Skip to content

Mandatory work for Introduction to Geostatistics course on University of Buenos Aires (UBA)

Notifications You must be signed in to change notification settings

guzmanlopez/IntroductionToGeostatistics

Repository files navigation

Introducción a la Geoestadística

"Evaluación del curso Introducción a la Geoestadística"

autor: Guzmán López

fecha: 30 de noviembre de 2016


-> El trabajo consta de un informe explicativo (Examen-Introduccion-a-la-geoestadistica.pdf) donde se muestra el código utilizado, las salidas del programa y las respuestas a cada una de las preguntas. Se sugiere seguir este archivo o bien el que tiene formato html.

-> La misma información puede ser consultada a través del archivo Examen-Introduccion-a-la-geoestadistica.html (se requiere navegador web).

-> En la carpeta data están todos los datos utilizados: los datos originales en planilla excel, los datos convertidos a planilla de texto (.csv) y todos los objetos generados durante la ejecución del código en R guarados en formato nativo de R (.RData).

-> El archivo "Examen-Introduccion-a-la-geoestadistica.Rmd" es el responsable de ejecutar el código y generar los informes de salida en formato pdf y html.

-> El archivo script.R es todo el código mostrado en el informe junto y los comentarios realizados como comentarios en un script (texto, sin formatos).


Consigna

Se adjunta un archivo de datos espaciales de rinde de maíz y covariables ambientales para un lote de la región Pampeana para dos campañas agrícolas. El archivo está en formato de planilla de cálculo, con 2310 registros organizados en ocho campos/variables: Identificador, coordenadas planares UTM20S, cota topográfica o elevación del terreno, profundidad de napa en floración para primera y segunda campaña (C1 y C2) y rendimiento de maíz en t/ha para la primera y segunda campaña. Los datos de rinde fueron obtenidos mediante monitores montados a cosechadoras y la profundidad de napa fue estimada a partir de la integración de datos en pozos de observación, modelos de simulación hidrodinámicos del acuífero y modelos digitales de elevación del terreno.

Ambiente de trabajo en R

En esta sección se establecieron y describen las características del ambiente de trabajo en R que fueron necesarias para poder comenzar a responder a las preguntas de la evaluación.

Información de la sesión

## R version 3.3.2 (2016-10-31)
## Platform: x86_64-pc-linux-gnu (64-bit)
## Running under: Antergos Linux
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## other attached packages:
## [1] RevoUtilsMath_10.0.0
## 
## loaded via a namespace (and not attached):
##  [1] backports_1.0.4  magrittr_1.5     RevoUtils_10.0.2 rprojroot_1.1   
##  [5] tools_3.3.2      htmltools_0.3.5  yaml_2.1.14      Rcpp_0.12.8     
##  [9] stringi_1.1.2    rmarkdown_1.2    knitr_1.15.1     stringr_1.1.0   
## [13] digest_0.6.10    evaluate_0.10

Se utilizó el Ambiente de Desarrollo Integrado (IDE) de RStudio (version 0.99.903) para R.

Librerias utilizadas

Se cargaron todas las librerías que fueron utilizadas para la realización de este trabajo.

# Geoestadística
library('gstat')
library('geoR')
library('geoRglm')

# Objetos espaciales
library('sp')

# Algunos estadísticos
library('moments')

# Reestructurar datos
library('reshape2')

# Transformaciones Box-Cox
library('forecast')

# Autocorrelaciones - Indices de Moran y Geary
library('ncf')

# Dependencia espacial
library('spdep')

# Akaike
library('MASS')

# Importancia relativa predictores
library('relaimpo')

# Gráficos

# Versión dev de ggplot2, requiere:
# devtools::install_github("hadley/scales")
# devtools::install_github("tidyverse/ggplot2")
library('ggplot2')
library('ggplot2')
library('gridExtra')
library('corrgram') # correlogramas

# Escalas de colores
library('RColorBrewer')

Cargar datos

Se cargaron en R los datos espaciales de rinde de maíz y covariables ambientales para un lote de la región Pampeana para dos campañas agrícolas. Para ello, el archivo original en formato Hoja de cálculo de Microsoft Excel (DataExamenGeo16.xlsx) fue convertido a un Documento de texto plano (DataExamenGeo16.csv). Para la conversión se mantuvieron las cabeceras originales, se asignó como delimitador de campos la coma (,) y el punto (.) como separador decimal y se asignó una extensión de archivo de tipo .csv (valores separados comas).

# Cargar datos
datosRindeMaiz <- read.csv(file = "data/DataExamenGeo16.csv", header = TRUE, 
                           sep = ",", dec = ".")

# Mostrar las primeras seis filas
head(datosRindeMaiz)
##   ID      Lat     Long   Elev NapaDicC1 NapaDicC2  maizC1 maizC2
## 1  1 3913.263 16153.52 245.99      4.98      4.38  6.8833 4.1816
## 2  2 3933.332 16153.53 245.90      4.85      4.25  9.1300 6.4079
## 3  3 3953.291 16153.54 245.59      4.50      3.90  7.6300 6.2962
## 4  4 3973.250 16153.56 245.48      4.34      3.74  7.5800 6.9209
## 5  5 3993.319 16153.57 245.34      4.16      3.56  9.3425 7.3573
## 6  6 4013.278 16153.58 245.23      4.01      3.41 10.4800 7.1703

Los datos rendimiento de maíz (maizC1 y maizC2) y covariables ambientales (Elev, NapaDicC1 y NapaDicC2) fueron de tipo variables continuas. Mientras que el espacio fue de dos dimensiones dado por $x = { Long, Lat }$.

Crear objeto espacial (SpatialPointsDataFrame)

El objeto datosRindeMaiz de tipo data.frame fue transformado a un objeto espacial de tipo SpatialPointsDataFrame asignando las columnas Long y Lat como las coordenadas del objeto.

coordinates(datosRindeMaiz) <- c("Long", "Lat")

Asignar Sistema de Coordenadas de Referencia (CRS)

Dado que se utilizó un Sistema de Coordenadas de Referencia relativo, se asignó al objeto datosRindeMaiz un Sistema de Coordenadas de Referencia vacío.

proj4string(datosRindeMaiz) <- CRS(as.character(NA))

Respuesta 1

  1. Realice un análisis descriptivo exhaustivo para evaluar los supuestos distribucionales del rinde para ambas campañas, la existencia de cambios en la media dentro del lote y la presencia de valores atípicos. Justifique todas las decisiones que tome respecto de los datos originales.

Estructura y resumen de los datos

El objeto datosRindeMaiz posee:

  1. un objeto de clase data.frame llamado data con los atributos de los datos de rinde de maíz sin las coordenadas (2310 observaciones y 6 variables: ID, Elev, NapaDicC1, NapaDicC2, maizC1, maizC2)
  2. un objeto de clase integer llamado coords.nrs con dos valores que significan el número de columna del data.frame original del que se tomaron los datos de las coordenadas
  3. un objeto de clase matrix llamado coords de 2310 filas por 2 columnas con las coordenadas (Long y Lat)
  4. un objeto de clase matrix llamado bbox de 2 filas por 2 columnas con los límites espaciales (Long min, Long max, Lat min y Lat max)
  5. un objeto de clase CRS llamado proj4string con el Sistema de Coordenadas de Referencia
str(datosRindeMaiz)
## Formal class 'SpatialPointsDataFrame' [package "sp"] with 5 slots
##   ..@ data       :'data.frame':	2310 obs. of  6 variables:
##   .. ..$ ID       : int [1:2310] 1 2 3 4 5 6 7 8 9 10 ...
##   .. ..$ Elev     : num [1:2310] 246 246 246 245 245 ...
##   .. ..$ NapaDicC1: num [1:2310] 4.98 4.85 4.5 4.34 4.16 4.01 3.93 3.8 3.69 3.59 ...
##   .. ..$ NapaDicC2: num [1:2310] 4.38 4.25 3.9 3.74 3.56 3.41 3.33 3.2 3.09 2.99 ...
##   .. ..$ maizC1   : num [1:2310] 6.88 9.13 7.63 7.58 9.34 ...
##   .. ..$ maizC2   : num [1:2310] 4.18 6.41 6.3 6.92 7.36 ...
##   ..@ coords.nrs : int [1:2] 3 2
##   ..@ coords     : num [1:2310, 1:2] 16154 16154 16154 16154 16154 ...
##   .. ..- attr(*, "dimnames")=List of 2
##   .. .. ..$ : NULL
##   .. .. ..$ : chr [1:2] "Long" "Lat"
##   ..@ bbox       : num [1:2, 1:2] 16154 3913 17233 4733
##   .. ..- attr(*, "dimnames")=List of 2
##   .. .. ..$ : chr [1:2] "Long" "Lat"
##   .. .. ..$ : chr [1:2] "min" "max"
##   ..@ proj4string:Formal class 'CRS' [package "sp"] with 1 slot
##   .. .. ..@ projargs: chr NA

Descripción de la variación

Distribución de frecuencias

Para ilustrar como la distribución de los datos de cada variable se ubica con respecto a su mediana o para identificar valores extremos se realizaron Histogramas y Diagramas de cajas para cada una de las variables.

# Ver histogramas de las variables
ggDatosRindeMaiz <- ggplot(data = datosRindeMaiz@data)

# Maíz C1
ggHistMaizC1 <- ggDatosRindeMaiz +
  geom_histogram(aes(x = datosRindeMaiz$maizC1),
                 binwidth = 0.5, fill = "orange", col = "white", alpha = 0.8) +
  labs(title = "", x = "Rendimiento maíz (t/ha)", y = "Frecuencia") + 
  scale_x_continuous(limits = c(0, 18), breaks = seq(0, 18, 2)) + 
  scale_y_continuous(limits = c(0, 325), breaks = seq(0, 325, 50)) + 
  theme(plot.margin = unit(c( -1, 1, 1, 1), "mm"))

ggBoxPlotMaizC1 <- ggDatosRindeMaiz +
  geom_boxplot(aes(y = datosRindeMaiz$maizC1, 
                   x = rep("RM", length(datosRindeMaiz$maizC1))), 
               fill = "orange", col = "black", alpha = 0.8) + 
  labs(title = "C1", x = "", y = "") + 
  scale_y_continuous(limits = c(0, 18), breaks = seq(0, 18, 2), position = "top") +
  theme(plot.margin = unit(c(1, 1, -1, 1), "mm")) +
  coord_flip()

# Napa C1
ggHistNapaDicC1 <- ggDatosRindeMaiz +
  geom_histogram(aes(x = datosRindeMaiz$NapaDicC1), 
                 binwidth = 0.25, fill = "darkblue", col = "white", alpha = 0.7) +
  labs(title = "", x = "Profundidad napa (m)", y = "Frecuencia") + 
  scale_x_continuous(limits = c(1.5, 6.75), breaks = seq(1.5, 6.75, 1)) + 
  scale_y_continuous(limits = c(0, 350), breaks = seq(0, 350, 50)) +
  theme(plot.margin = unit(c( -1, 1, 1, 1), "mm"))

ggBoxPlotNapaDicC1 <- ggDatosRindeMaiz +
  geom_boxplot(aes(y = datosRindeMaiz$NapaDicC1, 
                   x = rep("PN", length(datosRindeMaiz$NapaDicC1))), 
               fill = "darkblue", col = "black", alpha = 0.7) + 
  labs(title = "C1", x = "", y = "") + 
  scale_y_continuous(limits = c(1.5, 6.75), 
                     breaks = seq(1.5, 6.75, 1), position = "top") + 
  theme(plot.margin = unit(c(1, 1, -1, 1), "mm")) +
  coord_flip()

# Maíz C2
ggHistMaizC2 <- ggDatosRindeMaiz +
  geom_histogram(aes(x = datosRindeMaiz$maizC2), 
                 binwidth = 0.5, fill = "orange", col = "white", alpha = 0.8) +
  labs(title = "", x = "Rendimiento maíz (t/ha)", y = "Frecuencia") + 
  scale_x_continuous(limits = c(0, 18), breaks = seq(0, 18, 2)) +
  scale_y_continuous(limits = c(0, 325), breaks = seq(0, 325, 50)) +
  theme(plot.margin = unit(c( -1, 1, 1, 1), "mm"))

ggBoxPlotMaizC2 <- ggDatosRindeMaiz +
  geom_boxplot(aes(y = datosRindeMaiz$maizC2, 
                   x = rep("RM", length(datosRindeMaiz$maizC2))), 
               fill = "orange", col = "black", alpha = 0.8) + 
  labs(title = "C2", x = "", y = "") + 
  scale_y_continuous(limits = c(0, 18), 
                     breaks = seq(0, 18, 2), position = "top") +
  theme(plot.margin = unit(c(1, 1, -1, 1), "mm")) +
  coord_flip()

# Napa C2
ggHistNapaDicC2 <- ggDatosRindeMaiz +
  geom_histogram(aes(x = datosRindeMaiz$NapaDicC2), 
                 binwidth = 0.25, fill = "darkblue", col = "white", 
                 alpha = 0.7) +
  labs(title = "", x = "Profundidad napa (m)", y = "Frecuencia") + 
  scale_x_continuous(limits = c(1.5, 6.75), breaks = seq(1.5, 6.75, 1)) + 
  scale_y_continuous(limits = c(0, 350), breaks = seq(0, 350, 50)) + 
  theme(plot.margin = unit(c( -1, 1, 1, 1), "mm"))

ggBoxPlotNapaDicC2 <- ggDatosRindeMaiz +
  geom_boxplot(aes(y = datosRindeMaiz$NapaDicC2, 
                   x = rep("PN", length(datosRindeMaiz$NapaDicC2))), 
               fill = "darkblue", col = "black", alpha = 0.7) + 
  labs(title = "C2", x = "", y = "") + 
  scale_y_continuous(limits = c(1.5, 6.75), 
                     breaks = seq(1.5, 6.75, 1), position = "top") +
  theme(plot.margin = unit(c(1, 1, -1, 1), "mm")) +
  coord_flip()

# Elevación
ggHistElev <- ggDatosRindeMaiz +
  geom_histogram(aes(x = datosRindeMaiz$Elev), 
                 binwidth = 0.2, fill = "darkred", col = "white", alpha = 0.7) +
  labs(title = "", x = "Elevación (m)", y = "Frecuencia") + 
  scale_x_continuous(limits = c(241.5, 247.5), breaks = seq(240, 248, 1)) + 
  scale_y_continuous(limits = c(0, 275), breaks = seq(0, 275, 50)) + 
  theme(axis.text.x = element_text(angle = 45, hjust = 1), 
        plot.margin = unit(c( -1, 1, 1, 1), "mm"))

ggBoxPlotElev <- ggDatosRindeMaiz +
  geom_boxplot(aes(y = datosRindeMaiz$Elev, 
                   x = rep("EL", length(datosRindeMaiz$Elev))), 
               fill = "darkred", col = "black", alpha = 0.7) + 
  labs(title = "", x = "", y = "") + 
  scale_y_continuous(limits = c(241.5, 247.5), 
                     breaks = seq(240, 248, 1), position = "top") + 
  theme(plot.margin = unit(c(1, 1, -1, 1), "mm")) + 
  coord_flip()

# Ver plot 
grid.arrange(ggBoxPlotMaizC1, 
             ggHistMaizC1, 
             ggBoxPlotMaizC2, 
             ggHistMaizC2, 
             ggBoxPlotNapaDicC1, 
             ggHistNapaDicC1, 
             ggBoxPlotNapaDicC2, 
             ggHistNapaDicC2, 
             ggBoxPlotElev, 
             ggHistElev, 
             ncol = 3, nrow = 4, 
             layout_matrix = cbind(c(1,2,3,4), c(5,6,7,8), c(9,10,10,10)), 
             widths = c(1, 1, 1), heights = c(1, 3, 1, 3))

Se observó para los datos de rendimiento de maíz que el valor de la mediana fue mayor para la campaña 1 que para la campaña 2 y que la dispersión de valores entorno a la mediana fue mayor para la campaña 1 que para la campaña 2. Por otro lado, la frecuencia de valores de rendimiento de maíz por debajo de la mediana fue mayor para la campaña 2 que para la campaña 1 y la frecuencia de valores de rendimiento de maíz por encima de la mediana fue mayor para la campaña 1 que para la campaña 2. Se observaron valores extremos de rendimiento de maíz mayores y menores a la mediana para la campaña 1 y solo menores a la mediana para la campaña 2.

Para los datos de la profundidad de napa se observó que el valor de la mediana fue mayor para la campaña 1 que para la campaña 2 y que la dispersión de valores entorno a la mediana y la frecuencia de valores mayores y menores a la mediana fue semejante para ambas campañas. En ambas campañas se observaron valores extremos mayores a la mediana.

Para los datos de elevación se observó dispersión de valores entorno a la mediana y la frecuencia entre valores mayores y menores a la mediana fue semejante. No se observaron valores extremos para la elevación.

Tendencia central y dispersión

Para analizar cuantitativamente el rango, la tendencia central y la dispersión de los datos de rendimiento de maíz y covariables ambientales se creó una función personalizada llamada ResumenEstadisticas. Además se incluyó que dicha función retorne el tipo de clase de la variable en R y la cantidad de celdas vacías (NA).

ResumenEstadisticas <- function(df) {
  
  # Número de columnas del data.frame
  ncol = ncol(df)
  
  # Estadísticas
  maximo = numeric()
  minimo = numeric()
  
  media = numeric()
  mediana = numeric()
  moda = vector()
  
  varianza = numeric()
  desvioEstandar = numeric()
  cv = numeric()
  asimetria = numeric()
  kurtosis = numeric()
  
  NAs = numeric()
  clases = character()
  
  # Función para calcular la moda
  Moda <- function(x) {
    ux = unique(x)
    ux[which.max(tabulate(match(x, ux)))]
    }
  
  # Iteración que recorre todas las columnas del data.frame
  for(i in 1:ncol) {
    
    # Condición de que la columna para las estadísticas tenga que ser numérica 
    if(is.numeric(df[,i])) {
      
      mediana[i] = median(df[,i], na.rm = TRUE)
      media[i] = mean(df[,i], na.rm = TRUE)
      moda[i] = Moda(x = df[,i])
      varianza[i] = var(df[,i], na.rm = TRUE)
      desvioEstandar[i] = sd(df[,i], na.rm = TRUE)
      cv[i] = 100 * (sd(df[,i], na.rm = TRUE) / mean(df[,i], na.rm = TRUE))
      asimetria[i] = moments::skewness(df[,i], na.rm = TRUE)
      kurtosis[i] = moments::kurtosis(df[,i], na.rm = TRUE)
      minimo[i] = min(df[,i], na.rm = TRUE)
      maximo[i] = max(df[,i], na.rm = TRUE)
      NAs[i] = length(which(is.na(df[,i]) == TRUE))
      clases[i] = class(df[,i])
      
    } 
    
    # En caso de que no sea de tipo numérica asignar NAs a las 
    #  estadísticas pero calcular el número de NAs y tipo de datos
    else {
      
      mediana[i] = NA
      media[i] = NA
      moda[i] = Moda(x = df[,i])
      varianza[i] = NA
      desvioEstandar[i] = NA
      cv[i] = 100 * NA
      asimetria[i] = NA
      kurtosis[i] = NA
      minimo[i] = NA
      maximo[i] = NA
      NAs[i] = length(which(is.na(df[,i]) == TRUE))
      clases[i] = class(df[,i])
      
    }
  } 
  
  # Generar data.frame con todas las estadísticas
  summary = data.frame("mínimo" = minimo,
                       "máximo" = maximo,
                       "media" = media,
                       "mediana" = mediana,
                       "moda" = moda,
                       "varianza" = varianza,
                       "ds" = desvioEstandar,
                       "cv" = cv,
                       "asimetría" = asimetria,
                       "kurtosis" = kurtosis,
                       "NAs" = NAs,
                       "clase" = clases)
  
  # Asignar el nombre de las variables (columnas) 
  # como nombre de las filas para el objeto de salida
  rownames(summary) <- colnames(df)
  
  # Retorno de la función
  return(summary)
  
}

Se llamó a la función ResumenEstadisticas pasando como parámetro el data.frame llamado data contenido en el objeto espacial datosRindeMaiz y se asignó el retorno de la función a un nuevo objeto llamado resumenDatosRindeMaiz. Además, se imprimió en consola el resultado de la ejecución del comando.

# Crear objeto con las principales estadísticas y mostrarlo en consola
(resumenDatosRindeMaiz <- ResumenEstadisticas(df = datosRindeMaiz@data))
##             mínimo    máximo       media    mediana    moda     varianza
## ID          1.0000 2310.0000 1155.500000 1155.50000   1.000 4.448675e+05
## Elev      241.9100  247.5000  244.310848  244.26000 242.770 1.560964e+00
## NapaDicC1   2.1200    6.6600    4.070797    3.98000   3.690 7.859209e-01
## NapaDicC2   1.6300    6.0600    3.442294    3.31000   3.030 7.373578e-01
## maizC1      0.9800   17.0850    9.134139    8.85935   7.000 7.433428e+00
## maizC2      1.9381   12.2521    7.552832    7.99375   9.402 3.309716e+00
##                    ds         cv  asimetría kurtosis NAs   clase
## ID        666.9838829 57.7225342  0.0000000 1.800000   0 integer
## Elev        1.2493853  0.5113916  0.2129448 2.135257   0 numeric
## NapaDicC1   0.8865218 21.7776002  0.1903320 2.875718   0 numeric
## NapaDicC2   0.8586954 24.9454385  0.4559732 2.906922   0 numeric
## maizC1      2.7264314 29.8488072  0.3713567 2.693631   2 numeric
## maizC2      1.8192624 24.0871547 -0.5174745 2.397373   0 numeric
# Marcar celdas vacías
NAs <- which(is.na(datosRindeMaiz$maizC1))

A través del objeto resumenDatosRindeMaiz fue posible obtener el/los estadístico/s necesarios. Por ejemplo:

  1. Obtener el valor de la mediana del Rendimiento del maíz para la Campaña 1
# Ejemplo 1
(resumenDatosRindeMaiz["maizC1", "mediana"])
## [1] 8.85935
  1. Obtener los valores de mínimo y máximo de la Elevación
# Ejemplo 2
(resumenDatosRindeMaiz["Elev", c("mínimo","máximo")])
##      mínimo máximo
## Elev 241.91  247.5

Se observaron dos celdas vacías para los datos de rendimiento de maíz de la campaña 2. Todas las variables fueron de tipo numéricas a excepción de la variable identificadora ID que fue un entero.

Tendencia central

Los valores de la media ($\overline{z}$) y la mediana ($Md$) del rendimiento de maíz ($Rm$) para la campaña 1 fueron mayores que para la campaña 2 ($\overline{z}{Rm1} = 9.13 \ {t}.{ha}^{-1}$, $Md{Rm1} = 8.86 \ {t}.{ha}^{-1}$ y $\overline{z}{Rm2} = 7.55 \ {t}.{ha}^{-1}$, $Md{Rm2} = 7.99 \ {t}.{ha}^{-1}$) mientras que el valor de la moda ($Mo$) fue de $Mo_{Rm1} = 7.00 \ {t}.{ha}^{-1}$ y $Mo_{Rm1} = 9.40 \ {t}.{ha}^{-1}$ respectivamente.

Los valores de la media y la mediana de la profundidad de la napa ($Pn$) para la campaña 1 ($\overline{z}{Pn1} = 4.07 \ m$, $Md{Pn1} = 3.98 \ m$) fueron mayores que para la campaña 2 ($\overline{z}{Pn2} = 3.44 \ m$, $Md{Pn2} = 3.31 \ m$) mientras que el valor de la moda fue de $3.69 \ m$ y $3.03 \ m$ respectivamente.

Los valores de la media, la mediana y la moda para la elevación fueron de $\overline{z}{Ele} = 244.31 \ m$, $Md{Ele} 244.26 \ m$ y $Mo_{Ele} 242.77 \ m$ respectivamente.

Dispersión

El rango (${R} = x_{min},x_{max}$) de la variable del rendimiento de maíz para la campaña 1 fue mayor y con valores más altos y más bajos que para la campaña 2 ($R_{Rm1} = 0.9800 \ {t}.{ha}^{-1},\ 17.0850 \ {t}.{ha}^{-1}$, $R_{Rm2} = 1.9381 \ {t}.{ha}^{-1},\ 12.2521 \ {t}.{ha}^{-1}$), para la variable profundidad de napa el rango fue similar para las dos campañas($R_{Pn1} = 2.12 \ m,\ 6.66 \ m$, $R_{Pn2} = 1.63 \ m,\ 6.06 \ m$) y el rango de la elevación fue de $R_{Ele} = 241.91 \ m,\ 247.50 \ m$.

Normalidad

Para analizar la normalidad de las variables se realizó la prueba de normalidad de Shapiro-Wilk. La hipótesis nula de la prueba de Shapiro-Wilk es que los datos son normales, por lo cual un p-valor significativo indicó que se rechazó la hipótesis nula, es decir que la variable analizada fuese normal.

# Elevación
shapiro.test(datosRindeMaiz$Elev) 
## 
## 	Shapiro-Wilk normality test
## 
## data:  datosRindeMaiz$Elev
## W = 0.97116, p-value < 2.2e-16
# Profundidad de la napa (C1)
shapiro.test(datosRindeMaiz$NapaDicC1)
## 
## 	Shapiro-Wilk normality test
## 
## data:  datosRindeMaiz$NapaDicC1
## W = 0.99124, p-value = 1.297e-10
# Profundidad de la napa (C2)
shapiro.test(datosRindeMaiz$NapaDicC2)
## 
## 	Shapiro-Wilk normality test
## 
## data:  datosRindeMaiz$NapaDicC2
## W = 0.98135, p-value < 2.2e-16
# Rendimiento del maíz (C1)
shapiro.test(datosRindeMaiz$maizC1) 
## 
## 	Shapiro-Wilk normality test
## 
## data:  datosRindeMaiz$maizC1
## W = 0.98251, p-value = 3.07e-16
# Rendimiento del maíz (C2)
shapiro.test(datosRindeMaiz$maizC2)
## 
## 	Shapiro-Wilk normality test
## 
## data:  datosRindeMaiz$maizC2
## W = 0.95925, p-value < 2.2e-16

Para el rendimiento de maíz y las covariables ambientales se rechazó la hipótesis nula de la prueba de normalidad de Shapiro-Wilk.

Transformaciones

Se transformó los datos originales a nuevas escalas para acercarlos a una distribución normal. Se probaron las transformaciones logarítmica, raíz cuadrada y Box-Cox.

# Transformar elevación

# Logaritmo
ElevLog <- log(datosRindeMaiz@data$Elev)
shapiro.test(ElevLog) # Probar normalidad de la transformación
## 
## 	Shapiro-Wilk normality test
## 
## data:  ElevLog
## W = 0.97134, p-value < 2.2e-16
# Raíz cuadrada
ElevSqrt <- sqrt(datosRindeMaiz@data$Elev)
shapiro.test(ElevSqrt) # Probar normalidad de la transformación
## 
## 	Shapiro-Wilk normality test
## 
## data:  ElevSqrt
## W = 0.97125, p-value < 2.2e-16
# Box-Cox
lambdaElev <- BoxCox.lambda(x = datosRindeMaiz@data$Elev) # Hallar Lambda
ElevBC <- BoxCox(x = datosRindeMaiz@data$Elev, lambda = lambdaElev) # Transf.vector
shapiro.test(ElevBC) # Probar normalidad de la transformación 
## 
## 	Shapiro-Wilk normality test
## 
## data:  ElevBC
## W = 0.9715, p-value < 2.2e-16
# Transformar profundidad napa (C1)

# Logaritmo
NapaDicC1Log <- log(datosRindeMaiz@data$NapaDicC1)
shapiro.test(NapaDicC1Log) 
## 
## 	Shapiro-Wilk normality test
## 
## data:  NapaDicC1Log
## W = 0.98123, p-value < 2.2e-16
# Raíz cuadrada
NapaDicC1Sqrt <- sqrt(datosRindeMaiz@data$NapaDicC1)
shapiro.test(NapaDicC1Sqrt) 
## 
## 	Shapiro-Wilk normality test
## 
## data:  NapaDicC1Sqrt
## W = 0.99189, p-value = 4.568e-10
# Box-Cox
lambdaNapaDicC1 <- BoxCox.lambda(x = datosRindeMaiz@data$NapaDicC1) 
NapaDicC1BC <- BoxCox(x = datosRindeMaiz@data$NapaDicC1, lambda = lambdaNapaDicC1) 
shapiro.test(NapaDicC1BC)  
## 
## 	Shapiro-Wilk normality test
## 
## data:  NapaDicC1BC
## W = 0.9875, p-value = 2.42e-13
# Transformar profundidad napa (C2)

# Logaritmo
NapaDicC2Log <- log(datosRindeMaiz@data$NapaDicC2)
shapiro.test(NapaDicC2Log) 
## 
## 	Shapiro-Wilk normality test
## 
## data:  NapaDicC2Log
## W = 0.99209, p-value = 6.856e-10
# Raíz cuadrada
NapaDicC2Sqrt <- sqrt(datosRindeMaiz@data$NapaDicC2)
shapiro.test(NapaDicC2Sqrt) 
## 
## 	Shapiro-Wilk normality test
## 
## data:  NapaDicC2Sqrt
## W = 0.99313, p-value = 6.067e-09
# Box-Cox
lambdaNapaDicC2 <- BoxCox.lambda(x = datosRindeMaiz@data$NapaDicC2) 
NapaDicC2BC <- BoxCox(x = datosRindeMaiz@data$NapaDicC2, lambda = lambdaNapaDicC2) 
shapiro.test(NapaDicC2BC)  
## 
## 	Shapiro-Wilk normality test
## 
## data:  NapaDicC2BC
## W = 0.99138, p-value = 1.709e-10
# Transformar rendimiento maíz (C1)

# Logaritmo
maizC1Log <- log(datosRindeMaiz@data$maizC1)
shapiro.test(maizC1Log) 
## 
## 	Shapiro-Wilk normality test
## 
## data:  maizC1Log
## W = 0.96474, p-value < 2.2e-16
# Raíz cuadrada
maizC1Sqrt <- sqrt(datosRindeMaiz@data$maizC1)
shapiro.test(maizC1Sqrt) 
## 
## 	Shapiro-Wilk normality test
## 
## data:  maizC1Sqrt
## W = 0.99035, p-value = 2.61e-11
# Box-Cox
lambdaMaizC1Log <- BoxCox.lambda(x = datosRindeMaiz@data$maizC1) 
maizC1BC <- BoxCox(x = datosRindeMaiz@data$maizC1, lambda = lambdaMaizC1Log) 
shapiro.test(maizC1BC) 
## 
## 	Shapiro-Wilk normality test
## 
## data:  maizC1BC
## W = 0.9473, p-value < 2.2e-16
# Transformar rendimiento maíz (C2)

# Logaritmo
maizC2Log <- log(datosRindeMaiz@data$maizC2)
shapiro.test(maizC2Log) 
## 
## 	Shapiro-Wilk normality test
## 
## data:  maizC2Log
## W = 0.90957, p-value < 2.2e-16
# Raíz cuadrada
maizC2Sqrt <- sqrt(datosRindeMaiz@data$maizC2)
shapiro.test(maizC2Sqrt) 
## 
## 	Shapiro-Wilk normality test
## 
## data:  maizC2Sqrt
## W = 0.93893, p-value < 2.2e-16
# Box-Cox
lambdaMaizC2Log <- BoxCox.lambda(x = datosRindeMaiz@data$maizC2) 
maizC2BC <- BoxCox(x = datosRindeMaiz@data$maizC2, lambda = lambdaMaizC2Log) 
shapiro.test(maizC2BC) 
## 
## 	Shapiro-Wilk normality test
## 
## data:  maizC2BC
## W = 0.96354, p-value < 2.2e-16

Ninguna de las transformaciones de los datos permitió que se pudiera fallar en rechazar la hipótesis nula de normalidad del test de Shapiro-Wilk.

Q-Q Plots

# Q-Q plot rendimiento maíz (C1)
ggQQmaizC1 <- ggDatosRindeMaiz + 
  geom_qq(aes(sample = maizC1)) +
  geom_abline(intercept = mean(datosRindeMaiz@data$maizC1, na.rm = TRUE), 
              slope = sd(datosRindeMaiz@data$maizC1, na.rm = TRUE), col = "red") +
  labs(title = "Rend.maíz C1", x = "Cuantiles teóricos", 
       y = "Cuantiles de la muestra")

ggQQmaizC1Log <- ggDatosRindeMaiz + 
  geom_qq(aes(sample = log(maizC1))) +
  geom_abline(intercept = mean(log(datosRindeMaiz@data$maizC1), na.rm = TRUE), 
              slope = sd(log(datosRindeMaiz@data$maizC1), na.rm = TRUE), col = "red") + 
  labs(title = "Log Rend.maíz C1", x = "Cuantiles teóricos", 
       y = "Cuantiles de la muestra")

ggQQmaizC1Sqrt <- ggDatosRindeMaiz + 
  geom_qq(aes(sample = sqrt(maizC1))) +
  geom_abline(intercept = mean(sqrt(datosRindeMaiz@data$maizC1), na.rm = TRUE), 
              slope = sd(sqrt(datosRindeMaiz@data$maizC1), na.rm = TRUE), col = "red") +
  labs(title = "Raíz cuadrada Rend.maíz C1", x = "Cuantiles teóricos", 
       y = "Cuantiles de la muestra")

ggQQmaizC1BC <- ggDatosRindeMaiz + 
  geom_qq(aes(sample = maizC1BC)) +
  geom_abline(intercept = mean(maizC1BC, na.rm = TRUE), 
              slope = sd(maizC1BC, na.rm = TRUE), col = "red") +
  labs(title = "Box-Cox Rend.maíz C1", x = "Cuantiles teóricos", 
       y = "Cuantiles de la muestra")

# Q-Q plot rendimiento maíz (C2)
ggQQmaizC2 <- ggDatosRindeMaiz + 
  geom_qq(aes(sample = maizC2)) +
  geom_abline(intercept = mean(datosRindeMaiz@data$maizC2, na.rm = TRUE), 
              slope = sd(datosRindeMaiz@data$maizC2, na.rm = TRUE), col = "red") +
  labs(title = "Rend.maíz C2", x = "Cuantiles teóricos", 
       y = "Cuantiles de la muestra")

ggQQmaizC2Log <- ggDatosRindeMaiz + 
  geom_qq(aes(sample = log(maizC2))) +
  geom_abline(intercept = mean(log(datosRindeMaiz@data$maizC2), na.rm = TRUE), 
              slope = sd(log(datosRindeMaiz@data$maizC2), na.rm = TRUE), col = "red") + 
  labs(title = "Log Rend.maíz C2", x = "Cuantiles teóricos", 
       y = "Cuantiles de la muestra")

ggQQmaizC2Sqrt <- ggDatosRindeMaiz + 
  geom_qq(aes(sample = sqrt(maizC2))) +
  geom_abline(intercept = mean(sqrt(datosRindeMaiz@data$maizC2), na.rm = TRUE), 
              slope = sd(sqrt(datosRindeMaiz@data$maizC2), na.rm = TRUE), col = "red") +
  labs(title = "Raíz cuadrada Rend.maíz C2", x = "Cuantiles teóricos", 
       y = "Cuantiles de la muestra")

ggQQmaizC2BC <- ggDatosRindeMaiz + 
  geom_qq(aes(sample = maizC2BC)) +
  geom_abline(intercept = mean(maizC2BC, na.rm = TRUE), 
              slope = sd(maizC2BC, na.rm = TRUE), col = "red") +
  labs(title = "Box-Cox Rend.maíz C2", x = "Cuantiles teóricos",
       y = "Cuantiles de la muestra")

# Q-Q plot profundidad de la napa (C1)
ggQQNapaDicC1 <- ggDatosRindeMaiz + 
  geom_qq(aes(sample = NapaDicC1)) +
  geom_abline(intercept = mean(datosRindeMaiz@data$NapaDicC1), 
              slope = sd(datosRindeMaiz@data$NapaDicC1), col = "red") +
  labs(title = "Prof.napa C1", x = "Cuantiles teóricos", 
       y = "Cuantiles de la muestra")

ggQQNapaDicC1Log <- ggDatosRindeMaiz + 
  geom_qq(aes(sample = log(NapaDicC1))) +
  geom_abline(intercept = mean(log(datosRindeMaiz@data$NapaDicC1)), 
              slope = sd(log(datosRindeMaiz@data$NapaDicC1)), col = "red") + 
  labs(title = "Log Prof.napa C1", x = "Cuantiles teóricos", 
       y = "Cuantiles de la muestra")

ggQQNapaDicC1Sqrt <- ggDatosRindeMaiz + 
  geom_qq(aes(sample = sqrt(NapaDicC1))) +
  geom_abline(intercept = mean(sqrt(datosRindeMaiz@data$NapaDicC1)), 
              slope = sd(sqrt(datosRindeMaiz@data$NapaDicC1)), col = "red") +
  labs(title = "Raíz cuadrada Prof.napa C1", x = "Cuantiles teóricos", 
       y = "Cuantiles de la muestra")

ggQQNapaDicC1BC <- ggDatosRindeMaiz + 
  geom_qq(aes(sample = NapaDicC1BC)) +
  geom_abline(intercept = mean(NapaDicC1BC, na.rm = TRUE), 
              slope = sd(NapaDicC1BC, na.rm = TRUE), col = "red") +
  labs(title = "Box-Cox Prof.napa C1", x = "Cuantiles teóricos", 
       y = "Cuantiles de la muestra")

# Q-Q plot profundidad de la napa (C2)
ggQQNapaDicC2 <- ggDatosRindeMaiz + 
  geom_qq(aes(sample = NapaDicC2)) +
  geom_abline(intercept = mean(datosRindeMaiz@data$NapaDicC2), 
              slope = sd(datosRindeMaiz@data$NapaDicC2), col = "red") +
  labs(title = "Prof.napa C2", x = "Cuantiles teóricos", 
       y = "Cuantiles de la muestra")

ggQQNapaDicC2Log <- ggDatosRindeMaiz + 
  geom_qq(aes(sample = log(NapaDicC2))) +
  geom_abline(intercept = mean(log(datosRindeMaiz@data$NapaDicC2)), 
              slope = sd(log(datosRindeMaiz@data$NapaDicC2)), col = "red") + 
  labs(title = "Log Prof.napa C2", x = "Cuantiles teóricos", 
       y = "Cuantiles de la muestra")

ggQQNapaDicC2Sqrt <- ggDatosRindeMaiz + 
  geom_qq(aes(sample = sqrt(NapaDicC2))) +
  geom_abline(intercept = mean(sqrt(datosRindeMaiz@data$NapaDicC2)), 
              slope = sd(sqrt(datosRindeMaiz@data$NapaDicC2)), col = "red") +
  labs(title = "Raíz cuadrada Prof.napa C2", x = "Cuantiles teóricos", 
       y = "Cuantiles de la muestra")

ggQQNapaDicC2BC <- ggDatosRindeMaiz + 
  geom_qq(aes(sample = NapaDicC2BC)) +
  geom_abline(intercept = mean(NapaDicC2BC, na.rm = TRUE), 
              slope = sd(NapaDicC2BC, na.rm = TRUE), col = "red") +
  labs(title = "Box-Cox Prof.napa C2", x = "Cuantiles teóricos", 
       y = "Cuantiles de la muestra")

# Q-Q plot elevación
ggQQElev <- ggDatosRindeMaiz + 
  geom_qq(aes(sample = Elev)) +
  geom_abline(intercept = mean(datosRindeMaiz@data$Elev), 
              slope = sd(datosRindeMaiz@data$Elev), col = "red") +
  labs(title = "Elevación", x = "Cuantiles teóricos", 
       y = "Cuantiles de la muestra")

ggQQElevLog <- ggDatosRindeMaiz + 
  geom_qq(aes(sample = log(Elev))) +
  geom_abline(intercept = mean(log(datosRindeMaiz@data$Elev)), 
              slope = sd(log(datosRindeMaiz@data$Elev)), col = "red") + 
  labs(title = "Log Elevación", x = "Cuantiles teóricos", 
       y = "Cuantiles de la muestra")

ggQQElevSqrt <- ggDatosRindeMaiz + 
  geom_qq(aes(sample = sqrt(Elev))) +
  geom_abline(intercept = mean(sqrt(datosRindeMaiz@data$Elev)), 
              slope = sd(sqrt(datosRindeMaiz@data$Elev)), col = "red") +
  labs(title = "Raíz cuadrada Elevación", x = "Cuantiles teóricos", 
       y = "Cuantiles de la muestra")

ggQQElevBC <- ggDatosRindeMaiz + 
  geom_qq(aes(sample = ElevBC)) +
  geom_abline(intercept = mean(ElevBC), slope = sd(ElevBC), col = "red") +
  labs(title = "Box-Cox Elevación", x = "Cuantiles teóricos", 
       y = "Cuantiles de la muestra")

# Ver plots 
grid.arrange(ggQQmaizC1, ggQQmaizC2, ggQQNapaDicC1, ggQQNapaDicC2, ggQQElev,
             ggQQmaizC1Log, ggQQmaizC2Log, ggQQNapaDicC1Log, ggQQNapaDicC2Log, 
             ggQQElevLog, ggQQmaizC1Sqrt, ggQQmaizC2Sqrt, ggQQNapaDicC1Sqrt, 
             ggQQNapaDicC2Sqrt, ggQQElevSqrt,ggQQmaizC1BC, ggQQmaizC2BC, 
             ggQQNapaDicC1BC, ggQQNapaDicC2BC, ggQQElevBC,
             ncol = 4, nrow = 5, 
             layout_matrix = cbind(c(1,2,3,4,5), c(6,7,8,9,10), 
                                   c(11,12,13,14,15), c(16,17,18,19,20))
             )

A partir del análisis de los Q-Q plots (cuantiles - cuantiles) se observó que todas las transforamciones probadas no acercaron sustantivamente los datos originales a distribuciones normales. Incluso, los Q-Q plots para los datos originales confirman el desvío de los datos de una distribución normal.

Análisis de tendencias

Para analizar si existen tendencias entre el rendimiento de maíz y las covariables ambientales se realizaron gráficos de dispersión de puntos junto con lineas basadas en suavizados de la medias locales de los valores.

# Rendimiento maíz vs Longitud
ggTend_MaizC1VsLong <- ggDatosRindeMaiz +
  geom_point(aes(y = maizC1, x = datosRindeMaiz@coords[,"Long"])) + 
  geom_smooth(aes(y = maizC1, x = datosRindeMaiz@coords[,"Long"])) + 
  labs(title = "", x = "Longitud", y = "Rendimiento maíz C1 (t/ha)")

ggTend_MaizC2VsLong <- ggDatosRindeMaiz +
  geom_point(aes(y = maizC2, x = datosRindeMaiz@coords[,"Long"])) + 
  geom_smooth(aes(y = maizC2, x = datosRindeMaiz@coords[,"Long"])) + 
  labs(title = "", x = "Longitud", y = "Rendimiento maíz C2 (t/ha)")

# Rendimiento maíz vs Latitud
ggTend_MaizC1VsLat <- ggDatosRindeMaiz +
  geom_point(aes(y = maizC1, x = datosRindeMaiz@coords[,"Lat"])) + 
  geom_smooth(aes(y = maizC1, x = datosRindeMaiz@coords[,"Lat"])) + 
  labs(title = "", x = "Latitud", y = "Rendimiento maíz C1 (t/ha)")

ggTend_MaizC2VsLat <- ggDatosRindeMaiz +
  geom_point(aes(y = maizC2, x = datosRindeMaiz@coords[,"Lat"])) + 
  geom_smooth(aes(y = maizC2, x = datosRindeMaiz@coords[,"Lat"])) + 
  labs(title = "", x = "Latitud", y = "Rendimiento maíz C2 (t/ha)")

# Rendimiento maíz vs Elevación
ggTend_MaizC1VsElev <- ggDatosRindeMaiz +
  geom_point(aes(y = maizC1, x = Elev)) + 
  geom_smooth(aes(y = maizC1, x = Elev)) + 
  labs(title = "", y = "Rendimiento maíz C1 (t/ha)", 
       x = "Elevación (m)")

ggTend_MaizC2VsElev <- ggDatosRindeMaiz +
  geom_point(aes(y = maizC2, x = Elev)) + 
  geom_smooth(aes(y = maizC2, x = Elev)) + 
  labs(title = "", y = "Rendimiento maíz C2 (t/ha)", 
       x = "Elevación (m)")

# Rendimiento maíz vs Profundidad de la napa
ggTend_MaizC1VsNapaDicC1 <- ggDatosRindeMaiz +
  geom_point(aes(y = maizC1, x = NapaDicC1)) + 
  geom_smooth(aes(y = maizC1, x = NapaDicC1)) + 
  labs(title = "", y = "Rendimiento maíz C1 (t/ha)", 
       x = "Profundidad napa (m)")

ggTend_MaizC2VsNapaDicC2 <- ggDatosRindeMaiz +
  geom_point(aes(y = maizC2, x = NapaDicC2)) + 
  geom_smooth(aes(y = maizC2, x = NapaDicC2)) + 
  labs(title = "", y = "Rendimiento maíz C2 (t/ha)", 
       x = "Profundidad napa (m)")

# Profundidad de la napa vs Elevación
ggTend_NapaDicC1VsElev <- ggDatosRindeMaiz +
  geom_point(aes(x = Elev, y = NapaDicC1)) + 
  geom_smooth(aes(x = Elev, y = NapaDicC1)) + 
  labs(title = "", x = "Elevación (m)", y = "Profundidad napa (m)")

ggTend_NapaDicC2VsElev <- ggDatosRindeMaiz +
  geom_point(aes(y = Elev, x = NapaDicC2)) + 
  geom_smooth(aes(y = Elev, x = NapaDicC2)) + 
  labs(title = "", x = "Elevación (m)", y = "Profundidad napa (m)")

# Ver plots

grid.arrange(ggTend_MaizC1VsLong, ggTend_MaizC1VsLat, 
             ggTend_MaizC1VsElev, ggTend_MaizC1VsNapaDicC1,
             ggTend_MaizC2VsLong, ggTend_MaizC2VsLat, 
             ggTend_MaizC2VsElev, ggTend_MaizC2VsNapaDicC2,
             ggTend_NapaDicC1VsElev, ggTend_NapaDicC2VsElev,
             ncol = 4, nrow = 3,
             layout_matrix = rbind(c(1,2,3,4), c(5,6,7,8), c(NA,9,10,NA))
             )

A partir de los gráficos de dispersión y suavizado de medias, no se observó una tendencia entre el rendimiento de maíz y la latitud o longitud. Sin embargo, se observaron tendencias negativas entre el rendimiento de maíz y la elevación y también con la profundidad de la napa para las dos campañas. Se observó que el rendimiento de maíz decrece con la elevación del terreno y la profundidad de la napa. Asimismo, se observó una tendencia positiva entre la profundidad de la napa y la elevación.

Correlación

Se calculó el coeficiente de correlación de Pearson ($r$) para cuantificar la relación entre las variables para las cuales se observó tendencia y para las que no. Para complementar la interpretación, se realizaron correlogramas para visualizar la matriz de correlaciones.

# Rendimiento maíz vs Longitud para C1
cor.test(x = datosRindeMaiz@coords[-NAs,"Long"], 
         y = datosRindeMaiz@data$maizC1[-NAs], 
         method = "pearson")
## 
## 	Pearson's product-moment correlation
## 
## data:  datosRindeMaiz@coords[-NAs, "Long"] and datosRindeMaiz@data$maizC1[-NAs]
## t = 1.5344, df = 2306, p-value = 0.1251
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.008876447  0.072642586
## sample estimates:
##        cor 
## 0.03193618
# Rendimiento maíz vs Longitud para C2
cor.test(x = datosRindeMaiz@coords[,"Long"], 
         y = datosRindeMaiz@data$maizC2, 
         method = "pearson")
## 
## 	Pearson's product-moment correlation
## 
## data:  datosRindeMaiz@coords[, "Long"] and datosRindeMaiz@data$maizC2
## t = 11.793, df = 2308, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.1995606 0.2764987
## sample estimates:
##       cor 
## 0.2384037
# Rendimiento maíz vs Latitud para C1
cor.test(x = datosRindeMaiz@coords[-NAs,"Lat"], 
         y = datosRindeMaiz@data$maizC1[-NAs], 
         method = "pearson")
## 
## 	Pearson's product-moment correlation
## 
## data:  datosRindeMaiz@coords[-NAs, "Lat"] and datosRindeMaiz@data$maizC1[-NAs]
## t = 17.82, df = 2306, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.3115241 0.3832638
## sample estimates:
##       cor 
## 0.3479031
# Rendimiento maíz vs Latitud para C2
cor.test(x = datosRindeMaiz@coords[,"Lat"], 
         y = datosRindeMaiz@data$maizC2, 
         method = "pearson")
## 
## 	Pearson's product-moment correlation
## 
## data:  datosRindeMaiz@coords[, "Lat"] and datosRindeMaiz@data$maizC2
## t = 5.8751, df = 2308, p-value = 4.836e-09
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.08100608 0.16137293
## sample estimates:
##       cor 
## 0.1213884
# Rendimiento maíz vs Elevación para C1
cor.test(x = datosRindeMaiz@data$Elev[-NAs], 
         y = datosRindeMaiz@data$maizC1[-NAs], 
         method = "pearson")
## 
## 	Pearson's product-moment correlation
## 
## data:  datosRindeMaiz@data$Elev[-NAs] and datosRindeMaiz@data$maizC1[-NAs]
## t = -32.254, df = 2306, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.5850616 -0.5287992
## sample estimates:
##        cor 
## -0.5575704
# Rendimiento maíz vs Elevación para C2
cor.test(x = datosRindeMaiz@data$Elev, 
         y = datosRindeMaiz@data$maizC2, 
         method = "pearson")
## 
## 	Pearson's product-moment correlation
## 
## data:  datosRindeMaiz@data$Elev and datosRindeMaiz@data$maizC2
## t = -51.115, df = 2308, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.7472524 -0.7089611
## sample estimates:
##        cor 
## -0.7286757
# Rendimiento maíz vs Profundidad de la napa para C1
cor.test(x = datosRindeMaiz@data$NapaDicC1[-NAs], 
         y = datosRindeMaiz@data$maizC1[-NAs], 
         method = "pearson")
## 
## 	Pearson's product-moment correlation
## 
## data:  datosRindeMaiz@data$NapaDicC1[-NAs] and datosRindeMaiz@data$maizC1[-NAs]
## t = -80.658, df = 2306, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.8695615 -0.8481802
## sample estimates:
##        cor 
## -0.8592456
# Rendimiento maíz vs Profundidad de la napa para C2
cor.test(x = datosRindeMaiz@data$NapaDicC2, 
         y = datosRindeMaiz@data$maizC2, 
         method = "pearson")
## 
## 	Pearson's product-moment correlation
## 
## data:  datosRindeMaiz@data$NapaDicC2 and datosRindeMaiz@data$maizC2
## t = -74.21, df = 2308, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.8510958 -0.8269790
## sample estimates:
##        cor 
## -0.8394502
# Profundidad de la napa vs Elevación para C1
cor.test(x = datosRindeMaiz@data$NapaDicC1[-NAs], 
         y = datosRindeMaiz@data$Elev[-NAs], 
         method = "pearson")
## 
## 	Pearson's product-moment correlation
## 
## data:  datosRindeMaiz@data$NapaDicC1[-NAs] and datosRindeMaiz@data$Elev[-NAs]
## t = 43.721, df = 2306, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.6502840 0.6949353
## sample estimates:
##       cor 
## 0.6732229
# Profundidad de la napa vs Elevación para C2
cor.test(x = datosRindeMaiz@data$NapaDicC2, 
         y = datosRindeMaiz@data$Elev, 
         method = "pearson")
## 
## 	Pearson's product-moment correlation
## 
## data:  datosRindeMaiz@data$NapaDicC2 and datosRindeMaiz@data$Elev
## t = 53.189, df = 2308, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.7232072 0.7598875
## sample estimates:
##       cor 
## 0.7421024

En los siguientes correlogramas las celdas de colores azules y con un patrón de relleno de líneas con una pendiente positiva representan correlaciones positivas y las celdas de colores rojos con un patrón de relleno de líneas con una pendiente negativa representan correlaciones negativas. La intensidad del color es proporcional a la magnitud del coeficiente de correlación de Pearson.

# Correlograma C1
corrgram(data.frame("Rend.maíz" = datosRindeMaiz@data$maizC1,
                    "Long" = datosRindeMaiz@coords[,"Long"], 
                    "Lat" = datosRindeMaiz@coords[,"Lat"], 
                    "Elev" = datosRindeMaiz@data$Elev,
                    "Prof.napa" = datosRindeMaiz@data$NapaDicC1),
         cor.method="pearson",
         order = NULL,
         lower.panel = panel.shade,
         upper.panel = NULL, 
         text.panel = panel.txt,
         main = "Correlograma - C1")

# Correlograma C2
corrgram(data.frame("Rend.maíz" = datosRindeMaiz@data$maizC2,
                    "Long" = datosRindeMaiz@coords[,"Long"], 
                    "Lat" = datosRindeMaiz@coords[,"Lat"], 
                    "Elev" = datosRindeMaiz@data$Elev,
                    "Prof.napa" = datosRindeMaiz@data$NapaDicC2), 
         cor.method="pearson",
         order = NULL,
         lower.panel = panel.shade,
         upper.panel = NULL, 
         text.panel = panel.txt,
         main = "Correlograma - C2")

Se observó que la correlación entre el rendimiento de maíz con la latitud y la longitud fueron bajas ($0 &lt; r &lt; 0.35$), confirmando una tendencia despreciable. Por otro lado, se observó que la correlación fue alta para el rendimiento de maíz con la elevación ($r_{C1} = -0.56$ y $r_{C2} = -0.73$) y aún fue mayor para la profundidad de la napa ($r_{C1} = -0.86$ y $r_{C2} = -0.84$). Se confirmó que existe una tendencia negativa entre el rendimiento de maíz y la elevación y entre el rendimiento de maíz y la profundidad de la napa. También se observó que existe una correlación positiva entre la profundidad de la napa y la elevación ($r_{C1} = 0.67$ y $r_{C2} = 0.74$)

Para definir el modelo de tendencia del rendimiento de maíz, se evaluaron tres modelos de regresiones lineales:

  1. Modelo de tendencia basado en una regresión lineal múltiple del rendimiento de maíz con la profundidad de la napa y la elevación.
  2. Modelo de tendencia basado en una regresión lineal simple del rendimiento de maíz con la profundidad de la napa.
  3. Modelo de tendencia basado en una regresión lineal simple del rendimiento de maíz con la elevación.

Se utilizó el criterio de información de Akaike ($AIC$) para definir el modelo (a menor $AIC$ mejor ajuste).

# Ajuste de modelos para C1
ajusteC1.M1 <- lm(formula = maizC1 ~ NapaDicC1 + Elev, data = datosRindeMaiz)
ajusteC1.M2 <- lm(formula = maizC1 ~ NapaDicC1, data = datosRindeMaiz)
ajusteC1.M3 <- lm(formula = maizC1 ~ Elev, data = datosRindeMaiz)

# Criterio de Información de Akaike
AIC(ajusteC1.M1, ajusteC1.M2, ajusteC1.M3)
##             df       AIC
## ajusteC1.M1  4  8085.556
## ajusteC1.M2  3  8090.608
## ajusteC1.M3  3 10325.262
# Ajuste de moelos para C2
ajusteC2.M1 <- lm(formula = maizC2 ~ NapaDicC2 + Elev, data = datosRindeMaiz)
ajusteC2.M2 <- lm(formula = maizC2 ~ NapaDicC2, data = datosRindeMaiz)
ajusteC2.M3 <- lm(formula = maizC2 ~ Elev, data = datosRindeMaiz)

# Criterio de Información de Akaike
AIC(ajusteC2.M1, ajusteC2.M2, ajusteC2.M3)
##             df      AIC
## ajusteC2.M1  4 6306.514
## ajusteC2.M2  3 6507.776
## ajusteC2.M3  3 7576.382

El mejor modelo de tendencia para las dos campañas del rendimiento de maíz según el criterio de información de Akaike fue el de regresión múltiple ($y = \beta_{1}x_{1} + \beta_{2}x_{1} + \beta_{0}$). Además, se calcularon métricas para conocer la importancia relativa de cada una de las variables en el modelo.

# Calcular la importancia relativa para cada predictor - C1
impRel.C1.M1 <- calc.relimp(ajusteC1.M1, 
                            type = c("lmg", "last", "first", "pratt"),
                            rela = TRUE)
# Resumen
(impRel.C1.M1)
## Response variable: maizC1 
## Total response variance: 7.433428 
## Analysis based on 2308 observations 
## 
## 2 Regressors: 
## NapaDicC1 Elev 
## Proportion of variance explained by model: 73.91%
## Metrics are normalized to sum to 100% (rela=TRUE). 
## 
## Relative importance metrics: 
## 
##                 lmg       last     first       pratt
## NapaDicC1 0.7891472 0.99813902 0.7036901  1.02882704
## Elev      0.2108528 0.00186098 0.2963099 -0.02882704
## 
## Average coefficients for different model sizes: 
## 
##                  1X         2Xs
## NapaDicC1 -2.642097 -2.72120003
## Elev      -1.216533  0.08337362
# Gráfico
plot(impRel.C1.M1)

# Calcular la importancia relativa para cada predictor - C2
impRel.C2.M1 <- calc.relimp(ajusteC2.M1, 
                            type = c("lmg", "last", "first", "pratt"),
                            rela = TRUE)
# Resumen
(impRel.C2.M1 )
## Response variable: maizC2 
## Total response variance: 3.309716 
## Analysis based on 2310 observations 
## 
## 2 Regressors: 
## NapaDicC2 Elev 
## Proportion of variance explained by model: 72.96%
## Metrics are normalized to sum to 100% (rela=TRUE). 
## 
## Relative importance metrics: 
## 
##                 lmg      last     first     pratt
## NapaDicC2 0.6190514 0.8886796 0.5702906 0.7649802
## Elev      0.3809486 0.1113204 0.4297094 0.2350198
## 
## Average coefficients for different model sizes: 
## 
##                  1X        2Xs
## NapaDicC2 -1.778489 -1.4085359
## Elev      -1.061044 -0.3426301
# Gráfico
plot(impRel.C2.M1)

La varianza explicada por el modelo elegido fue de $73.91 %$ y de $72.96 %$ para C1 y para C2 respectivamente. Se observó que la profundidad de la napa tuvo una importancia relativa mayor en el modelo de tendencia elegido que la elevación. Además, dicha observación fue más acentuada para la C1 que para la C2.

# Agregar modelo de tendencia y residuales a los datos

# C1
datosRindeMaiz$ajusteC1.M1 <- 
  ajusteC1.M1$coefficients["NapaDicC1"] * datosRindeMaiz$NapaDicC1 +
  ajusteC1.M1$coefficients["Elev"] * datosRindeMaiz$Elev +
  ajusteC1.M1$coefficients["(Intercept)"]

datosRindeMaiz$resAjusteC1.M1 <- NA
datosRindeMaiz$resAjusteC1.M1[-NAs] <- residuals(ajusteC1.M1)
  
# C2
datosRindeMaiz$ajusteC2.M1 <- 
  ajusteC2.M1$coefficients["NapaDicC2"] * datosRindeMaiz$NapaDicC2 +
  ajusteC2.M1$coefficients["Elev"] * datosRindeMaiz$Elev +
  ajusteC2.M1$coefficients["(Intercept)"]

datosRindeMaiz$resAjusteC2.M1 <- residuals(ajusteC2.M1)

Autocorrelación espacial

Para examinar patrones de autocorrelación espacial se realizaron correlogramas espaciales basados en el índice de Moran ($I$) para los residuales del modelo de tendencia elegido del rendimiento de maíz. El color azul muestra autocorrelación espacial positiva mientras que el color rojo muestra autocorrelación espacial negativa.

# Índice de Moran para el rendimiento de maíz - C1
moranRendMaizC1 <- correlog(x = as.data.frame(datosRindeMaiz@coords)$Long, 
                            y = as.data.frame(datosRindeMaiz@coords)$Lat, 
                            z = datosRindeMaiz$resAjusteC1.M1, 
                            increment = 100, 
                            resamp = 0, 
                            latlon = FALSE, 
                            na.rm = TRUE)

# Índice de Moran para el rendimiento de maíz - C2
moranRendMaizC2 <- correlog(x = as.data.frame(datosRindeMaiz@coords)$Long, 
                            y = as.data.frame(datosRindeMaiz@coords)$Lat, 
                            z = datosRindeMaiz$resAjusteC2.M1, 
                            increment = 100, 
                            resamp = 0, 
                            latlon = FALSE, 
                            na.rm = TRUE)

En los correlogramas se observó una baja correlación espacial positiva hasta los $150 m - 200 m$. A partir de esa distancia la correlación espacial fue aleatoria (valores entorno a cero). Para la C2 se observó un valor muy alto correlación positiva para distancias mayores a $1200 m$ que pudo deberse a la presencia de valores atípicos y/o a un $n$ bajo para esa clase de distancia ($n_{14} = 96$).

# Plot correlograma 

# Poligonos de tipos de correlación
polyAutocorrPos <- data.frame(
  "id" = rep("1", length(moranRendMaizC2$mean.of.class)/2),
  "x" = c(seq(0, max(moranRendMaizC2$mean.of.class),
              length.out = length(moranRendMaizC2$mean.of.class)/2),
          rev(seq(0, max(moranRendMaizC2$mean.of.class),
                  length.out = length(moranRendMaizC2$mean.of.class)/2))),
  "y" = c(rep(0,7), rep(1,7)))

polyAutocorrNeg <- data.frame(
  "id" = rep("2", length(moranRendMaizC2$mean.of.class)/2),
  "x" = c(seq(0, max(moranRendMaizC2$mean.of.class),
              length.out = length(moranRendMaizC2$mean.of.class)/2),
          rev(seq(0, max(moranRendMaizC2$mean.of.class),
                  length.out = length(moranRendMaizC2$mean.of.class)/2))),
  "y" = c(rep(0,7), rep(-0.2,7)))

# Índice de Moran para el rendimiento de maíz - C1
ggMoranRendMaizC1 <- ggplot(data.frame("intervalos" = moranRendMaizC1$mean.of.class,
                                       "correlación" = moranRendMaizC1$correlation)) +
  geom_polygon(aes(x = polyAutocorrPos$x, y = polyAutocorrPos$y, 
                   group = polyAutocorrPos$id), 
                   fill = "darkblue", alpha = 0.6) + 
  geom_polygon(aes(x = polyAutocorrNeg$x, y = polyAutocorrNeg$y, 
                   group = polyAutocorrNeg$id), 
                   fill = "darkred", alpha = 0.6) + 
  geom_point(aes(x = intervalos, y = correlación), size = 3) +
  geom_line(aes(x = intervalos, y = correlación)) + 
  labs(title = "Índice de Moran - C1", 
       x = "Intervalos de distancia", 
       y = "Correlación espacial") + 
  scale_x_continuous(limits = c(0, max(moranRendMaizC1$mean.of.class)), 
                     breaks = seq(0, max(moranRendMaizC1$mean.of.class), 100)) +
  scale_y_continuous(limits = c(-0.2, 1), breaks = seq(-0.2, 1, 0.2))

# Plot correlograma 
# Índice de Moran para el rendimiento de maíz - C2
ggMoranRendMaizC2 <- ggplot(data.frame("intervalos" = moranRendMaizC2$mean.of.class,
                                       "correlación" = moranRendMaizC2$correlation)) +
  geom_polygon(aes(x = polyAutocorrPos$x, y = polyAutocorrPos$y, 
                   group = polyAutocorrPos$id), 
                   fill = "darkblue", alpha = 0.6) + 
  geom_polygon(aes(x = polyAutocorrNeg$x, y = polyAutocorrNeg$y, 
                   group = polyAutocorrNeg$id), 
                   fill = "darkred", alpha = 0.6) + 
  geom_point(aes(x = intervalos, y = correlación), size = 3) +
  geom_line(aes(x = intervalos, y = correlación)) + 
  labs(title = "Índice de Moran - C2", 
       x = "Intervalos de distancia", 
       y = "Correlación espacial") + 
  scale_x_continuous(limits = c(0, max(moranRendMaizC2$mean.of.class)), 
                     breaks = seq(0, max(moranRendMaizC2$mean.of.class), 100)) +
  scale_y_continuous(limits = c(-0.2, 1), breaks = seq(-0.2, 1, 0.2))

# Ver plot 
grid.arrange(ggMoranRendMaizC1, ggMoranRendMaizC2,
             ncol = 2, nrow = 1, 
             layout_matrix = cbind(1,2)
             )

Identificación de valores atípicos espaciales

Para detectar valores atípicos espaciales se analizó el gráfico de dispersión de Moran que permite evaluar que tan similar es un valor observado respecto a las observaciones de sus vecinos en el espacio. Los puntos en los cuadrantes superior derecho e inferior izquierdo indican una asociación espacial positiva de valores que son más altos y más bajos que la media muestral respectivamente. Los puntos de los cuadrantes inferior derecho y superior izquierdo incluyen observaciones que indican una asociación espacial negativa, es decir, poseen poca similitud con sus vecinos.

# Crear matriz de vecinos por distancias
nbC1 <- dnearneigh(datosRindeMaiz[-NAs,], 0, 25)
nbC2 <- dnearneigh(datosRindeMaiz, 0, 25)

# Plotear matriz espacial de vecinos
plot.nb(x = nbC1, coords = datosRindeMaiz@coords[-NAs,], col = "red")

plot.nb(x = nbC2, coords = datosRindeMaiz@coords, col = "red")

# Plot de dispersión de Moran
moranPlotC1 <- moran.plot(x = datosRindeMaiz$resAjusteC1.M1[-NAs], 
                          listw = nb2listw(nbC1), 
                          labels = as.character(1:nrow(datosRindeMaiz[-NAs])),
                          pch = 19, 
                          cex = 0.3, 
                          col = "darkred",
                          ylab = "Valores espacialmente retrasados",
                          xlab = "Residuales",
                          main = "C1")

moranPlotC2 <- moran.plot(x = datosRindeMaiz$resAjusteC2.M1,
                          listw = nb2listw(nbC2), 
                          labels = as.character(1:nrow(datosRindeMaiz)),
                          pch = 19, 
                          cex = 0.3, 
                          col = "darkred",
                          ylab = "Valores espacialmente retrasados",
                          xlab = "Residuales",
                          main = "C2")

# Filas de puntos influyentes
ptosInfC1 <- as.numeric(rownames(summary(moranPlotC1)))
## Potentially influential observations of
## 	 lm(formula = wx ~ x) :
## 
##      dfb.1_ dfb.x dffit   cov.r   cook.d hat    
## 2    -0.06  -0.09 -0.11_*  0.99_*  0.01   0.00  
## 14    0.06  -0.06  0.09_*  0.99_*  0.00   0.00  
## 26    0.01  -0.02  0.02    1.00_*  0.00   0.00  
## 30    0.05  -0.11  0.12_*  1.00    0.01   0.00  
## 31   -0.04   0.01 -0.05    1.00_*  0.00   0.00  
## 39    0.06  -0.15  0.16_*  1.00_*  0.01   0.00_*
## 40    0.01  -0.03  0.04    1.00_*  0.00   0.00_*
## 41    0.01  -0.04  0.04    1.01_*  0.00   0.01_*
## 42   -0.08   0.26 -0.27_*  0.99_*  0.04   0.00_*
## 81   -0.07  -0.12 -0.14_*  0.99_*  0.01   0.00  
## 83   -0.05   0.05 -0.07    1.00_*  0.00   0.00  
## 84    0.10  -0.41  0.42_*  0.99_*  0.09   0.01_*
## 132   0.09  -0.21  0.23_*  0.99_*  0.03   0.00_*
## 168  -0.01  -0.02 -0.02    1.00_*  0.00   0.00  
## 248   0.10  -0.19  0.21_*  0.98_*  0.02   0.00  
## 303   0.01   0.01  0.02    1.00_*  0.00   0.00  
## 347   0.01   0.02  0.03    1.00_*  0.00   0.00  
## 391   0.00   0.00  0.01    1.00_*  0.00   0.00  
## 430   0.06   0.03  0.06    1.00_*  0.00   0.00  
## 462   0.00  -0.01 -0.01    1.00_*  0.00   0.00  
## 472  -0.05  -0.11 -0.12_*  1.00    0.01   0.00  
## 477   0.05  -0.05  0.08    1.00_*  0.00   0.00  
## 503   0.00   0.01  0.01    1.00_*  0.00   0.00  
## 505   0.05  -0.08  0.09_*  1.00_*  0.00   0.00  
## 527  -0.07   0.03 -0.07    0.99_*  0.00   0.00  
## 528   0.01  -0.03  0.03    1.00_*  0.00   0.00_*
## 532   0.00   0.00  0.00    1.00_*  0.00   0.00  
## 568   0.01  -0.01  0.01    1.00_*  0.00   0.00  
## 570   0.00   0.01 -0.01    1.00_*  0.00   0.00_*
## 571  -0.04   0.09 -0.10_*  1.00    0.00   0.00_*
## 572  -0.06   0.03 -0.07    0.99_*  0.00   0.00  
## 573   0.00   0.00  0.00    1.00_*  0.00   0.00  
## 574  -0.01   0.03 -0.04    1.00_*  0.00   0.00_*
## 575   0.00   0.00  0.00    1.00_*  0.00   0.00  
## 585   0.00   0.01  0.01    1.00_*  0.00   0.00  
## 612  -0.06   0.11 -0.13_*  1.00_*  0.01   0.00  
## 613   0.06  -0.27  0.28_*  1.01_*  0.04   0.01_*
## 614  -0.05   0.08 -0.09_*  1.00    0.00   0.00  
## 616   0.00   0.01 -0.01    1.00_*  0.00   0.00_*
## 618  -0.05   0.03 -0.06    1.00_*  0.00   0.00  
## 619   0.00   0.00  0.00    1.00_*  0.00   0.00  
## 621   0.01  -0.02  0.02    1.00_*  0.00   0.00_*
## 627   0.00   0.00  0.00    1.00_*  0.00   0.00  
## 628   0.01   0.02  0.02    1.00_*  0.00   0.00  
## 654  -0.07   0.10 -0.12_*  0.99_*  0.01   0.00  
## 655   0.02  -0.07  0.07    1.01_*  0.00   0.01_*
## 656  -0.06   0.09 -0.11_*  1.00_*  0.01   0.00  
## 658  -0.05   0.08 -0.09_*  1.00    0.00   0.00  
## 659  -0.01   0.01 -0.02    1.00_*  0.00   0.00  
## 662  -0.02   0.05 -0.05    1.00_*  0.00   0.00_*
## 663   0.06  -0.21  0.22_*  1.00    0.02   0.01_*
## 664  -0.09   0.00 -0.09_*  0.99_*  0.00   0.00  
## 696   0.05  -0.14  0.14_*  1.00    0.01   0.00_*
## 697  -0.07   0.13 -0.15_*  0.99_*  0.01   0.00  
## 699  -0.02   0.04 -0.04    1.00_*  0.00   0.00  
## 700  -0.01   0.02 -0.02    1.00_*  0.00   0.00  
## 705  -0.05   0.08 -0.09_*  1.00    0.00   0.00  
## 708   0.00   0.01 -0.01    1.00_*  0.00   0.00  
## 709   0.01  -0.03  0.03    1.00_*  0.00   0.00_*
## 710   0.00  -0.01  0.01    1.00_*  0.00   0.00  
## 716  -0.05  -0.08 -0.10_*  1.00    0.00   0.00  
## 738  -0.06  -0.01 -0.06    0.99_*  0.00   0.00  
## 740  -0.01   0.01 -0.01    1.00_*  0.00   0.00_*
## 754  -0.01   0.03 -0.03    1.00_*  0.00   0.00  
## 755   0.01  -0.01  0.02    1.00_*  0.00   0.00_*
## 780  -0.13  -0.27 -0.30_*  0.97_*  0.04   0.00  
## 781   0.05  -0.09  0.10_*  1.00    0.01   0.00  
## 783  -0.06  -0.02 -0.06    0.99_*  0.00   0.00  
## 786  -0.05  -0.02 -0.05    1.00_*  0.00   0.00  
## 789   0.00   0.01 -0.01    1.00_*  0.00   0.00  
## 820  -0.06  -0.05 -0.08    0.99_*  0.00   0.00  
## 826  -0.06  -0.07 -0.09_*  0.99_*  0.00   0.00  
## 830  -0.05  -0.06 -0.08    1.00_*  0.00   0.00  
## 869  -0.05  -0.05 -0.07    1.00_*  0.00   0.00  
## 944  -0.01  -0.02 -0.02    1.00_*  0.00   0.00  
## 950  -0.05  -0.07 -0.09_*  1.00    0.00   0.00  
## 958   0.00   0.01  0.01    1.00_*  0.00   0.00  
## 959   0.01   0.02  0.02    1.00_*  0.00   0.00_*
## 961  -0.01  -0.02 -0.02    1.00_*  0.00   0.00_*
## 962   0.01   0.01  0.01    1.00_*  0.00   0.00  
## 1001 -0.04  -0.10 -0.11_*  1.00    0.01   0.00_*
## 1002  0.10  -0.04  0.11_*  0.98_*  0.01   0.00  
## 1003  0.00   0.00  0.00    1.00_*  0.00   0.00  
## 1004  0.02   0.05  0.05    1.00_*  0.00   0.00_*
## 1008  0.04  -0.18  0.18_*  1.01_*  0.02   0.01_*
## 1033  0.09   0.02  0.09_*  0.99_*  0.00   0.00  
## 1046  0.02   0.05  0.05    1.00_*  0.00   0.00_*
## 1047  0.02   0.05  0.05    1.00_*  0.00   0.00_*
## 1048  0.00   0.00  0.00    1.00_*  0.00   0.00  
## 1049  0.08  -0.04  0.09    0.99_*  0.00   0.00  
## 1050 -0.09   0.40 -0.41_*  1.00_*  0.08   0.01_*
## 1069  0.00   0.01  0.01    1.00_*  0.00   0.00  
## 1073  0.06   0.03  0.07    0.99_*  0.00   0.00  
## 1074 -0.08  -0.25 -0.27_*  0.99_*  0.04   0.00_*
## 1075  0.10   0.03  0.10_*  0.98_*  0.01   0.00  
## 1076 -0.05  -0.19 -0.20_*  1.00    0.02   0.01_*
## 1077  0.02   0.04  0.04    1.00_*  0.00   0.00  
## 1088  0.01   0.03  0.04    1.00_*  0.00   0.00_*
## 1091  0.00   0.01 -0.01    1.02_*  0.00   0.01_*
## 1092 -0.12   0.22 -0.25_*  0.98_*  0.03   0.00  
## 1114  0.06  -0.02  0.07    0.99_*  0.00   0.00  
## 1130  0.01   0.01  0.01    1.00_*  0.00   0.00  
## 1133 -0.04   0.25 -0.25_*  1.01_*  0.03   0.02_*
## 1134  0.02  -0.08  0.08    1.01_*  0.00   0.01_*
## 1135 -0.11   0.09 -0.14_*  0.98_*  0.01   0.00  
## 1155  0.06  -0.04  0.07    0.99_*  0.00   0.00  
## 1160 -0.05  -0.17 -0.18_*  1.00    0.02   0.00_*
## 1169  0.00   0.01  0.01    1.00_*  0.00   0.00  
## 1175 -0.09   0.47 -0.48_*  0.99_*  0.11   0.01_*
## 1176 -0.11   0.49 -0.50_*  0.99_*  0.13   0.01_*
## 1177  0.04  -0.21  0.21_*  1.01_*  0.02   0.01_*
## 1178 -0.07   0.09 -0.11_*  0.99_*  0.01   0.00  
## 1191 -0.05  -0.05 -0.07    1.00_*  0.00   0.00  
## 1192  0.07  -0.17  0.19_*  0.99_*  0.02   0.00_*
## 1217 -0.04   0.23 -0.24_*  1.01_*  0.03   0.01_*
## 1218  0.02  -0.13  0.13_*  1.02_*  0.01   0.02_*
## 1219 -0.01   0.03 -0.03    1.01_*  0.00   0.01_*
## 1220 -0.05   0.08 -0.09_*  1.00    0.00   0.00  
## 1254  0.00   0.00  0.00    1.00_*  0.00   0.00  
## 1259 -0.02   0.07 -0.07    1.00_*  0.00   0.00_*
## 1260 -0.11   0.17 -0.20_*  0.98_*  0.02   0.00  
## 1261 -0.01   0.04 -0.04    1.01_*  0.00   0.00_*
## 1282 -0.05   0.03 -0.05    1.00_*  0.00   0.00  
## 1284 -0.07  -0.04 -0.08    0.99_*  0.00   0.00  
## 1295  0.00   0.00  0.01    1.00_*  0.00   0.00  
## 1325 -0.05   0.04 -0.07    1.00_*  0.00   0.00  
## 1332 -0.05  -0.05 -0.07    1.00_*  0.00   0.00  
## 1366  0.00   0.00  0.00    1.00_*  0.00   0.00  
## 1384  0.07  -0.11  0.13_*  0.99_*  0.01   0.00  
## 1403  0.05  -0.10  0.12_*  1.00    0.01   0.00  
## 1410 -0.07  -0.03 -0.07    0.99_*  0.00   0.00  
## 1486  0.02  -0.06  0.06    1.00_*  0.00   0.00_*
## 1527 -0.04   0.01 -0.05    1.00_*  0.00   0.00  
## 1528  0.04  -0.11  0.12_*  1.00    0.01   0.00_*
## 1535  0.03  -0.07  0.08    1.00    0.00   0.00_*
## 1536 -0.06   0.02 -0.06    0.99_*  0.00   0.00  
## 1571  0.02  -0.04  0.04    1.00_*  0.00   0.00  
## 1575 -0.06  -0.02 -0.07    0.99_*  0.00   0.00  
## 1578  0.01  -0.02  0.03    1.00_*  0.00   0.00  
## 1613  0.01  -0.01  0.01    1.00_*  0.00   0.00_*
## 1619  0.01  -0.04  0.04    1.00_*  0.00   0.00_*
## 1624  0.09  -0.12  0.15_*  0.99_*  0.01   0.00  
## 1655  0.03  -0.08  0.09    1.00_*  0.00   0.00_*
## 1661 -0.01   0.03 -0.03    1.00_*  0.00   0.00_*
## 1672  0.01   0.03  0.03    1.00_*  0.00   0.00  
## 1673  0.01   0.03  0.03    1.00_*  0.00   0.00  
## 1678  0.08  -0.09  0.12_*  0.99_*  0.01   0.00  
## 1695  0.05  -0.13  0.14_*  1.00    0.01   0.00_*
## 1696  0.01  -0.03  0.03    1.00_*  0.00   0.00_*
## 1697 -0.02   0.04 -0.05    1.00_*  0.00   0.00_*
## 1701 -0.01   0.01 -0.01    1.00_*  0.00   0.00  
## 1702 -0.05   0.04 -0.07    1.00_*  0.00   0.00  
## 1703  0.03  -0.09  0.09_*  1.00    0.00   0.00_*
## 1704 -0.06   0.05 -0.08    1.00_*  0.00   0.00  
## 1706  0.04  -0.11  0.12_*  1.00    0.01   0.00_*
## 1714  0.01   0.02  0.03    1.00_*  0.00   0.00  
## 1728  0.05  -0.08  0.10_*  1.00_*  0.00   0.00  
## 1737 -0.06  -0.02 -0.06    1.00_*  0.00   0.00  
## 1738 -0.05   0.05 -0.07    1.00_*  0.00   0.00  
## 1739  0.03  -0.07  0.08    1.00    0.00   0.00_*
## 1743  0.03  -0.07  0.07    1.00    0.00   0.00_*
## 1750  0.00  -0.01  0.01    1.00_*  0.00   0.00_*
## 1751  0.03  -0.09  0.09_*  1.00_*  0.00   0.00_*
## 1759  0.00  -0.01 -0.01    1.00_*  0.00   0.00_*
## 1770  0.06  -0.11  0.12_*  1.00_*  0.01   0.00  
## 1780  0.07  -0.15  0.17_*  0.99_*  0.01   0.00  
## 1781 -0.08   0.03 -0.08    0.99_*  0.00   0.00  
## 1785  0.01  -0.02  0.02    1.00_*  0.00   0.00  
## 1790 -0.10  -0.15 -0.19_*  0.98_*  0.02   0.00  
## 1801  0.01   0.03  0.03    1.00_*  0.00   0.00_*
## 1803  0.01   0.01  0.01    1.00_*  0.00   0.00  
## 1816  0.09  -0.10  0.13_*  0.99_*  0.01   0.00  
## 1822 -0.06  -0.02 -0.06    0.99_*  0.00   0.00  
## 1843  0.00   0.00  0.00    1.00_*  0.00   0.00  
## 1844  0.01   0.01  0.01    1.00_*  0.00   0.00_*
## 1845  0.00   0.00  0.00    1.00_*  0.00   0.00  
## 1857  0.07  -0.07  0.10_*  0.99_*  0.01   0.00  
## 1858 -0.08  -0.09 -0.12_*  0.99_*  0.01   0.00  
## 1900  0.05  -0.06  0.08    1.00_*  0.00   0.00  
## 1930 -0.06   0.02 -0.06    0.99_*  0.00   0.00  
## 1950  0.04  -0.08  0.09_*  1.00    0.00   0.00  
## 1988  0.05  -0.06  0.08    1.00_*  0.00   0.00  
## 2026 -0.05   0.00 -0.05    1.00_*  0.00   0.00  
## 2027  0.08  -0.19  0.21_*  0.99_*  0.02   0.00_*
## 2037  0.07  -0.11  0.13_*  0.99_*  0.01   0.00  
## 2038 -0.06  -0.05 -0.08    1.00_*  0.00   0.00  
## 2080  0.05  -0.07  0.09_*  1.00_*  0.00   0.00  
## 2099  0.05  -0.10  0.11_*  1.00    0.01   0.00  
## 2121 -0.05  -0.03 -0.06    1.00_*  0.00   0.00  
## 2125  0.05  -0.05  0.07    1.00_*  0.00   0.00  
## 2141  0.04  -0.08  0.09_*  1.00    0.00   0.00
ptosInfC2 <- as.numeric(rownames(summary(moranPlotC2)))
## Potentially influential observations of
## 	 lm(formula = wx ~ x) :
## 
##      dfb.1_ dfb.x dffit   cov.r   cook.d hat    
## 1     0.06  -0.09  0.11_*  1.00_*  0.01   0.00  
## 2    -0.08  -0.04 -0.09    0.99_*  0.00   0.00  
## 10    0.06  -0.06  0.08    0.99_*  0.00   0.00  
## 22    0.05  -0.03  0.06    1.00_*  0.00   0.00  
## 36   -0.01  -0.03 -0.03    1.01_*  0.00   0.01_*
## 37    0.03   0.07  0.07    1.00    0.00   0.00_*
## 39    0.05   0.05  0.07    1.00_*  0.00   0.00  
## 42   -0.05   0.20 -0.20_*  1.00_*  0.02   0.01_*
## 43   -0.05   0.02 -0.05    1.00_*  0.00   0.00  
## 74    0.06  -0.02  0.06    0.99_*  0.00   0.00  
## 78    0.01   0.03  0.03    1.00_*  0.00   0.00_*
## 80    0.05   0.04  0.07    1.00_*  0.00   0.00  
## 82   -0.04  -0.09 -0.10_*  1.00    0.01   0.00_*
## 84    0.04  -0.22  0.22_*  1.01_*  0.02   0.01_*
## 92   -0.05  -0.02 -0.05    1.00_*  0.00   0.00  
## 102  -0.01  -0.02 -0.02    1.00_*  0.00   0.00  
## 120   0.01   0.01  0.02    1.00_*  0.00   0.00_*
## 125  -0.06  -0.07 -0.09_*  0.99_*  0.00   0.00  
## 126   0.08  -0.33  0.34_*  1.00_*  0.06   0.01_*
## 151   0.04  -0.10  0.11_*  1.00    0.01   0.00_*
## 162   0.00   0.01  0.01    1.00_*  0.00   0.00_*
## 177   0.01  -0.02  0.03    1.00_*  0.00   0.00  
## 204  -0.01  -0.02 -0.03    1.00_*  0.00   0.00  
## 221   0.00   0.00  0.00    1.00_*  0.00   0.00  
## 222   0.01  -0.01  0.02    1.00_*  0.00   0.00  
## 337   0.00   0.00  0.00    1.00_*  0.00   0.00  
## 438  -0.05  -0.02 -0.05    1.00_*  0.00   0.00  
## 464   0.11  -0.17  0.20_*  0.98_*  0.02   0.00  
## 500   0.06  -0.01  0.06    0.99_*  0.00   0.00  
## 524   0.00   0.01 -0.01    1.00_*  0.00   0.00  
## 530  -0.07  -0.05 -0.08    0.99_*  0.00   0.00  
## 542  -0.11  -0.28 -0.30_*  0.98_*  0.04   0.00_*
## 566   0.00   0.01 -0.01    1.00_*  0.00   0.00  
## 571  -0.05  -0.02 -0.05    1.00_*  0.00   0.00  
## 573   0.03  -0.08  0.08    1.00    0.00   0.00_*
## 584   0.12  -0.31  0.34_*  0.97_*  0.06   0.00_*
## 621  -0.05   0.02 -0.05    1.00_*  0.00   0.00  
## 657  -0.05   0.01 -0.05    1.00_*  0.00   0.00  
## 662   0.00  -0.01  0.01    1.00_*  0.00   0.00_*
## 663   0.00  -0.01  0.01    1.00_*  0.00   0.00  
## 664  -0.07   0.00 -0.07    0.99_*  0.00   0.00  
## 668  -0.05  -0.01 -0.05    1.00_*  0.00   0.00  
## 702  -0.01   0.02 -0.02    1.00_*  0.00   0.00_*
## 703  -0.05   0.08 -0.10_*  1.00    0.00   0.00  
## 704  -0.03   0.06 -0.07    1.00_*  0.00   0.00_*
## 705  -0.01   0.02 -0.02    1.00_*  0.00   0.00_*
## 706  -0.06   0.05 -0.07    0.99_*  0.00   0.00  
## 707   0.01  -0.03  0.03    1.00_*  0.00   0.00_*
## 708   0.01  -0.03  0.03    1.00_*  0.00   0.00_*
## 710  -0.05   0.05 -0.07    1.00_*  0.00   0.00  
## 711  -0.02   0.04 -0.04    1.00_*  0.00   0.00_*
## 712   0.01  -0.03  0.03    1.01_*  0.00   0.01_*
## 713  -0.01   0.01 -0.01    1.00_*  0.00   0.00  
## 714  -0.04  -0.01 -0.04    1.00_*  0.00   0.00  
## 732   0.00   0.00  0.00    1.00_*  0.00   0.00  
## 734  -0.01   0.02 -0.02    1.00_*  0.00   0.00  
## 744  -0.01   0.01 -0.01    1.00_*  0.00   0.00_*
## 745  -0.04   0.08 -0.09_*  1.00    0.00   0.00  
## 747  -0.02   0.06 -0.06    1.00    0.00   0.00_*
## 749  -0.05   0.04 -0.06    1.00_*  0.00   0.00  
## 751  -0.02   0.05 -0.06    1.00_*  0.00   0.00_*
## 752  -0.01   0.03 -0.03    1.00_*  0.00   0.00_*
## 753  -0.04   0.12 -0.13_*  1.00    0.01   0.00_*
## 754  -0.02   0.07 -0.07    1.01_*  0.00   0.01_*
## 755  -0.01   0.03 -0.03    1.00_*  0.00   0.00_*
## 756  -0.07   0.00 -0.07    0.99_*  0.00   0.00  
## 767   0.06  -0.05  0.08    0.99_*  0.00   0.00  
## 777  -0.01   0.01 -0.01    1.00_*  0.00   0.00  
## 787   0.04  -0.10  0.11_*  1.00    0.01   0.00_*
## 788  -0.06   0.02 -0.06    0.99_*  0.00   0.00  
## 789   0.01  -0.03  0.03    1.00_*  0.00   0.00  
## 790   0.00  -0.01  0.01    1.00_*  0.00   0.00  
## 794  -0.05   0.12 -0.13_*  1.00    0.01   0.00  
## 795  -0.04   0.10 -0.11_*  1.00    0.01   0.00_*
## 796  -0.05   0.12 -0.13_*  1.00_*  0.01   0.00  
## 818   0.01  -0.01  0.01    1.00_*  0.00   0.00  
## 835   0.01  -0.01  0.02    1.00_*  0.00   0.00_*
## 836  -0.05   0.13 -0.14_*  1.00    0.01   0.00_*
## 837  -0.04   0.12 -0.12_*  1.00    0.01   0.00_*
## 838  -0.05   0.09 -0.10_*  1.00    0.00   0.00  
## 839  -0.03   0.06 -0.07    1.00    0.00   0.00_*
## 840  -0.06   0.09 -0.11_*  1.00_*  0.01   0.00  
## 868   0.06  -0.10  0.12_*  0.99_*  0.01   0.00  
## 872  -0.01  -0.02 -0.02    1.00_*  0.00   0.00  
## 876  -0.04  -0.09 -0.10_*  1.00    0.00   0.00_*
## 878   0.04  -0.17  0.17_*  1.00_*  0.02   0.01_*
## 879   0.00  -0.02  0.02    1.01_*  0.00   0.01_*
## 881  -0.01   0.02 -0.03    1.00_*  0.00   0.00_*
## 882  -0.01   0.02 -0.02    1.00_*  0.00   0.00_*
## 915  -0.01  -0.03 -0.03    1.00_*  0.00   0.00  
## 917   0.06   0.07  0.09_*  0.99_*  0.00   0.00  
## 918  -0.02  -0.08 -0.09    1.01_*  0.00   0.01_*
## 922  -0.05  -0.03 -0.06    1.00_*  0.00   0.00  
## 924  -0.01   0.02 -0.02    1.00_*  0.00   0.00  
## 931   0.07  -0.06  0.09    0.99_*  0.00   0.00  
## 956   0.06  -0.11  0.13_*  0.99_*  0.01   0.00  
## 960   0.02   0.07  0.07    1.00_*  0.00   0.00_*
## 967  -0.06  -0.14 -0.15_*  1.00_*  0.01   0.00  
## 990   0.05   0.08  0.09_*  1.00    0.00   0.00  
## 991   0.02   0.05  0.06    1.00_*  0.00   0.00_*
## 992   0.04   0.08  0.09    1.00    0.00   0.00_*
## 993  -0.01  -0.01 -0.01    1.00_*  0.00   0.00_*
## 1001  0.06   0.03  0.07    0.99_*  0.00   0.00  
## 1002 -0.03  -0.10 -0.10_*  1.00_*  0.01   0.01_*
## 1009  0.08  -0.12  0.14_*  0.99_*  0.01   0.00  
## 1019  0.05  -0.04  0.07    1.00_*  0.00   0.00  
## 1032  0.03   0.07  0.08    1.00_*  0.00   0.00_*
## 1033  0.02   0.07  0.07    1.01_*  0.00   0.01_*
## 1034  0.04   0.11  0.12_*  1.00    0.01   0.00_*
## 1035  0.04   0.08  0.09_*  1.00    0.00   0.00  
## 1043  0.04  -0.02  0.05    1.00_*  0.00   0.00  
## 1044  0.01   0.01  0.01    1.00_*  0.00   0.00  
## 1074  0.03   0.08  0.09    1.00    0.00   0.00_*
## 1075  0.06   0.17  0.18_*  1.00_*  0.02   0.00_*
## 1076  0.01   0.04  0.05    1.01_*  0.00   0.01_*
## 1103  0.05  -0.04  0.06    1.00_*  0.00   0.00  
## 1116  0.05   0.10  0.11_*  1.00    0.01   0.00  
## 1117  0.03   0.08  0.09    1.00_*  0.00   0.00_*
## 1118  0.05   0.13  0.13_*  1.00    0.01   0.00_*
## 1128  0.00  -0.01 -0.01    1.00_*  0.00   0.00  
## 1157  0.00   0.01  0.01    1.00_*  0.00   0.00  
## 1158  0.04   0.08  0.09_*  1.00    0.00   0.00  
## 1159  0.03   0.08  0.09    1.00    0.00   0.00_*
## 1160  0.02   0.05  0.05    1.00_*  0.00   0.00_*
## 1170  0.02   0.04  0.05    1.00_*  0.00   0.00_*
## 1180  0.05  -0.10  0.11_*  1.00    0.01   0.00  
## 1187  0.05  -0.08  0.09_*  1.00_*  0.00   0.00  
## 1202  0.02   0.03  0.04    1.00_*  0.00   0.00  
## 1212  0.00   0.00  0.00    1.00_*  0.00   0.00_*
## 1221 -0.09  -0.18 -0.20_*  0.99_*  0.02   0.00  
## 1222  0.06  -0.13  0.14_*  1.00    0.01   0.00_*
## 1250 -0.05   0.02 -0.05    1.00_*  0.00   0.00  
## 1254  0.02   0.04  0.04    1.00_*  0.00   0.00  
## 1271  0.06  -0.09  0.11_*  1.00_*  0.01   0.00  
## 1296  0.00   0.00  0.00    1.00_*  0.00   0.00  
## 1309  0.06  -0.12  0.13_*  1.00_*  0.01   0.00  
## 1338 -0.01  -0.02 -0.02    1.00_*  0.00   0.00_*
## 1350 -0.05  -0.05 -0.07    1.00_*  0.00   0.00  
## 1380 -0.01  -0.03 -0.03    1.00_*  0.00   0.00_*
## 1416  0.02  -0.05  0.05    1.00_*  0.00   0.00_*
## 1435  0.05  -0.12  0.14_*  1.00    0.01   0.00_*
## 1449  0.00   0.01 -0.01    1.00_*  0.00   0.00  
## 1453 -0.05  -0.11 -0.12_*  1.00    0.01   0.00  
## 1459 -0.05   0.01 -0.05    1.00_*  0.00   0.00  
## 1476 -0.05  -0.05 -0.07    1.00_*  0.00   0.00  
## 1491  0.00   0.00  0.00    1.00_*  0.00   0.00  
## 1519  0.03  -0.07  0.07    1.00    0.00   0.00_*
## 1523  0.01  -0.01  0.01    1.00_*  0.00   0.00  
## 1561  0.02  -0.04  0.04    1.00_*  0.00   0.00_*
## 1565  0.05  -0.13  0.14_*  1.00    0.01   0.00_*
## 1566 -0.06  -0.01 -0.06    0.99_*  0.00   0.00  
## 1607  0.02  -0.05  0.05    1.00_*  0.00   0.00_*
## 1637  0.01  -0.01  0.01    1.00_*  0.00   0.00  
## 1687 -0.05   0.00 -0.05    1.00_*  0.00   0.00  
## 1711 -0.05  -0.03 -0.06    1.00_*  0.00   0.00  
## 1728 -0.05  -0.03 -0.06    1.00_*  0.00   0.00  
## 1733  0.05  -0.06  0.08    1.00_*  0.00   0.00  
## 1754  0.02  -0.05  0.05    1.00    0.00   0.00_*
## 1791  0.05  -0.01  0.05    1.00_*  0.00   0.00  
## 1795 -0.01   0.01 -0.01    1.00_*  0.00   0.00  
## 1796 -0.01   0.02 -0.02    1.00_*  0.00   0.00_*
## 1797 -0.01   0.01 -0.02    1.00_*  0.00   0.00  
## 1798 -0.06   0.05 -0.08    1.00_*  0.00   0.00  
## 1799  0.00   0.00  0.00    1.00_*  0.00   0.00  
## 1800 -0.05   0.01 -0.05    1.00_*  0.00   0.00  
## 1813  0.05  -0.07  0.09    1.00_*  0.00   0.00  
## 1817  0.05  -0.10  0.11_*  1.00_*  0.01   0.00  
## 1833 -0.07  -0.14 -0.16_*  0.99_*  0.01   0.00  
## 1838 -0.05   0.03 -0.06    1.00_*  0.00   0.00  
## 1840 -0.01   0.02 -0.02    1.00_*  0.00   0.00_*
## 1841 -0.01   0.03 -0.03    1.00_*  0.00   0.00_*
## 1842  0.01  -0.01  0.01    1.00_*  0.00   0.00  
## 1875  0.10  -0.09  0.14_*  0.98_*  0.01   0.00  
## 1884 -0.01   0.01 -0.01    1.00_*  0.00   0.00  
## 1886 -0.06   0.00 -0.06    0.99_*  0.00   0.00  
## 1889  0.00   0.00  0.00    1.00_*  0.00   0.00_*
## 1890 -0.06   0.03 -0.06    1.00_*  0.00   0.00  
## 1901  0.05  -0.11  0.12_*  1.00    0.01   0.00_*
## 1928  0.01  -0.04  0.04    1.00_*  0.00   0.00_*
## 1929  0.00   0.00  0.00    1.01_*  0.00   0.00_*
## 1930 -0.02   0.07 -0.08    1.00_*  0.00   0.00_*
## 1931  0.01  -0.04  0.04    1.01_*  0.00   0.01_*
## 1932 -0.07   0.10 -0.12_*  0.99_*  0.01   0.00  
## 1961  0.01   0.01  0.02    1.00_*  0.00   0.00  
## 1970  0.00   0.00  0.00    1.00_*  0.00   0.00  
## 1972 -0.03   0.07 -0.08    1.00    0.00   0.00_*
## 1973 -0.03   0.10 -0.10_*  1.00    0.01   0.00_*
## 1974 -0.01   0.03 -0.03    1.00_*  0.00   0.00_*
## 1985  0.06  -0.11  0.12_*  1.00_*  0.01   0.00  
## 2001 -0.01  -0.01 -0.01    1.00_*  0.00   0.00  
## 2002  0.05   0.03  0.06    1.00_*  0.00   0.00  
## 2003  0.00   0.00  0.00    1.00_*  0.00   0.00  
## 2014 -0.05   0.03 -0.06    1.00_*  0.00   0.00  
## 2016 -0.04   0.08 -0.10_*  1.00    0.00   0.00  
## 2027 -0.05   0.00 -0.05    1.00_*  0.00   0.00  
## 2041  0.05   0.02  0.05    1.00_*  0.00   0.00  
## 2069  0.05  -0.09  0.11_*  1.00    0.01   0.00  
## 2142 -0.03   0.08 -0.09    1.00    0.00   0.00_*
## 2184 -0.02   0.05 -0.06    1.00_*  0.00   0.00_*
## 2226 -0.02   0.07 -0.08    1.00_*  0.00   0.00_*
## 2237  0.04  -0.08  0.09_*  1.00    0.00   0.00  
## 2267 -0.01   0.03 -0.03    1.00_*  0.00   0.00  
## 2268 -0.02   0.06 -0.06    1.00_*  0.00   0.00_*
## 2272  0.08  -0.16  0.17_*  0.99_*  0.02   0.00  
## 2273 -0.05  -0.02 -0.06    1.00_*  0.00   0.00  
## 2274 -0.04   0.02 -0.05    1.00_*  0.00   0.00  
## 2275  0.11  -0.38  0.40_*  0.98_*  0.08   0.01_*
## 2276 -0.06   0.02 -0.07    0.99_*  0.00   0.00  
## 2310 -0.06   0.08 -0.10_*  1.00_*  0.01   0.00
# Histograma de distancias de Cook

par(mfrow= c(1,2))

hist(moranPlotC1$infmat[ptosInfC1,"cook.d"], seq(0, 0.13, 0.002), 
     col = "black", border = "white", 
     xlab = "Distancias de Cook", ylab = "Frecuencia", 
     main = "C1")

hist(moranPlotC2$infmat[ptosInfC2,"cook.d"], seq(0, 0.13, 0.002), 
     col = "black", border = "white", 
     xlab = "Distancias de Cook", ylab = "Frecuencia", 
     main = "C2")

par(mfrow=c(1,1))

Se definió considerar como valores atípicos aquellos puntos con una distancia de Cook mayores a $4/N$, siendo $N$ el número total de observaciones.

umbralCook <- 4/nrow(datosRindeMaiz)

# Outliers
outliersC1 <- as.numeric(names(which(moranPlotC1$infmat[ptosInfC1,"cook.d"]>umbralCook)))
outliersC2 <- as.numeric(names(which(moranPlotC2$infmat[ptosInfC2,"cook.d"]>umbralCook)))

# Agregar valores sin outliers
datosRindeMaiz$ajusteC1.M1.SinOut <- NA
datosRindeMaiz$ajusteC1.M1.SinOut[-outliersC1] <- 
  datosRindeMaiz$ajusteC1.M1[-outliersC1]
datosRindeMaiz$resAjusteC1.M1.SinOut <- NA
datosRindeMaiz$resAjusteC1.M1.SinOut[-outliersC1] <- 
  datosRindeMaiz$resAjusteC1.M1[-outliersC1]
datosRindeMaiz$ajusteC2.M1.SinOut <- NA
datosRindeMaiz$ajusteC2.M1.SinOut[-outliersC2] <- 
  datosRindeMaiz$ajusteC2.M1[-outliersC2]
datosRindeMaiz$resAjusteC2.M1.SinOut <- NA
datosRindeMaiz$resAjusteC2.M1.SinOut[-outliersC2] <- 
  datosRindeMaiz$resAjusteC2.M1[-outliersC2]
# Plot C1
spplot(datosRindeMaiz, zcol = c("resAjusteC1.M1.SinOut", "resAjusteC1.M1"), 
       names.attr = c("Modelo sin outliers", "Modelo con outliers"), colorkey = TRUE)

# Plot C2
spplot(datosRindeMaiz, zcol = c("resAjusteC2.M1.SinOut", "resAjusteC2.M1"), 
       names.attr = c("Modelo sin outliers", "Modelo con outliers"), colorkey = TRUE)

Cambios en la media

Para observar los cambios en la media dentro del lote se realizaron mapas de puntos ("posting") de los datos originales de rendimiento de maíz y las covariables ambientales. No se observaron cambios importantes en la media (valores atípicos) para las covariables ambientales. Sin embargo, para el rendimiento de maíz se observaron camnbios en la media y algunos fueron eliminados mediante la detección de outliers. Por ejemplo, se observó valores diferentes a los vecinos siguiendo un patrón de línea.

# Mapa de puntos de rendimiento de maíz para el lote
spplot(obj = datosRindeMaiz, zcol = c("maizC1", "maizC2"), 
       main = "Rendimiento de maíz (t/ha)", colorkey = TRUE)

# Mapa de puntos de la profundidad de la napa para el lote
spplot(obj = datosRindeMaiz, zcol = c("NapaDicC1", "NapaDicC2"), 
       main = "Profundidad napa (m)", colorkey = TRUE)

# Mapa de puntos de la elevación del lote
spplot(obj = datosRindeMaiz, zcol = "Elev",
       main = "Elevación (m)", colorkey = TRUE)

Respuesta 2

  1. Elabore un variograma empírico apropiado para los datos de rinde en ambas campañas por separado. ¿Considera que existe estructura espacial en cada campaña? ¿El proceso espacial observado en cada caso es isotrópico o anisotrópico? ¿La dependencia espacial observada difiere entre campañas?

Variograma empírico

A partir del análisis de los variogramas empíricos puede decirse que existe estructura espacial para las dos campañas ya que:

  1. la semivarianza ($\gamma$) aumenta con la distancia hasta llegar a una meseta, que implica que la dependencia espacial va disminuyendo con la distancia hasta alcanzar la independencia espacial.
  2. al utilizar los residuales de un modelo de tendencia se descarta cualquier efecto de dependencia espacial debido a la misma.

Nota: dado que para estimar los parámetros de ajuste de los modelos teóricos a los variogramas empíricos mediante métodos cuantitativos (Pregunta 3) se utilizará la librería geoR y para realizar los modelos de predicción-interpolación(Pregunta 4), validación cruzada (Pregunta 5) y simulaciones (Pregunta 6) se utilizará la librería gstat, se incluyen los variogramas empíricos y direccionales utilizando las dos librerías (requisitos necesarios de creación de objetos para poder utilizar una y otra librería en las siguientes respuestas).

Con librería geoR

# Con librería geoR:

dfC1 <- data.frame(as.data.frame(datosRindeMaiz@coords), 
                   "Elev" = datosRindeMaiz$Elev,
                   "NapaDicC1" = datosRindeMaiz$NapaDicC1,
                   "maizC1" = datosRindeMaiz$maizC1)

dfC2 <- data.frame(as.data.frame(datosRindeMaiz@coords), 
                   "Elev" = datosRindeMaiz$Elev,
                   "NapaDicC2" = datosRindeMaiz$NapaDicC2,
                   "maizC2" = datosRindeMaiz$maizC2)

# Sacar outliers y NAs
dfC1 <- dfC1[-c(NAs, outliersC1),]
dfC2 <- dfC2[-outliersC2,]

# Objetos geodata
geodataC1 <- as.geodata(obj = dfC1, coords.col = 1:2, data.col = 5, 
                        covar.col = c(3,4))
geodataC2 <- as.geodata(obj = dfC2, coords.col = 1:2, data.col = 5, 
                        covar.col = c(3,4))

# Crear variograma empírico con el modelo de tendencia elegido
varGeoC1 <- variog(geodataC1, trend = trend.spatial(data~NapaDicC1+Elev, geodataC1), 
                   max.dist = 400, breaks = seq(from = 0, to = 500, by = 20))
## variog: computing omnidirectional variogram
varGeoC2 <- variog(geodataC2, trend = trend.spatial(data~NapaDicC2+Elev, geodataC2), 
                   max.dist = 400, breaks = seq(from = 0, to = 500, by = 20))
## variog: computing omnidirectional variogram
# Plot variogramas empíricos
par(mfrow = c(1,2))
plot(varGeoC1, pch = 19, col = "#0080FF", ylab = "semivarianza", 
     xlab = "distancia", main = "C1")
plot(varGeoC2, pch = 19, col = "#0080FF", ylab = "semivarianza", 
     xlab = "distancia", main = "C2")

par(mfrow = c(1,1))

Con librería gstat

# Con librería gstat:

# Nota: se utiliza la fórmula "maizC2 ~ NapaDicC2 + Elev" para explicitar el 
# modelo de tendencia utilizado. Podría usarse la variable 'resAjusteC2.M1.SinOut' 
# guardada también en el set de datos de datosRindeMaiz.

# Crear variograma empírico omnidireccional - C1
varOmniC1 <- variogram(maizC1 ~ NapaDicC1 + Elev,
                       data = datosRindeMaiz[-c(NAs, outliersC1),],
                       width = 20, cutoff = 400)

# Plotear variograma
plot(varOmniC1, xlab = "distancia", ylab = "semivarianza",
     main = "Variograma empírico - C1", pch = 19)

# Con librería gstat:

# Nota: se utiliza la fórmula "maizC2 ~ NapaDicC2 + Elev" para explicitar el 
# modelo de tendencia utilizado. Podría usarse la variable 'resAjusteC2.M1.SinOut' 
# guardada también en el set de datos de datosRindeMaiz.

# Crear variograma empírico omnidireccional - C2
varOmniC2 <- variogram(maizC2 ~ NapaDicC2 + Elev,
                       data = datosRindeMaiz[-outliersC2,],
                       width = 20, cutoff = 400)

# Plotear variograma
plot(varOmniC2, xlab = "distancia", ylab = "semivarianza",
     main = "Variograma empírico - C2", pch = 19)

Proceso espacial: isotropía y anisotropía

A partir de analizar los variogramas direccionales se concluyó que el proceso espacial en las dos campañas es isotrópico. No se observaron diferencias aparentes en los valores de la semivarianza para la cual la misma se estabiliza al alcanzar una meseta ($\gamma_{C1} = ~ 1.7$ $\gamma_{C2} = ~ 0.7$) ni tampoco a la distancia a la cual se llega a $\gamma$ ($h_{C1} = ~ 100$ y $h_{C2} = ~ 100$) para las distintas direcciones en el espacio ($0^{\circ}, 45^{\circ}, 90^{\circ} y 135^{\circ}$).

Con librería geoR

# Con librería geoR:

# Crear variogramas direccionales
varGeoC1dir0 <- variog(geodataC1, trend = trend.spatial(data~NapaDicC1+Elev, geodataC1), 
                      direction = 0, tolerance = 45/2, unit.angle = "degrees",
                      max.dist = 400, breaks = seq(from = 0, to = 500, by = 20))
## variog: computing variogram for direction = 0 degrees (0 radians)
##         tolerance angle = 22.5 degrees (0.393 radians)
varGeoC1dir45 <- variog(geodataC1, trend = trend.spatial(data~NapaDicC1+Elev, geodataC1), 
                      direction = 45, tolerance = 45/2, unit.angle = "degrees",
                      max.dist = 400, breaks = seq(from = 0, to = 500, by = 20))
## variog: computing variogram for direction = 45 degrees (0.785 radians)
##         tolerance angle = 22.5 degrees (0.393 radians)
varGeoC1dir90 <- variog(geodataC1, trend = trend.spatial(data~NapaDicC1+Elev, geodataC1), 
                      direction = 90, tolerance = 45/2, unit.angle = "degrees",
                      max.dist = 400, breaks = seq(from = 0, to = 500, by = 20))
## variog: computing variogram for direction = 90 degrees (1.571 radians)
##         tolerance angle = 22.5 degrees (0.393 radians)
varGeoC1dir135 <- variog(geodataC1, trend = trend.spatial(data~NapaDicC1+Elev, geodataC1), 
                      direction = 135, tolerance = 45/2, unit.angle = "degrees",
                      max.dist = 400, breaks = seq(from = 0, to = 500, by = 20))
## variog: computing variogram for direction = 135 degrees (2.356 radians)
##         tolerance angle = 22.5 degrees (0.393 radians)
# Plot variogramas direccionales - C1
par(mfrow = c(2,2))
plot(varGeoC1dir0, pch = 19, col = "#0080FF", ylim = c(0,2), 
     ylab = "semivarianza", xlab = "distancia", main = "0 grados")
grid()
plot(varGeoC1dir45, pch = 19, col = "#0080FF", ylim = c(0,2), 
     ylab = "semivarianza", xlab = "distancia", main = "45 grados")
grid()
plot(varGeoC1dir90, pch = 19, col = "#0080FF", ylim = c(0,2),
     ylab = "semivarianza", xlab = "distancia", main = "90 grados")
grid()
plot(varGeoC1dir135, pch = 19, col = "#0080FF", ylim = c(0,2),
     ylab = "semivarianza", xlab = "distancia", main = "135 grados")
grid()

par(mfrow = c(1,1))
# Con librería geoR:

# Crear variogramas direccionales
varGeoC2dir0 <- variog(geodataC2, trend = trend.spatial(data~NapaDicC2+Elev, geodataC2), 
                      direction = 0, tolerance = 45/2, unit.angle = "degrees",
                      max.dist = 400, breaks = seq(from = 0, to = 500, by = 20))
## variog: computing variogram for direction = 0 degrees (0 radians)
##         tolerance angle = 22.5 degrees (0.393 radians)
varGeoC2dir45 <- variog(geodataC2, trend = trend.spatial(data~NapaDicC2+Elev, geodataC2), 
                      direction = 45, tolerance = 45/2, unit.angle = "degrees",
                      max.dist = 400, breaks = seq(from = 0, to = 500, by = 20))
## variog: computing variogram for direction = 45 degrees (0.785 radians)
##         tolerance angle = 22.5 degrees (0.393 radians)
varGeoC2dir90 <- variog(geodataC2, trend = trend.spatial(data~NapaDicC2+Elev, geodataC2), 
                      direction = 90, tolerance = 45/2, unit.angle = "degrees",
                      max.dist = 400, breaks = seq(from = 0, to = 500, by = 20))
## variog: computing variogram for direction = 90 degrees (1.571 radians)
##         tolerance angle = 22.5 degrees (0.393 radians)
varGeoC2dir135 <- variog(geodataC2, trend = trend.spatial(data~NapaDicC2+Elev, geodataC2), 
                      direction = 135, tolerance = 45/2, unit.angle = "degrees",
                      max.dist = 400, breaks = seq(from = 0, to = 500, by = 20))
## variog: computing variogram for direction = 135 degrees (2.356 radians)
##         tolerance angle = 22.5 degrees (0.393 radians)
# Plot variogramas direccionales - C2
par(mfrow = c(2,2))
plot(varGeoC2dir0, pch = 19, col = "#0080FF", ylim = c(0,1), 
     ylab = "semivarianza", xlab = "distancia", main = "0 grados")
grid()
plot(varGeoC2dir45, pch = 19, col = "#0080FF", ylim = c(0,1), 
     ylab = "semivarianza", xlab = "distancia", main = "45 grados")
grid()
plot(varGeoC2dir90, pch = 19, col = "#0080FF", ylim = c(0,1),
     ylab = "semivarianza", xlab = "distancia", main = "90 grados")
grid()
plot(varGeoC2dir135, pch = 19, col = "#0080FF", ylim = c(0,1),
     ylab = "semivarianza", xlab = "distancia", main = "135 grados")
grid()

par(mfrow = c(1,1))

Con librería gstat

# Con librería gstat:

# Crear variograma empírico direccional - C1
varDirC1 <- variogram(maizC1 ~ NapaDicC1 + Elev,
                      data = datosRindeMaiz[-c(NAs,outliersC1),],
                      width = 20, cutoff = 400,
                      alpha = c(0,45,90,135))

# Plotear variograma
plot(varDirC1, xlab = "distancia", ylab = "semivarianza", main = "C1", pch = 19)

# Con gstat:
varDirC2 <- variogram(maizC2 ~ NapaDicC2 + Elev,
                      data = datosRindeMaiz[-outliersC2,],
                      width = 20, cutoff = 400,
                      alpha = c(0,45,90,135))

# Plotear variograma
plot(varDirC2, xlab = "distancia", ylab = "semivarianza", main = "C2", pch = 19)

La dependencia espacial no difiere entre campañas, ya que la distancia ($h$) a la cual se llega a $\gamma$ ($h_{C1} = ~ 200$ y $h_{C2} = ~ 200$) es aproximadamente la misma para las dos campañas.

Respuesta 3

  1. Ajuste al menos tres tipos de modelos permisibles para cada uno de los variogramas muestrales obtenidos en el punto anterior y elija el mejor en cada caso justificando su elección a partir de un criterio cuantitativo objetivo. Utilice procedimientos de estimación estadísticos para ajustar el modelo del variograma.

Ajustar modelos a variograma

Se ajustaron los modelos esférico, exponencial y circular a los variogramas empíricos obtenidos para cada una de las campañas mediante estimación de parámetros por el método de Máxima versoimilitud restringida (REML). Se utilizó para ello la librería geoR debido a que presenta la función likfit que permite estimar los parámetros necesarios (rango, meseta y pepita) para ajustar un modelo de variograma teórico al variograma empírico y seguir un criterio cuantitativo para seleccionar el mejor modelo. La librería gstat posee la función fit.variogram.reml que cumple con lo anterior pero solo estima el rango. También se probó la función fit.variogram.gls pero no es eficaz para muchos datos y requería de un muestreo aleatorio (trabajar con una submuestra) sobre los datos originales.

Para el ajuste de los modelos se asumió que el efecto pepita o nugget fue cero y no se estimó este parámetro.

# Se cargan los objetos previamente creados
# para evitar hacer corridas muy demandantes de tiempo o generar otros
# datos debido a muestreos aleatorios
load("~/Documentos/GitHub/IntroductionToGeostatistics/data/RData.RData")

# Tomar muestra para el ajuste de 500 puntos
if(length(which(ls() == "geodataC1")) == 0) {
geodataC1 <- sample.geodata(geodataC1, size = 500, replace = FALSE)
}
if(length(which(ls() == "geodataC2")) == 0) {
geodataC2 <- sample.geodata(geodataC2, size = 500, replace = FALSE)
}

# Matriz de posibles parámetros iniciales de rango y meseta para C1
iniCovParsC1 <- cbind("sigma" = seq(1,3,length.out = 20),
                      "phi" = seq(60,240,length.out = 20))

iniCovParsC1 <- as.matrix(iniCovParsC1) # convertir a matriz

if(length(which(ls() == "likfitVarGeoC1.sph")) == 0) {
  
  # Ajuste modelo esférico
likfitVarGeoC1.sph <- likfit(geodataC1,
                             trend = trend.spatial(data~NapaDicC1+Elev, geodataC1),
                             ini.cov.pars = iniCovParsC1,
                             limits = pars.limits(phi = c(50,250), sigmasq = c(0.5,3.5)),
                             fix.nugget = FALSE,
                             cov.model = "spherical",
                             lik.method = "REML")
}

if(length(which(ls() == "likfitVarGeoC1.exp")) == 0) {
  
  # Ajuste modelo exponencial
likfitVarGeoC1.exp <- likfit(geodataC1,
                             trend = trend.spatial(data~NapaDicC1+Elev, geodataC1),
                             ini.cov.pars = iniCovParsC1,
                             limits = pars.limits(phi = c(50,250), sigmasq = c(0.5,3.5)),
                             fix.nugget = TRUE,
                             nugget = 0,
                             cov.model = "exponential",
                             lik.method = "REML")
  
}

if(length(which(ls() == "likfitVarGeoC1.cir")) == 0) {
  
  # Ajuste modelo circular
likfitVarGeoC1.cir <- likfit(geodataC1,
                             trend = trend.spatial(data~NapaDicC1+Elev, geodataC1),
                             ini.cov.pars = iniCovParsC1,
                             limits = pars.limits(phi = c(50,250), sigmasq = c(0.5,3.5)),
                             fix.nugget = TRUE,
                             nugget = 0,
                             cov.model = "circular",
                             lik.method = "REML")
}

# Plot variograma empírico + modelos
plot(varGeoC1, main = "C1", ylab = "semivarianza", 
     xlab = "distancia",  pch = 19, col = "#0080FF", ylim = c(0,2.5))
lines.variomodel(likfitVarGeoC1.sph, col = "red", lty = 1)
lines.variomodel(likfitVarGeoC1.exp, col = "red", lty = 2)
lines.variomodel(likfitVarGeoC1.cir, col = "red", lty = 3)
grid()
legend('topleft', lty = c(1,2,3), legend = c('Esf','Exp','Cir'), col = rep("red", 3))

# Selección de modelo por criterio de información de Akaike
AICmodelosC1 <- data.frame("Modelo" = c('Esférico','Exponencial','Circular'),
                           "AIC" = c(likfitVarGeoC1.sph$AIC,
                                     likfitVarGeoC1.exp$AIC,
                                     likfitVarGeoC1.cir$AIC))
print(AICmodelosC1)
##        Modelo      AIC
## 1    Esférico 1322.100
## 2 Exponencial 1325.434
## 3    Circular 1321.998
# Matriz de posibles parámetros iniciales de rango y meseta para C1
iniCovParsC2 <- cbind("sigma" = seq(0.5,1,length.out = 20),
                      "phi" = seq(100,300,length.out = 20))

iniCovParsC2 <- as.matrix(iniCovParsC2) # convertir a matriz

if(length(which(ls() == "likfitVarGeoC2.sph")) == 0) {

# Ajuste modelo esférico
likfitVarGeoC2.sph <- likfit(geodataC2,
                             trend = trend.spatial(data~NapaDicC2+Elev, geodataC2),
                             ini.cov.pars = iniCovParsC2,
                             limits = pars.limits(phi = c(90,310), sigmasq = c(0.4,1.1)),
                             fix.nugget = TRUE, 
                             nugget = 0,
                             cov.model = "spherical",
                             lik.method = "REML")
}

if(length(which(ls() == "likfitVarGeoC2.exp")) == 0) {
  
  # Ajuste modelo exponencial
likfitVarGeoC2.exp <- likfit(geodataC2,
                             trend = trend.spatial(data~NapaDicC2+Elev, geodataC2),
                             ini.cov.pars = iniCovParsC2,
                             limits = pars.limits(phi = c(90,310), sigmasq = c(0.4,1.1)),
                             fix.nugget = TRUE, 
                             nugget = 0,
                             cov.model = "exponential",
                             lik.method = "REML")
  
}

if(length(which(ls() == "likfitVarGeoC2.cir")) == 0) {

# Ajuste modelo circular
likfitVarGeoC2.cir <- likfit(geodataC2,
                             trend = trend.spatial(data~NapaDicC2+Elev, geodataC2),
                             ini.cov.pars = iniCovParsC2,
                             limits = pars.limits(phi = c(90,310), sigmasq = c(0.4,1.1)),
                             fix.nugget = TRUE, 
                             nugget = 0,
                             cov.model = "circular",
                             lik.method = "REML")
}

# Plot variograma empírico + modelos
plot(varGeoC2, main = "C2", ylab = "semivarianza", 
     xlab = "distancia",  pch = 19, col = "#0080FF", ylim = c(0,2))
lines.variomodel(likfitVarGeoC2.sph, col = "red", lty = 1)
lines.variomodel(likfitVarGeoC2.exp, col = "red", lty = 2)
lines.variomodel(likfitVarGeoC2.cir, col = "red", lty = 3)
grid()
legend('topleft', lty = c(1,2,3), legend = c('Esf','Exp','Cir'), col = rep("red", 3))

# Selección de modelo por criterio de información de Akaike
AICmodelosC2 <- data.frame("Modelo" = c('Esférico','Exponencial','Circular'),
                           "AIC" = c(likfitVarGeoC2.sph$AIC,
                                     likfitVarGeoC2.exp$AIC,
                                     likfitVarGeoC2.cir$AIC))
print(AICmodelosC2)
##        Modelo      AIC
## 1    Esférico 1038.402
## 2 Exponencial 1027.014
## 3    Circular 1069.704

Para la campaña C1 el mejor ajuste del modelo de variograma teórico a los datos fue para el Circular ($AICesf_{C1} = 1322.100$, $AICexp_{C1} = 1325.434$ y $AICcir_{C1} = 1321.998$) mientras que para la C2 fue el modelo Exponencial ($AICesf_{C2} = 1038.402$, $AICexp_{C2} = 1027.014$ y $AICcir_{C2} = 1069.704$). En ambos casos, se eligió dicho modelo debido a que presentó el $AIC$ más bajo.

varMejorTeoC1 <- vgm(psill = likfitVarGeoC1.cir$sigmasq, 
                     model = "Cir", 
                     range = likfitVarGeoC1.cir$phi,
                     nugget = 0)

varMejorTeoC2 <- vgm(psill = likfitVarGeoC2.exp$sigmasq, 
                     model = "Exp", 
                     range = likfitVarGeoC2.exp$phi,
                     nugget = 0)

# Plotear variograma experimental y ajuste modelo teórico
par(mfrow = c(1,2))
plot(x = varOmniC1$dist, y = varOmniC1$gamma, main = "Modelos - C1",
     col = "#0080FF", ylab = "semivarianza", xlab = "distancia",
     ylim = c(0, 2.5), pch = 19)
lines(variogramLine(object = varMejorTeoC1, maxdist = 500), col = "red", lwd = 1, lty = 1)
legend("topleft", c("Circular"), lty = 1, col = "red")
plot(x = varOmniC2$dist, y = varOmniC2$gamma, main = "Modelos - C2",
     col = "#0080FF", ylab = "semivarianza", xlab = "distancia",
     ylim = c(0, 1.5), pch = 19)
lines(variogramLine(object = varMejorTeoC2, maxdist = 500), col = "red", lwd = 1, lty = 1)
legend("topleft", c("Exponencial"), lty = 1, col = "red")

par(mfrow = c(1,1))

Respuesta 4

  1. Realice una interpolación para los datos de rinde de cada campaña mediante kriging ordinario puntual y kriging en bloque. Utilice una grilla de predicción hasta la mitad de fina que la originalmente provista para el kriging puntual y un tamaño de bloque que agrupe al menos nueve observaciones originales. Elabore para cada campaña tanto mapas del rinde de maíz predicho, como de la variabilidad de la predicción. Justifique todas las decisiones necesarias para realizar estas interpolaciones.

Los valores más altos de varianza en todas las predicciones se observaron para aquellos puntos cercanos o sobre celdas donde se eliminaron valores atípicos u outliers.

Tamaño de la grilla y bloque

Para obtener una grilla de predicción de la mitad de fina que la originalmente provista, se utilizó una grilla de con un tamaño de celda de la mitad ($10 m$) que los datos originales ($20 m$) para realizar el Kriging Ordinario Puntual. Además se ajustó la extensión de la grilla de predicción para que ajustara a la original. Para obtener un tamaño de bloque que agrupó al menos nueve observaciones originales (teniendo en cuenta que los puntos originales están separados $20 m$ entre si), se utilizó un tamaño de bloque de $60 m * 60 m$ para realizar el Kriging en Bloque.

# Crear nuevo borde
bb <- matrix(data = c(bbox(datosRindeMaiz)["Long","min"],
                      bbox(datosRindeMaiz)["Long","max"] + 10,
                      bbox(datosRindeMaiz)["Lat","min"],
                      bbox(datosRindeMaiz)["Lat","max"] + 10), 
             2, 2, byrow = TRUE)

colnames(bb) <- c("min", "max")
rownames(bb) <- c("Long", "Lat")

# Definir grilla donde predecir valores
puntosPredecir <- spsample(x = datosRindeMaiz,
                           type = "regular",
                           bb = bb,
                           cellsize = 10, 
                           offset = c(0,0))

# Mostrar grilla 
par(mfrow = c(1,2))
plot(datosRindeMaiz[,], cex = 0, main = "Todos")
plot(datosRindeMaiz, pch = 19, cex =1.5, add = TRUE)
plot(puntosPredecir, pch = 19, col = "green", cex = 0.8, add = TRUE)
box()
plot(datosRindeMaiz[505:510,], cex = 0, main = "Detalle")
plot(datosRindeMaiz, pch = 19, cex =1.5, add = TRUE)
plot(puntosPredecir, pch = 19, col = "green", cex = 0.8, add = TRUE)
box()

par(mfrow = c(1,1))

Kriging Ordinario Puntual

if(length(which(ls() == "intOK.C1")) == 0) {
  
# Interpolacion por Kriging Ordinario (KO)
intOK.C1 <- krige(formula = maizC1 ~ 1, 
                  locations = datosRindeMaiz[-c(NAs, outliersC1),],
                  newdata = puntosPredecir,
                  model = varMejorTeoC1)
}

# Predicho
spplot(intOK.C1, zcol = "var1.pred")

spplot(intOK.C1, zcol = "var1.var")

# Visualizar como grilla
intOK.C1.grid <- SpatialPixelsDataFrame(points = puntosPredecir, 
                                        data = intOK.C1@data)

spplot(intOK.C1.grid, main = "Kriging Ordinario C1 - predicción", zcol = "var1.pred")

spplot(intOK.C1.grid, main = "Kriging Ordinario C1 - varianza", zcol = "var1.var")

if(length(which(ls() == "intOK.C2")) == 0) {

# Interpolacion por Kriging Ordinario (KO)
intOK.C2 <- krige(formula = maizC2 ~ 1, 
                  locations = datosRindeMaiz[-outliersC2,],
                  newdata = puntosPredecir,
                  model = varMejorTeoC2)
}

# Predicho
spplot(intOK.C2, zcol = "var1.pred")

spplot(intOK.C2, zcol = "var1.var")

# Visualizar como grilla
intOK.C2.grid <- SpatialPixelsDataFrame(points = puntosPredecir, 
                                        data = intOK.C2@data)

spplot(intOK.C2.grid, main = "Kriging Ordinario C2 - predicción", zcol = "var1.pred")

spplot(intOK.C2.grid, main = "Kriging Ordinario C2 - varianza", zcol = "var1.var")

Kriging en Bloque

if(length(which(ls() == "intBK.C1")) == 0) {

# Interpolacion por Kriging en Bloque (BK)
intBK.C1 <- krige(formula = maizC1 ~ 1, 
                  locations = datosRindeMaiz[-c(NAs, outliersC1),],
                  newdata = puntosPredecir,
                  model = varMejorTeoC1, 
                  block = c(60,60))
}

# Predicho
spplot(intBK.C1, zcol = "var1.pred")

spplot(intBK.C1, zcol = "var1.var")

# Visualizar como grilla
intBK.C1.grid <- SpatialPixelsDataFrame(points = intBK.C1, 
                                        data = intBK.C1@data)

spplot(intBK.C1.grid, main = "Kriging en Bloque C1 - predicción", zcol = "var1.pred")

spplot(intBK.C1.grid, main = "Kriging en Bloque C1 - varianza", zcol = "var1.var")

if(length(which(ls() == "intBK.C2")) == 0) {

# Interpolacion por Kriging en Bloque (BK)
intBK.C2 <- krige(formula = maizC2 ~ 1, 
                  locations = datosRindeMaiz[-outliersC2,],
                  newdata = puntosPredecir,
                  model = varMejorTeoC2, 
                  block = c(60,60))
}

# Predicho
spplot(intBK.C2, zcol = "var1.pred")

spplot(intBK.C2, zcol = "var1.var")

# Visualizar como grilla
intBK.C2.grid <- SpatialPixelsDataFrame(points = intBK.C2, 
                                        data = intBK.C2@data)

spplot(intBK.C2.grid, main = "Kriging en Bloque C2 - predicción", zcol = "var1.pred")

spplot(intBK.C2.grid, main = "Kriging en Bloque C2 - varianza", zcol = "var1.var")

Respuesta 5

  1. Realice un procedimiento de validación cruzada para el método de interpolación puntual para las campañas analizadas en el punto anterior. Presente resultados sumarios respecto del error de predicción para toda el área estudiada.

Validación cruzada

Se observó que el valor de predicción global ($RMSE$) fue mejor para la C2 que para la C1. Para C1 se observaron valores de rinde bajos ($&lt; 5t/ha$) que presentan diferencias importantes con los valores esperados. Sin embargo, se observó en general una buena predicción para las dos campañas como resumen algunos indicadores según el valor que se espera (ver tabla que se imprime más abajo).

# Validación cruzada mediante partición de los datos en 1000 partes.
# Las predicciones estarán basadas en las restantes N-1 partes para un conjunto 
# de observaciones de la parte N.

if(length(which(ls() == "vcOK.C1")) == 0) {

vcOK.C1 <- krige.cv(formula = maizC1~1,
                    model = varMejorTeoC1,
                    locations = datosRindeMaiz[-c(NAs,outliersC1),],
                    nfold = 1000)
}

if(length(which(ls() == "vcOK.C2")) == 0) {

vcOK.C2 <- krige.cv(formula = maizC2~1,
                    model = varMejorTeoC2,
                    locations = datosRindeMaiz[-outliersC2,],
                    nfold = 1000)
}

# Analizar validación cruzada
par(mfrow = c(2,2))

plot(x = vcOK.C1$observed, 
     y = vcOK.C1$observed - vcOK.C1$residual,
     xlab = "observados",
     ylab = "observados - residuales",
     main = "C1")
lines(x = 0:20, y = 0:20, col = "red")

plot(x = vcOK.C2$observed, 
     y = vcOK.C2$observed - vcOK.C2$residual,
     xlab = "observados",
     ylab = "observados - residuales",
     main = "C2")
lines(x = 0:20, y = 0:20, col = "red")

plot(x = vcOK.C1$observed, 
     y = vcOK.C1$residual,
     xlab = "observados",
     ylab = "residuales",
     main = "C1")
lines(x = 0:19, y = rep(0,20), col = "red")

plot(x = vcOK.C2$observed, 
     y = vcOK.C2$residual,
     xlab = "observados",
     ylab = "residuales",
     main = "C2")
lines(x = 0:19, y = rep(0,20), col = "red")

par(mfrow = c(1,1))

# Calcular RMSE para toda el área
rmse <- function(error) {
  sqrt(mean(error^2))
}

# Observados - predicho
RMSE.C1 <- rmse(vcOK.C1$residual)
RMSE.C2 <- rmse(vcOK.C2$residual)

# Tabla de resultados sumarios
vcResumen <- data.frame("Indicador" = c("Error.medio", 
                                       "Error.medio.cuadrático",
                                       "Error.medio.cuadrático.normalizado",
                                       "Correlación.obsVSpred",
                                       "Correlación.predVSresiduales",
                                       "RMSE"),
                         "ValorC1" = c(mean(vcOK.C1$residual), 
                                      mean(vcOK.C1$residual^2),
                                      mean(vcOK.C1$zscore^2),
                                      cor(vcOK.C1$observed, vcOK.C1$observed - vcOK.C1$residual),
                                      cor(vcOK.C1$observed - vcOK.C1$residual, vcOK.C1$residual),
                                      RMSE.C1),
                         "ValorC2" = c(mean(vcOK.C2$residual), 
                                      mean(vcOK.C2$residual^2),
                                      mean(vcOK.C2$zscore^2),
                                      cor(vcOK.C2$observed, vcOK.C2$observed - vcOK.C2$residual),
                                      cor(vcOK.C2$observed - vcOK.C2$residual, vcOK.C2$residual),
                                      RMSE.C2),
                         "Ideal" = c("0","0","1","1", "0", "0"))
# Ver
(vcResumen)
##                            Indicador       ValorC1      ValorC2 Ideal
## 1                        Error.medio -0.0004023642 -0.001589905     0
## 2             Error.medio.cuadrático  0.4812031353  0.172647943     0
## 3 Error.medio.cuadrático.normalizado  1.7405002999  0.845370420     1
## 4              Correlación.obsVSpred  0.9665152478  0.972647330     1
## 5       Correlación.predVSresiduales -0.0171878934  0.063189291     0
## 6                               RMSE  0.6936880677  0.415509257     0

Respuesta 6

  1. A partir de los modelos lineales regionalizados definidos en el punto 4, realice 300 simulaciones del proceso estocástico mediante kriging puntual ordinario para cada campaña. Asumiendo que ambas campañas fueron similares en cuanto al régimen de lluvias y la dinámica del acuífero elabore un mapa probabilístico que muestre la probabilidad de obtener rindes mayores a 9500 kg.ha-1 integrando la información de ambas campañas. Justifique todas las decisiones necesarias para elaborar este mapa. ¿Cuál es la superficie de este lote que tiene una probabilidad igual o mayor a 0.8 de alcanzar o superar el rinde umbral establecido?

Simulaciones del proceso estocástico

**Nota: ** Dado que para cada nodo visitado del set de datos el algoritmo de simulación secuencial simula un valor y este valor es agregado a los datos, el tiempo computacional requerido para realizar 300 simulaciones utilizando por defecto todos los puntos para cada nodo visitado es muy grande. Por eso se restringió a un radio de vecinos dado por todos los puntos encontrados a una distancia menor a $120 m$.

# Simulación por Kriging Ordinario (KO)

if(length(which(ls() == "KOSim.C1")) == 0) {
  
KOSim.C1 <- krige(formula = maizC1 ~ 1,
                  locations = datosRindeMaiz[-c(NAs,outliersC1),],
                  newdata = puntosPredecir,
                  model = varMejorTeoC1,
                  nsim = 300, maxdist = 120)
}

if(length(which(ls() == "KOSim.C2")) == 0) {
  
KOSim.C2 <- krige(formula = maizC2 ~ 1,
                  locations = datosRindeMaiz[-outliersC2,],
                  newdata = puntosPredecir,
                  model = varMejorTeoC2,
                  nsim = 300, maxdist = 120)
}

Cálculo de probabilidad

if(length(which(ls() == "probRinde")) == 0) {

# Probabilidad de obtener rindes mayores a 9500 kg.ha-1 
probRinde <- numeric()
nroCeldas <- length(KOSim.C1$sim1)

# Recorro los datos simulados
for(i in 1:nroCeldas) {

  # Vectores
  C1Mayor <- length(which(KOSim.C1@data[i,] > 9.5))
  C2Mayor <- length(which(KOSim.C2@data[i,] > 9.5))
  
  # Condiciones
  ifelse(test = C1Mayor != 0, yes = probC1 <- C1Mayor/300, no = probC1 <- 0)
  ifelse(test = C2Mayor != 0, yes = probC2 <- C2Mayor/300, no = probC2 <- 0)
  
  # Calcular probabilidad
  probRinde[i] <- (probC1 + probC2) / 2
  
}

}

# Crear objeto espacial
probRindeMayor9500 <- SpatialPointsDataFrame(coords = KOSim.C1@coords, 
                                             data = data.frame("ID" = 1:nrow(KOSim.C1@coords),
                                                               "Prob" = probRinde))

# Plot
spplot(probRindeMayor9500, zcol = "Prob", colorkey = TRUE,
       main = "Probabilidad Rindes > 9500 kg.ha-1")

# Visualizar como grilla
probRindeMayor9500.grid <- SpatialPixelsDataFrame(points = puntosPredecir, 
                                        data = probRindeMayor9500@data)

spplot(probRindeMayor9500.grid, main = "Probabilidad Rindes > 9500 kg.ha-1", 
       zcol = "Prob", colorkey = TRUE)

Cálculo de superficie

La superficie estimada del lote que tiene una probabilidad igual o mayor a $0.8$ de alcanzar o superar el rinde umbral establecido fue de $88600 m^{2}$. Equivale a casi el $10%$ ($9.79%$) de la superficie total del lote.

# Consulto grilla creada anteriormente
mayorProbUmbral <- probRindeMayor9500.grid[which(probRindeMayor9500.grid$Prob>=0.8),]

# Tamaño de grilla:
mayorProbUmbral@grid@cellsize # 10 metros por 10 metros
## x1 x2 
## 10 10
# Cálcular superficie
areaCelda <- 10*10
cantidadCeldasCumplenCondicion <- length(mayorProbUmbral$Prob)
areaTotal <- cantidadCeldasCumplenCondicion * areaCelda
paste("Área total que cumple condición: ",
      areaTotal, " m2",
      sep = "")
## [1] "Área total que cumple condición: 88600 m2"
# Calcular porcentaje del lote
areaTotalLote <- length(probRindeMayor9500.grid$ID) * areaCelda
porcentajeAreaTotalCeldasCumplenCondicion <- (areaTotal/areaTotalLote)*100
paste("Porcentaje del Área total del lote que cumple condición: ",
      round(porcentajeAreaTotalCeldasCumplenCondicion, digits = 2), " %",
      sep = "")
## [1] "Porcentaje del Área total del lote que cumple condición: 9.79 %"
# Plot
spplot(mayorProbUmbral, zcol = "Prob", colorkey = TRUE,
       main = "Probabilidad > 0.8")

About

Mandatory work for Introduction to Geostatistics course on University of Buenos Aires (UBA)

Topics

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published

Languages