Mais

Interpretando semivariograma com alto efeito pepita?

Interpretando semivariograma com alto efeito pepita?


Fiz um semivariograma em R usando o pacote gstat,variograma ()função. Quero ver se há autocorrelação espacial nos resíduos do meu modelo (abundância de espécies em função do habitat, em locais espaçados de alguns km a 900 km, usando um glmm).

Minhas unidades estão em km e, portanto, minha interpretação é que o alcance é pouco mais de 100 km até que a autocorrelação espacial não seja mais um "problema". Estou me perguntando se alguém pode explicar por que a pepita parece tão alta? Isso significa que, mesmo em locais semelhantes, ainda há um grau relativamente alto de diferença? Ou esse variograma ondulado significa que devo ajustar meu número de defasagens e distância de retardo até obter uma forma mais típica?

Para investigar um pouco mais a fundo, também usei a funçãovariog ()no pacote geoR, e usadoquebras = seq (0,100,10), para tentar olhar apenas para as distâncias mais próximas (usando os mesmos pontos e os mesmos resíduos do modelo). Este indica que os pontos mais próximos são mais diferentes, o que também não faz sentido. Talvez isso indique que não há autocorrelação espacial e que meu modelo já dá conta disso.

Eu encontrei esta excelente fonte, "Geostats sem lágrimas", e na página 51 há alguns bons conselhos sobre como ajustar variogramas. Por este conselho, meu primeiro parece ter o intervalo correto. Portanto, isso volta à primeira pergunta - como posso interpretar isso?


Estou me perguntando se alguém pode explicar por que a pepita parece tão alta? Isso significa que, mesmo em locais semelhantes, ainda há um grau relativamente alto de diferença?

Sim, um alto efeito pepita (alta semivariância na origem) indica que há uma dependência espacial fraca (ou nenhuma) (autocorrelação) entre os dados de amostra em pequenas distâncias. Pode ser o caso da estrutura de dados ter um intervalo mais curto do que o intervalo de amostragem, mas a segunda imagem parece indicar que também não é o caso.


Assista o vídeo: Performing Variogram Kriging Prediction using R