidos intencionalmente cerca de la especie B?. Nidos de hormigas de las especies
bicolor
en el norte de Grecia.
Introduccin
Los mtodos de anlisis espacial para patrones puntuales inlcuyen mtodos basados en el vecindario (vecindario ms cercano, mtodos renados del vecindario ms cercano, funciones K de Ripley) para datos de una o varias variables (uni-, bi- y multi- variados), el anlisis de datos para distintas dimensiones (uni -transecto-, bi -plano- o multi -volumen- dimensional), as como para datos con marcas (correlacin de marcas). Tambin se utiliza la teora de grafos o anlisis de redes (redes de vecinos), mtodos de anlisis de varianza en cuadrantes (TTLQC, PQC, etc.), anlisis espectrales (con transformaciones de Fourier o Walsh), wavelets y anlisis de crculos circunscritos.
Example
library(spatstat) X<-data(japanesepines) # accede a los datos y asigna un objeto X a ellos summary(X) # resumen del patrn de puntos X X # descripcin bsica de X any(duplicated(X)) # revisa puntos duplicados en X istat(X) # anlisis de datos interactivo
Herramientas exploratorias
La prueba ms bsica es la de aleatoriedad espacial completa (CSR o HPP), que signica que los eventos se distribuyen
en el rea de estudio
Example
Las semillas de secuoya (redwood) muestran un patrn agrupado, los centros de 42 clulas biolgicas observadas al microscopio (cells) tienen una distribucin regular y los pinos juveniles japonenes (japanese) no parecen estar en ninguna de estas dos situaciones.
Herramientas exploratorias.
Clsicas Example
clarkevans(redwood) # Clark and Evans aggregation index clarkevans.test(redwood, alternative="less") #alternative hypothesis: mean nn distance less than expected under CSR (clustered) clarkevans.test(redwood, alternative="greater") #alternative hypothesis: mean nn distance greater than expected under CSR (regular) fryplot # Fry plot miplot # Morishita Index plot
Modernas Example
nnclean # Byers-Raftery feature detection sharpen.ppp # Choi-Hall data sharpening rhohat # Smoothing estimate of covariate effect
Funcin de Clark & Evans (1954): test basado en la distancia media al vecino ms prximo. Funcin G (Diggle, 1979): funcin de distribucin de distancia desde un evento al evento vecino ms cercano. Funcin F (Diggle, 1979): funcin de distribucin de distancia desde un punto jo aleatorio al evento vecino ms cercano (o funcin de espacio vaco). (t ) Funcin J : J (t ) = 1G (t ) 1F
Anlisis de segundo orden
Funcin K de Ripley: estima para todas las escalas (tiene en cuenta todos los pares de eventos). ( Funcin L: L(t ) = t Kt ) Funcin g de correlacin pareada: g (r ) = K (r )/(2 r )
F,
tiene mejor
de estadisticos para analizar los patrones puntuales, sin embargo, la pregunta planteada no es fcil de responder. La mejor opcin es utilizar una combinacin de pruebas complementarias (Ripley, 1981; Diggle, 2003).
nndist # nearest neighbour distances nnwhich # find nearest neighbours pairdist # distances between all pairs of points crossdist # distances between points in two patterns nncross # nearest neighbours between two point patterns quadratcount # Quadrat counts quadrat.test # Quadrat test Fest # empty space function F Gest # nearest neighbour distribution function G Kest # Ripley's K-function Lest # Besag-Ripley L-function Jest # J-function J = (1-G)/(1-F) allstats #all four functions F, G, J, K pcf # pair correlation function envelope # simulation envelopes for a summary function varblock # variances and confidence intervals for a summary function.
Hay ms...
Example
Se observa: (arriba izquierda) funcin G, (arriba derecha) funcin F, (debajo) funcin K. Se observan las funciones empricas vs. las funciones tericas (bajo CSR) con envelopes del 96% (variabilidad del proceso bajo CSR). Los rboles japoneses parecen tener una distribucin homogna, las clulas biolgicas muestran un patron regular, mientras que las semillas de secuoya muestran un patrn agrupado.
Gcross,Gdot,Gmulti # multitype nearest neighbour distributions G[i,j], G[i.] Kcross,Kdot, Kmulti # multitype K-functions K[i,j], K[i.] Lcross,Ldot # multitype L-functions L[i,j], L[i.] Jcross,Jdot,Jmulti # multitype J-functions J[i,j],J[i.] pcfcross # multitype pair correlation function g[i,j] pcfdot # multitype pair correlation function g[i.] markconnect # marked connection function p[i,j] alltypes # estimates of the above for all i,j pairs
Example
data(ants). Queremos buscar evidencia de competencia intra e inter especca entre nidos. Observamos la funcin de correlacin apreada (pcf ): fuerte inhibicin entre los nidos de Messor para todas las escalas, inhibicin entre los nidos de Cataglyphis a pequeas escalas y atraccin a media escala, inhibicin entre Cataglyphis y Messor hasta 10 ft (3 metros aprox.).
markcorr # mark correlation function markvario # mark variogram markcorrint # mark correlation integral Emark # mark independence diagnostic E(r) Vmark # mark independence diagnostic V(r) nnmean # nearest neighbour mean index nnvario # nearest neighbour mark variance index Gmulti # multitype nearest neighbour distribution Kmulti # multitype K-function Jmulti # multitype J-function
Alternatively use
cut.ppp
Example
data(longleaf ). Patrn agrupado para marcas <=15 y marcas >=25. Las correcciones utilizadas son: iso isotropica, trans por translacin y border por borde (theo representa el modelo terico de Poisson).
pairdist.pp3 # distances between all pairs of points crossdist.pp3 # distances between points in two patterns nndist.pp3 # nearest neighbour distances nnwhich.pp3 # find nearest neighbours F3est # empty space function F G3est # nearest neighbour function G K3est # K-function pcf3est # pair correlation function envelope.pp3 # simulation envelopes pairdist.ppx # distances between all pairs of points crossdist.ppx # distances between points in two patterns nndist.ppx # nearest neighbour distances nnwhich.ppx # find nearest neighbours
Modelos
Procesos de Poisson homogneo: mecanismo estocastico ms sencillo. Utiliza una funcin de intensidad constante
Procesos de Poisson con clsters: incorporan explcitamente la formacin de grupos y, por tanto, proporcionan la base adecuada para modelar patrones puntuales con eventos agrupados. Procesos de Poisson no homogneos: cuando no es realista suponer estacionariedad (e.g. en estudios epidemiolgicos). Utiliza una funcin de intensidad variable
(x )
Procesos de Cox: modela fenmenos donde la distribucin espacial de los eventos puede ser el resultado de variaciones estocsticas en los factores ambientales. Utiliza una funcin de intensidad como una realizacin de un proceso estocstico. Procesos de Inhibicin Simple: permiten producir diseos agrupados. Procesos Puntuales de Markov: procesos que requieren una descripcin ms exible que la que proporcionan los procesos de inhibicin simple.
Modelos en R
Example
Modelo general:
1) tendencia espacial.
~1 # tendencia constante (proceso estacionario) ~x+y # tendencia log-lineal de las coordenadas cartesianas (proceso no estacionario) ~bs(x,2) o ~s(x,2) # B-splines y suavizado por splines, respectivamente, con 2 grados de libertad.
2) trmino de interaccin.
Example
data(bei). Investigar la correlacin entre la intensidad de la presencia de
topogrca y altitud. Utilizando el AIC observamos que el modelo mejora si usamos las covariables para predecir la intensidad.
Example
Si ajustamos un proceso de puntos no estacionario con una intensidad no-lineal (izquierda), observamos que la intensidad est correlacionada negativamente con el ndice de humedad y positivamente con los dems predictores. Adems, podemos construir con ellos un ndice de adecuacin del hbitat (derecha).
Example
quadrat.test chi^2 goodness-of-fit test on quadrat counts clarkevans.test Clark and Evans test kstest Kolmogorov-Smirnov goodness-of-fit test bermantest Berman's goodness-of-fit tests envelope critical envelope for Monte Carlo test of goodness-of-fit anova.ppm Analysis of Deviance for point process models
Example
Diagnstico del modelo de tendencia (sin covariables): abajo der.) residuos suavizados (diferencia entre la estimacin no paramtrica de la intensidad y la estimacin paramtrica del modelo), encima izq.) carga de residuos, los otros dos paneles son la variable vs. las coordenadas cartesianas (falta ajuste en y=0.15).
Example
Podemos detectar la dependencia (o independencia) de eventos usando la funcin K y los grcos Q-Q de los residuales. Se observan envelopes 5% para simulaciones del modelo ajustado. Sugiere que el modelo ajustado es correcto.
Resumen
Example
John Snow demostr que el clera era causado por el consumo de aguas contaminadas con materias fecales, al comprobar que los casos de esta enfermedad se agrupaban en las zonas donde el agua consumida estaba contaminada con heces, en la ciudad de Londres en el ao de 1854.
Example
Cabello Pinar et. al. 2011. The role of vegetation and lithology in the spatial and inter-annual response of EVI to climate in drylands of Southeastern Spain. Journal of Arid Environments. in press.
Example
(izquierda) Proyeccin del modelo MaxEnt para Lithobates catesbeianus (rana toro) utilizando las variables climticas generadas en el anlisis de componentes principales del apartado anterior. Los colores clidos indican reas con mejores condiciones predichas y las zonas verdes corresponden a las reas de menor probabilidad de ocurrencia de la especie. Los puntos blancos sealan las localidades utilizadas en el test del modelo. (derecha) Resultados de las simulaciones de L. catesbeianus, para Dolores, Soriano (A) y Acegu, Cerro Largo (B). En la parte superior se muestran los aos de colonizacin en cada celda del mapa de propagacin. En la parte inferior se expone el conteo de sitios colonizados por ao, mostrando los casos extremos de posible invasin.
Geoestadstica
library(c(geoR,gstat))
Caractersticas
Objetivo: analizar la distribucin espacial (y sus causas) de una variable regional, interpolacin de las muestras a toda la regin. Example
Hidrogeologa: permeabilidad y transmisividades, diseo de Redes ptimas de monitoreo. Medio Ambiente: Prediccin de la distribucin de contaminantes en atmsfera, suelos, acuferos y cuerpos de agua, evaluacin de sitios y estudio del impacto ambiental. Salud Pblica: distribucin espacial de enfermedades, estimacin de la exposicin de personas a elementos nocivos (acsticos, qumicos, polvos, etc.). Ciencias Agrcolas y Forestales: distribucin espacial de plagas. Inventarios forestales: Estudio cuantitativo de suelos y sus propiedades qumicas y mecnicas. Pesqueras: Relacin entre la distribucin espacial de especies de peces y diferentes variables (profundidad, temperatura, salinidad, etc.).
Etapas
1
Anlisis exploratorio. Anlisis estadstico de la variable y comprobacin de los datos (e.g. EDA).
Anlisis estructural. Caracterizacin de la estructura espacial y obtencin de un modelo geoestadstico (e.g. variograma) .
Predicciones. Interpolacin de los valores de la variable en aquellos sitios donde no se ha muestreado (e.g. kriging).
Anlisis exploratorio
Example
El conjunto de datos del ro Mosa (meuse) contiene datos de concentraciones de metales pesados (Zn, Cu, Cd, Pb), tipos de suelo, elevacin, materia orgnica, y zonas de distinta frecuencia de inundacin. Los datos son colectados cerca del pueblo Stein (NL) mediante muestras de 15m x 15m.
http://127.0.0.1:16508/library/sp/html/meuse.html.
(izquierda)
ssplot
del
Anlisis exploratorio
1
Estadstica univariada: funcin de distribucin, percentiles, momentos (media, varianza), valores atipicos, errores. Estadstica bivariada: patrn de dependencia entre 2 variables (covarianza). Regresin lineal y mnimos cuadrados (relacin funcional entre variables).
Anlisis estructural
En dependencia de las caractersticas de estacionaridad del fenmeno se modelar la funcin de covarianzas o la de semivarianzas (variograma). Modelacin del variograma: Algunos geoestadsticos ajustan los modelos de forma visual. Es recomendable auxiliarse con algn procedimiento estadstico. Por ejemplo, un ajuste con un Mtodo de Mnimos Cuadrados. Se requiere de un criterio de bondad de ajuste y complejidad del modelo. Por ejemplo, el criterio de Informacin de Akaike (AIC)
3 4
Example
lznr.vgm = variogram(log(zinc) ~ sqrt(dist), meuse) lznr.fit = fit.variogram(lznr.vgm, model = vgm(1, "Exp", 300, + 1)) lznr.fi plot(lznr.vgm, lznr.fi)
Ejemplo
Example
Pepita o nugget:
ser debido a errores de medicin en la variable o a la escala de la misma. En algunas ocasiones puede ser indicativo de que parte de la estructura espacial se concentra a distancias inferiores a las observadas. En un modelo que explique bien la realidad, la pepita no debe representar mas del 50% de la meseta.
Rango:
a distancia a partir de la cual dos observaciones son independientes mxima semivarianza, debe coincidir con la varianza de la
Meseta o sill:
poblacin.
Modelos
Modelos bsicos: esfrico, exponencial, gaussiano, potencial, lineal y el efecto pepita puro, pudindose combinar linealmente.
Example
Modelo esfrico: representa los parches, donde el dimetro promedio de los parches est representado por el rango del modelo. Modelo exponencial: procesos autorregresivos de primer orden y procesos de Markov. Si se tienen dos variables relacionadas, pueden denirse los variogramas cruzados (tambin los correlogramas y las funciones de covarianza cruzadas). Anisotropa: cuando la variacin espacial no es la misma en todas las direcciones se debe calcular el variograma en varias direcciones.
Ejemplo
Example
Pasos en el modelado del variograma: (a) localizacin del muestreo (155) y valores medidos de la concentracin de zinc, (b) variograma nube con los pares de semivarianzas (para log-zinc), (c) semivarianzas agregadas para distancias de 100m (lag) y (d) el modelo nal del variograma (aqu ajustado con los parmetros que vienen por defecto en gstat).
variogram(log(zinc) ~ 1, meuse) #tendencia constante variogram(log(zinc) ~ sqrt(dist), meuse) #funcin media no constate
anlisis de supercie de tendencia polgonos de Thiessen interpolacin por la distancia inversa regresin con las coordenadas (i.e. supercie de tendencia -global- o interpolacin de supercie mvil -local-): Ordinary Least Squares (OLS).
Kriging (Krige, 1951): Kriging simple (SK, media constante y conocida), Kriging ordinario (OK, media constante y desconocida; variable estacionaria), Kriging universal (media variable y desconocida; variable con tendencia o deriva).
Correlacin ambiental (para covariables ambientales): modelos basados en la clasicacin, modelos basados en diagramas de rbol y modelos de regresin (GLMs y GAMs).
distancia: calcula una media ponderada de puntos en el vecindario (el global, por defecto), utilizando pesos inversos proporcional a la distancia de las localizaciones de los datos respecto a la localizacin de las predicciones, elevadas a la potencia p (2, por defecto).
Regresin
Kriging
Ejemplo
Example
data(meuse). Comparacin de las tcnicas de prediccin espacial con los datos del rio Mosa: kriging ordinario (ok) y regresin-kriging (rk), modelo GLM (glm), interpolacin por distancia inversa (id), regresin con las coordenadas (trend, tr) y regersin lineal (lm).
Example
rbol de decisin para seleccionar un modelo de prediccin espacial adecuado, basado en la estimacin del modelo.
media del error de prediccin (ME), raz cuadrada del error de prediccin (RMSE), estandarizados (RMNSE, etc.). validacin cruzada: k-fold, leave one out (LOO), jacknife. estadsticos kappa. Example
leave one out: Consiste en sacar un punto de la muestra y estimar con Kriging el valor en ese punto usando el modelo de variograma obtenido. anloga se acta para el resto de los elementos de la muestra.
De forma
Como
Resumen
Caractersticas
El objetivo es la construccin del vecindario, estimar los pesos asociados a l y medir la autocorrelacin espacial. Para abordar estos temas dividiremos la seccin en 3 partes:
1
Vecindario espacial: vecindario por contiguidad, vecindario basado en grafos (triangulacin Delauney, Gabriel, etc.), vecindario basado en distancias, vecindario por grillas, otros.
Pesos espaciales: generales, importados de otros software. Utilizacin de los pesos para simular la autocorrelacin espacial.
Pruebas de autocorrelacin. Test globales: I de Moran, C de Geary, G de Getis-Ord, Test de Mantel del producto cruzado. Test locales: adaptacin de los anteriores a nivel local.
Example
Casos de leucemia en 19781982, en Syracuse (Waller and Gotway, 2004; Bivand et al. 2007): (izquierda) vecindario por contiguidad, (derecha) vecindario basado en grafos (triangulacin Delauney, Gabriel, etc.).
moran.test() #Coeficiente I de Moran (1950) geary.test() #Coeficiente C de Geary (1954) globalG.test() #Coeficiente G de Getis-Ord sp.mantel.mc() #Test de Mantel espacial de producto cruzado.
Locales:
(LISA)
Autocorrelacin global
Coeciente I de Moran (1950):
[-1, 1]
Los valores positivos indican la existencia de autocorrelacin positiva mientras que los valores negativos la presencia de autocorrelacin negativa. El valor esperado ante la ausencia de autocorrelacin espacial es prximo a cero. Problemas: pocos datos o comportamiento no estacionario.
[0, 2]
El valor 0 es el mximo de autocorrelacin positiva, y el 2 indica fuerte autocorrelacin negativa. En ausencia de autocorrelacin el valor esperado Este coeciente mide directamente la diferencia entre los valores de la variable en dos localidades, de manera que el grado de autocorrelacin espacial est basado en estas diferencias en funcin de la distancia. Problemas: pocos datos.
Signicacin y correlograma
Signicacin de los coecientes
Podemos estandarizar los valores de los estadsticos y compararlo con la distribucin normal para encontrar la probabilidad del estadstico observado bajo la hiptesis nula de independencia espacial para los pesos elegidos. Tambin podemos realizar aleatorizacin mediante Monte Carlo o boostrap.
Correlogramas
Podemos calcular los coecientes anteriores para cada intervalo de distancia y gracarlos. De esta manera, y al contrario de lo que ocurre con el test de Mantel, no se asume previamente la escala espacial de la estructura. Cuando los valores son positivos a corta distancia y luego muestran una marcada uctuacin alrededor del valor esperado, el correlograma indica la existencia de un proceso marcado por la existencia de parches ( patchiness ). El correlograma de la c de Geary tiene una forma inversa al correlograma de la I de Moran.
Autocorrelacin local
La existencia de pequeas reas de heterogeneidad espacial de carcter local puede quedar enmascarada por la utilizacin de un solo coeciente medio de autocorrelacin o una serie de coecientes medios calculados a diferentes distancias (correlogramas; Fortin y Dale, 2005). Por ello, conviene tambin usar estadsticos de autocorrelacin locales (versin de los anteriores).
Example
(izquierda) Correlograma de I de Moran global para 8 lags, (derecha) I de Moran local para la ciudad de Binghampton: supuesto de normalidad, valores exactos e hiptesis de riesgo contante. Casos de leucemia en Syracuse (Waller and Gotway, 2004; Bivand et al. 2007).
Test de Mantel
Es un estadstico de la correlacin entre dos o tres matrices. Las muestras que son similares en ambiente tambin lo son en su ecologa? las muestras que estn cercanas son similiares en ecologa?
las muestras que son similares en ambiente tambin lo son en su ecologa, dada una estructura espacial en el ambiente? las muestras que estn cercanas son similiares en ecologa luego de dar cuenta del ambiente?
Modelado
Podemos modeladar la estructura espacial de dependencia mediante: ltrado espacial con vectores propios de Moran, regresin ponderada geogrcamente, modelos SAR o CAR, o por modelos GAM, GEE, GLMM.
lm.morantest() # Regresin con I de Moran Global para los residuos gwr.sel(); gwr # regersin ponderada geogrficamente spautolm() # Modelos autoregresivos simultneos (SAR) lm(..., weigths=tam) # Regresin lineal ponderada por la inversa del tamao poblacional, por ej. spautolm(..., family=CAR) # Modelos autorregresivos condicionales (CAM)
Resumen
Example
Piquer-Rodriguez et. al. 2011. Future land use eects on the connectivity of protected area networks in Southeastern Spain. Journal for Nature Conservation. in press.
Example
Podemos trabajar con paisajes fragmentados y calcular estadsiticos de parches, clases de parches o del paisaje. El paquete
SDMTools
Visin nal