समय के साथ प्रवृत्ति का प्रतिनिधित्व कैसे करें?


34

मेरे पास चूहों की एक समय श्रृंखला है जहां प्रत्येक रेखापुंज की कोशिकाएं एक निश्चित समय में कुछ मूल्य का प्रतिनिधित्व करती हैं।

मैं एक ऐसा मानचित्र तैयार करना चाहता हूं जो प्रत्येक सेल के लिए समय के साथ इस मूल्य में सकारात्मक या नकारात्मक रुझानों के परिमाण को उजागर करता है।

मेरा कुछ भोली दृष्टिकोण प्रत्येक कोशिका के लिए एक सरल रेखीय प्रतिगमन (X = समय और Y = मान) फिट करने के लिए है और ढलानों की सरणी को एक रेखापुंज (उदाहरण के नीचे चित्र के अनुसार) के आउटपुट के लिए है। यह केवल महत्वपूर्ण परिणाम निर्यात करके फ़िल्टर किया जा सकता है।

चार व्यक्तिगत कोशिकाओं से समय श्रृंखला

रैखिक प्रतिगमन से ढलान

मैं और कैसे एक रेखापुंज समय में प्रवृत्ति का प्रतिनिधित्व कर सकते हैं?

मुझे सामान्य तकनीकों में दिलचस्पी है, न कि विशिष्ट निर्देशों के लिए।

जवाबों:


15

अनुमानित ढलानों को प्लॉट करना, जैसा कि प्रश्न में है, एक बड़ी बात है। महत्व से छानने के बजाय, हालांकि - या इसके साथ संयोजन के रूप में - क्यों न प्रत्येक माप डेटा को कितनी अच्छी तरह से फिट करता है, इसके बारे में कुछ माप करें? इसके लिए, प्रतिगमन की औसत चुकता त्रुटि आसानी से व्याख्या और सार्थक है।

एक उदाहरण के रूप में, Rनीचे दिया गया कोड 11 रिस्तों की एक समय श्रृंखला उत्पन्न करता है, प्रतिगमन करता है, और परिणामों को तीन तरीकों से प्रदर्शित करता है: नीचे की पंक्ति में, अनुमानित ढलानों के अलग-अलग ग्रिड और मतलब चुकता त्रुटियों के रूप में; शीर्ष पंक्ति पर, उन ग्रिडों के ओवरले के साथ-साथ सही अंतर्निहित ढलान के साथ (जो अभ्यास में आपके पास कभी नहीं होगा, लेकिन तुलना के लिए कंप्यूटर सिमुलेशन द्वारा वहन किया जाता है)। ओवरले, क्योंकि यह एक चर (अनुमानित ढलान) के लिए रंग और दूसरे (MSE) के लिए लपट का उपयोग करता है, इस विशेष उदाहरण में व्याख्या करना आसान नहीं है, लेकिन साथ में नीचे पंक्ति पर अलग-अलग नक्शे उपयोगी और दिलचस्प हो सकते हैं।

मैप्स

(कृपया ओवरले पर ओवरलैप की गई किंवदंतियों को नजरअंदाज करें। ध्यान दें, यह भी कि, "ट्रू स्लोप्स" मैप के लिए रंग योजना अनुमानित ढलानों के मानचित्रों के समान नहीं है: यादृच्छिक त्रुटि के कारण अनुमानित ढलानों में से कुछ का विस्तार होता है। असली ढलानों की तुलना में अधिक चरम सीमा। यह एक सामान्य घटना है जो प्रतिगमन से संबंधित है ।)

BTW, यह एक ही समय के लिए बड़ी संख्या में पंजीकरण करने का सबसे कुशल तरीका नहीं है: इसके बजाय, प्रोजेक्शन मैट्रिक्स को प्री-कॉम्प्लेक्ट किया जा सकता है और प्रत्येक " प्रतिगमन के लिए इसे पुनर्संयोजित करने की तुलना में अधिक तेज़ी से पिक्सेल के" स्टैक "पर लागू किया जा सकता है । लेकिन इस छोटे चित्रण के लिए यह कोई मायने नहीं रखता है।


# Specify the extent in space and time.
#
n.row <- 60; n.col <- 100; n.time <- 11
#
# Generate data.
#
set.seed(17)
sd.err <- outer(1:n.row, 1:n.col, function(x,y) 5 * ((1/2 - y/n.col)^2 + (1/2 - x/n.row)^2))
e <- array(rnorm(n.row * n.col * n.time, sd=sd.err), dim=c(n.row, n.col, n.time))
beta.1 <- outer(1:n.row, 1:n.col, function(x,y) sin((x/n.row)^2 - (y/n.col)^3)*5) / n.time
beta.0 <- outer(1:n.row, 1:n.col, function(x,y) atan2(y, n.col-x))
times <- 1:n.time
y <- array(outer(as.vector(beta.1), times) + as.vector(beta.0), 
       dim=c(n.row, n.col, n.time)) + e
#
# Perform the regressions.
#
regress <- function(y) {
  fit <- lm(y ~ times)
  return(c(fit$coeff[2], summary(fit)$sigma))
}
system.time(b <- apply(y, c(1,2), regress))
#
# Plot the results.
#
library(raster)
plot.raster <- function(x, ...) plot(raster(x, xmx=n.col, ymx=n.row), ...)
par(mfrow=c(2,2))
plot.raster(b[1,,], main="Slopes with errors")
plot.raster(b[2,,], add=TRUE, alpha=.5, col=gray(255:0/256))
plot.raster(beta.1, main="True slopes")
plot.raster(b[1,,], main="Estimated slopes")
plot.raster(b[2,,], main="Mean squared errors", col=gray(255:0/256))

4

आप जो वर्णन कर रहे हैं वह "चेंज डिटेक्शन" है। रस्टर्स का उपयोग करके परिवर्तन का पता लगाने के लिए कई तकनीकें हैं। संभवतः सबसे आम छवि भिन्नता है जहां आप एक छवि को दूसरे से तीसरे को उत्पन्न करने के लिए घटाते हैं। हालाँकि, यह उस डेटा के प्रकार पर निर्भर करता है जिसकी आप तुलना करने की कोशिश कर रहे हैं। आपकी छवि से, ऐसा लगता है कि आप समय के साथ ढलान में परिवर्तन की तुलना कर रहे हैं (जब तक कि यह क्षेत्र प्रमुख भूमि कार्यों के अधीन नहीं है, यह बहुत अधिक परिवर्तन की संभावना नहीं है)। हालाँकि, यदि आप समय के साथ भूमि वर्ग के बदलावों की तुलना कर रहे हैं, तो आप एक अलग दृष्टिकोण का उपयोग कर सकते हैं।

मैं डी। लू एट अल द्वारा इस लेख के पार आया जिसमें वे परिवर्तन का पता लगाने के विभिन्न तरीकों की तुलना करते हैं। यहाँ सार है:

बेहतर निर्णय लेने को बढ़ावा देने के लिए मानव और प्राकृतिक घटनाओं के बीच संबंधों और बातचीत को समझने के लिए पृथ्वी की सतह सुविधाओं का समय पर और सटीक परिवर्तन का पता लगाना बेहद महत्वपूर्ण है। रिमोट सेंसिंग डेटा हाल के दशकों में परिवर्तन का पता लगाने के लिए बड़े पैमाने पर उपयोग किए जाने वाले प्राथमिक स्रोत हैं। कई परिवर्तन का पता लगाने की तकनीक विकसित की गई है। यह पेपर इन तकनीकों का सारांश और समीक्षा करता है। पिछले साहित्य ने दिखाया है कि छवि भिन्नता, प्रमुख घटक विश्लेषण और पोस्ट-क्लासी are केशन तुलना परिवर्तन का पता लगाने के लिए सबसे सामान्य तरीके हैं। हाल के वर्षों में, वर्णक्रमीय मिश्रण विश्लेषण, आरती ural सियाल तंत्रिका नेटवर्क और भौगोलिक सूचना प्रणाली का एकीकरण और रिमोट सेंसिंग डेटा परिवर्तन का पता लगाने वाले अनुप्रयोगों के लिए महत्वपूर्ण तकनीक बन गए हैं। अलग-अलग परिवर्तन का पता लगाने वाले एल्गोरिदम का अपना गुण है और कोई भी दृष्टिकोण सभी मामलों में इष्टतम और लागू नहीं है। व्यवहार में, अलग-अलग एल्गोरिदम की तुलना अक्सर different nd से होती है, जो स्पैशल fi सी एप्लिकेशन के लिए सबसे अच्छा परिवर्तन का पता लगाने वाला परिणाम है। परिवर्तन का पता लगाने की तकनीक का अनुसंधान अभी भी एक सक्रिय विषय है और तेजी से विविध और जटिल दूरसंवेदी डेटा उपलब्ध या जल्द ही उपग्रह और हवाई सेंसरों से उपलब्ध होने का अनुमान लगाने के लिए नई तकनीकों की आवश्यकता है। यह पत्र साहित्य में पाए जाने वाले सभी प्रमुख परिवर्तन का पता लगाने के दृष्टिकोण का एक व्यापक अन्वेषण है। अलग-अलग एल्गोरिदम की तुलना अक्सर i एन डी के लिए होती है, जो स्पि application सी एप्लिकेशन के लिए सबसे अच्छा परिवर्तन का पता लगाने वाला परिणाम है। परिवर्तन का पता लगाने की तकनीक का अनुसंधान अभी भी एक सक्रिय विषय है और तेजी से विविध और जटिल दूरसंवेदी डेटा उपलब्ध या जल्द ही उपग्रह और हवाई सेंसरों से उपलब्ध होने का अनुमान लगाने के लिए नई तकनीकों की आवश्यकता है। यह पत्र साहित्य में पाए जाने वाले सभी प्रमुख परिवर्तन का पता लगाने के दृष्टिकोण का एक व्यापक अन्वेषण है। अलग-अलग एल्गोरिदम की तुलना अक्सर i एन डी के लिए होती है, जो स्पि application सी एप्लिकेशन के लिए सबसे अच्छा परिवर्तन का पता लगाने वाला परिणाम है। परिवर्तन का पता लगाने की तकनीक का अनुसंधान अभी भी एक सक्रिय विषय है और तेजी से विविध और जटिल दूरसंवेदी डेटा उपलब्ध या जल्द ही उपग्रह और हवाई सेंसरों से उपलब्ध होने का अनुमान लगाने के लिए नई तकनीकों की आवश्यकता है। यह पत्र साहित्य में पाए जाने वाले सभी प्रमुख परिवर्तन का पता लगाने के दृष्टिकोण का एक व्यापक अन्वेषण है।


4

यूएसजीएस अपर मिडवेस्ट एनवायरनमेंटल साइंसेज सेंटर द्वारा कर्व फिट नामक एक आर्कगिस ऐड-ऑन विकसित किया गया है : एक पिक्सेल स्तर रेखापुंज रिग्रेशन उपकरण जो आपके बाद हो सकता है। प्रलेखन से:

कर्व फिट जीआईएस एप्लिकेशन आर्कपैक का एक एक्सटेंशन है जो उपयोगकर्ता को रेखापुंज डेटासेट (भू-संदर्भित चित्र) की एक श्रृंखला पर प्रतिगमन विश्लेषण चलाने की अनुमति देता है। उपयोगकर्ता एक व्याख्यात्मक चर (एक्स) के लिए मूल्यों की एक सरणी में प्रवेश करता है। संबंधित प्रतिक्रिया चर (Y) का प्रतिनिधित्व करने वाला रास्टर डेटासेट उपयोगकर्ता द्वारा दर्ज किए गए प्रत्येक X मान के साथ जोड़ा जाता है। कर्व फिट फिर इनपुट रेस्टर डेटासेट के प्रत्येक पिक्सेल में एक अद्वितीय गणितीय मॉडल की गणना करने के लिए या तो रैखिक या नॉनलाइनर रिग्रेशन तकनीकों (उपयोगकर्ता चयन के आधार पर) का उपयोग करता है। वक्र फ़िट पैरामीटर अनुमान, त्रुटि और बहु-मॉडल निष्कर्ष की रेखापुंज सतहों को आउटपुट करता है। कर्व फिट दोनों एक व्याख्यात्मक और भविष्य कहनेवाला उपकरण है जो बेहतरीन पैमाने पर प्रमुख सांख्यिकीय कार्यों को करने की क्षमता के साथ स्थानिक मॉडल प्रदान करता है।

हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.