贝叶斯地理统计模型R-INLA-3

这篇具有很好参考价值的文章主要介绍了贝叶斯地理统计模型R-INLA-3。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

Prediction

上一期我们介绍了如何来评估INLA模型,因为空间位置点的预测需要验证。那整个流程走完以后,最后一步就是对其他地区进行预测。

我们可以通过计算新位置的投影矩阵,然后将投影矩阵乘以空间场值,将这些值投影到不同的位置。例如,我们可以如下计算矩阵newloc中位置处的空间场的后均值:

A test

# projector
newloc <- cbind(c(-90, -78, 18), c(20, 20, 10))
Aproj <- inla.spde.make.A(Mesh, loc = newloc)
a=Aproj %*% fit$summary.random$w$mean
a

    [,1] [,2]
[1,]  -90   20
[2,]  -78   20
[3,]   18   10

研究区域的空间grid

使用inla.mesh.projector()inla.mesh.project()函数在不同位置投影空间场值。首先,我们需要使用inla.mesh.projector()函数为新位置计算投影矩阵。我们可以在参数loc中指定位置,也可以通过指定参数xlimylimdims在网格上计算位置。例如,我们使用inla.mesh.projector()计算覆盖网格区域的网格上500 x 500个位置的投影矩阵。

然后,我们使用inla.mesh.project()函数将在网格节点处计算上述空间网格点上对应的均值与标准差。然后使用expand.grid()函数组合proj $ xproj $ y来获得网格位置的坐标。

rang <- apply(Mesh$loc[, c(1, 2)], 2, range)
proj <- inla.mesh.projector(Mesh,
                            xlim = rang[, 1], ylim = rang[, 2],
                            dims = c(500, 500))

mean_s <- inla.mesh.project(proj, fit$summary.random$w$mean)
sd_s <- inla.mesh.project(proj, fit$summary.random$w$mean)

df <- expand.grid(x = proj$x, y = proj$y)
df$mean_s <- as.vector(mean_s)

绘图

这里只展示如何绘制mean,并且将grid数据框转换成raster格式,就可以利用图层进行crop与mask

ggplot(df, aes(x = x, y = y, fill = mean_s)) +
  geom_raster() +
  coord_fixed(ratio = 1) + theme_bw()
  
# to raster
library(raster)
dfr <- rasterFromXYZ(df)  #Convert first two columns as lon-lat and third as value                
plot(dfr)

image.png

image.png

这里展示的仅仅是降雨量数据预测,后面还需要涉及到回归参数的纳入。
当然预测出了系数,需要考虑影响因素效应,未完待续。

参考

1.Geostatistical data
2.Spatial analysis of geotagged data
3.Spatial and spatio-temporal models with INLA
文章来源地址https://www.toymoban.com/news/detail-784727.html

到了这里,关于贝叶斯地理统计模型R-INLA-3的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • python机器学习——分类模型评估 & 分类算法(k近邻,朴素贝叶斯,决策树,随机森林,逻辑回归,svm)

    交叉验证:为了让被评估的模型更加准确可信 交叉验证:将拿到的数据,分为训练和验证集。以下图为例:将数据分成5份,其中一份作为验证集。然后经过5次(组)的测试,每次都更换不同的验证集。即得到5组模型的结果,取平均值作为最终结果。又称5折交叉验证。 通常情

    2024年02月03日
    浏览(65)
  • 【Chatgpt4 教学】 NLP(自然语言处理)第九课 朴素贝叶斯分类器的工作原理 机器学习算法

    我在起,点更新NLP自然语言处理==》《 王老师带我成为救世主 》 为啥为它单独开章,因为它值得,它成功的让我断了一更,让我实践了自上而下找能够理解的知识点,然后自下而上的学习给自己的知识升级,将自己提升到能够解决当前遇到的问题的水平。 (1)--------------

    2023年04月15日
    浏览(49)
  • 贝叶斯统计学派(先验,似然,后验),以Beta分布和Dirichlet-multinomial模型为例

    在计算后验分布前,从先验分布 p ( θ ) p(boldsymbol{theta}) p ( θ ) 开始。先验分布反映了我们在看到具体数据前对参数的认知。似然函数 p ( D ∣ θ ) p(mathcal{D} mid boldsymbol{theta}) p ( D ∣ θ ) 反映的是在 θ boldsymbol theta θ 下观测事件发生的概率。运用条件分布的贝叶斯公式,我

    2024年02月04日
    浏览(39)
  • 概率论与数理统计学习笔记(7)——全概率公式与贝叶斯公式

    下图是本文的背景内容,小B休闲时间有80%的概率玩手机游戏,有20%的概率玩电脑游戏。这两个游戏都有抽卡环节,其中手游抽到金卡的概率为5%,端游抽到金卡的概率为15%。已知小B这天抽到了金卡,那么请问他是在手机上抽到的还是在电脑上抽到的? 上述问题中,我们先考

    2024年02月09日
    浏览(39)
  • 什么是机器学习?监督学习的定义、概率论的基本概念以及模型选择、过拟合与欠拟合的问题。常见的监督学习算法,包括朴素贝叶斯(Naive Bayes)、决策树(Decision Tree)支持向量机随机森林

    作者:禅与计算机程序设计艺术 什么是机器学习?从定义、发展历程及目前的状态来看,机器学习由3个主要分支组成:监督学习(Supervised Learning),无监督学习(Unsupervised Learning)和强化学习(Reinforcement Learning)。这三类学习都可以使计算机系统根据输入数据自动分析和改

    2024年02月09日
    浏览(52)
  • 机器学习算法——贝叶斯分类器3(朴素贝叶斯分类器)

    基于贝叶斯公式来估计后验概率P(c|x)的主要困难在于:类条件概率P(x|c)是所有属性上的联合概率,难以从有限的训练样本直接估计而得。 为避开这个障碍,朴素贝叶斯分类器(Naive Bayes classfier)采用了“ 属性条件独立性假设 ”:对已知类别,假设所有属性相互独立。换句话

    2023年04月22日
    浏览(56)
  • 机器学习朴素贝叶斯笔记

    朴素贝叶斯(Naive Bayes)是一种基于贝叶斯定理和特征独立性假设的简单但有效的分类算法。它常用于文本分类、垃圾邮件过滤和情感分析等任务。下面我将详细解释朴素贝叶斯的原理和步骤。 首先,我们需要了解几个重要的概念: 贝叶斯定理(Bayes\\\' theorem):贝叶斯定理是

    2024年02月15日
    浏览(38)
  • 机器学习--朴素贝叶斯分类器

    第1关:条件概率 什么是条件概率 概率指的是某一事件 A 发生的可能性,表示为 P(A) 。而条件概率指的是某一事件 A 已经发生了条件下,另一事件 B 发生的可能性,表示为 P(B|A) ,举个例子: 今天有 25% 的可能性下雨,即 P(下雨)=0.25 ; 今天 75% 的可能性是晴天,即 P(晴天)=0.7

    2024年02月08日
    浏览(60)
  • 【AI】机器学习——朴素贝叶斯

    用于解决分类问题:将连续取值输入映射为离散取值的输出 解决分类问题的依据是数据的属性 利用后验概率选择最佳分类,后验概率通过贝叶斯定理求解 朴素贝叶斯假定所有属性相互独立,基于这一假设将类条件概率转化为属性条件概率的乘积 朴素贝叶斯方法可以使期望风

    2024年02月09日
    浏览(40)
  • 【机器学习笔记】4 朴素贝叶斯

    贝叶斯分类 贝叶斯分类是一类分类算法的总称,这类算法均以贝叶斯定理为基础,故统称为贝叶斯分类。 朴素贝叶斯分类是这一类算法中最简单的较为常见的算法。 先验概率 根据以往经验和分析得到的概率。我们用𝑃(𝑌)来代表在没有训练数据前假设𝑌拥有的初始概率。

    2024年02月19日
    浏览(43)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包