Analisa Geospasial Stata Cum-Root Amazonia Timur dengan biomasa di atas permukaan tanah (AGB) menggunakan radiasi infra merah gelombang pendek (SWIR2) – R

By . Posted on

Statistik spasial adalah cabang ilmu statistik yang mempelajari fenomena yang bervariasi secara spasial atau geografis. Statistik spasial dapat digunakan untuk menganalisis pola sebaran, keterkaitan, dan ketergantungan antara lokasi-lokasi dalam suatu wilayah. Statistik spasial juga dapat digunakan untuk melakukan interpolasi atau prediksi nilai-nilai di lokasi yang tidak diketahui berdasarkan data yang tersedia di lokasi yang diketahui.

Geostatistik adalah salah satu metode statistik spasial yang berfokus pada analisis data yang memiliki sifat kontinu dan stokastik. Geostatistik mengasumsikan bahwa data spasial memiliki struktur variogram yang menggambarkan hubungan antara varians dan jarak spasial. Geostatistik dapat digunakan untuk melakukan estimasi dan simulasi nilai-nilai di lokasi yang tidak diketahui dengan mempertimbangkan struktur variogram dan distribusi probabilitas data. Geostatistik juga dapat digunakan untuk mengukur ketidakpastian hasil estimasi atau simulasi.

Tulis skrip R untuk menghitung lima stata cum-root fgrd Amazonia untuk Amazonia Timur (dalam paket sswr) untuk memperkirakan rata-rata populasi biomasa di atas permukaan tanah (AGB), menggunakan radiasi infra merah gelombang pendek (SWIR2) yang ditransformasi log sebagai variabel stratifikasi.

Hitung sepuluh strata cum-root-f, menggunakan fungsi sampling strata paket. Urutkan unit terlebih dahulu dalam urutan menaik pada InSWIR2. Gunakan ukuran sampel stata seperti yang dihitung oleh function. Alokasi apa yang digunakan untuk menghitung ukuran sample stata? strata.cumrootf
Pilih sampel acak sederhana bertingkat dari 100 unit. Pertama, hitung ukuran sampel stata untuk alokasi proporsional.

Perkiraan rata-rata populasi AGB dan varian pengambilan sampelnya.

Hitunglah varian sampling sebenarnya dari estimator rata-rata untuk desain sampling ini (lihat Latihan 1 untuk petunjuk).

Hitung efek stratifikasi (mendapatkan presisi). Petunjuk : hitung carian sampling untuk simple random sampling dengan menghitung varian populasi AGB, dan membaginya dengan total ukuran sample.

.

Project :

Perbedaan utama antara statistik spasial dan geostatistik adalah bahwa statistik spasial lebih luas dan mencakup berbagai metode analisis data spasial, sedangkan geostatistik adalah salah satu metode spesifik yang memiliki asumsi dan teknik tertentu. Statistik spasial dapat digunakan untuk menganalisis data spasial yang bersifat diskrit atau kategorikal, sedangkan geostatistik hanya dapat digunakan untuk menganalisis data spasial yang bersifat kontinu dan stokastik. Statistik spasial juga dapat digunakan untuk menganalisis data spasial yang tidak memiliki struktur variogram atau distribusi probabilitas tertentu, sedangkan geostatistik memerlukan adanya struktur variogram dan distribusi probabilitas yang diketahui atau dapat diestimasi.

Mengapa Geostistik penting untuk dipelajari ?

Geostatistik adalah cabang ilmu statistik yang mempelajari fenomena geografis atau spasial dengan menggunakan metode matematika dan komputasi. Geostatistik penting untuk dipelajari karena dapat memberikan informasi yang berguna dan akurat tentang karakteristik suatu wilayah, seperti sumber daya alam, kualitas lingkungan, pola sebaran populasi, dan lain-lain. Geostatistik juga dapat membantu dalam perencanaan, pengelolaan, dan pengambilan keputusan yang berkaitan dengan masalah-masalah geografis atau spasial. Geostatistik dapat diterapkan dalam berbagai bidang ilmu, seperti geologi, hidrologi, ekologi, epidemiologi, ekonomi, dan lain-lain. Dengan mempelajari geostatistik, kita dapat meningkatkan pemahaman kita tentang fenomena geografis atau spasial dan mengembangkan solusi yang tepat dan efisien untuk menghadapi tantangan-tantangan yang ada di dunia nyata.

Contoh implementasi geostatistik adalah dalam bidang eksplorasi mineral, hidrologi, meteorologi, dan lingkungan. Salah satu langkah dalam implementasi geostatistik adalah melakukan analisis variogram untuk mengetahui struktur spasial dari data. Variogram menggambarkan hubungan antara varians dari selisih data dengan jarak antara titik pengamatan. Dari variogram, dapat ditentukan nilai sill, range, dan nugget yang merepresentasikan karakteristik spasial data. Langkah selanjutnya adalah melakukan interpolasi atau estimasi dengan metode kriging. Kriging adalah metode estimasi berbasis variogram yang meminimalkan kesalahan kuadrat rata-rata dari estimasi. Kriging dapat dibedakan menjadi beberapa jenis, seperti kriging sederhana, kriging biasa, kriging universal, dan kriging indikator. Hasil dari kriging adalah peta kontur yang menunjukkan distribusi spasial dari variabel yang diamati.

.

.

Variogram adalah alat statistik yang digunakan untuk mengukur ketergantungan spasial antara titik-titik data yang tersebar di ruang. Variogram dapat membantu kita memahami pola sebaran data, menentukan skala fenomena yang diamati, dan memilih metode interpolasi yang sesuai. Cara analisis variogram adalah sebagai berikut:

1. Menghitung jarak antara setiap pasangan titik data yang tersedia.

2. Mengelompokkan pasangan titik data berdasarkan rentang jarak tertentu (misalnya 0-10 m, 10-20 m, dan seterusnya).

3. Menghitung nilai semivariogram untuk setiap kelompok jarak, yaitu setengah dari rata-rata kuadrat perbedaan nilai antara pasangan titik data dalam kelompok tersebut.

4. Membuat grafik semivariogram terhadap jarak, dengan sumbu horizontal menunjukkan jarak dan sumbu vertikal menunjukkan semivariogram.

5. Menginterpretasikan bentuk grafik semivariogram untuk mengetahui karakteristik ketergantungan spasial data, seperti jangkauan (jarak di mana semivariogram mencapai nilai maksimum atau stabil), nugget (nilai semivariogram pada jarak nol atau sangat kecil), dan sill (nilai maksimum atau stabil dari semivariogram).

6. Memilih model matematis yang sesuai untuk menyesuaikan grafik semivariogram, seperti model linier, eksponensial, gauss, atau sferis.

7. Menggunakan model semivariogram yang dipilih untuk melakukan interpolasi spasial data menggunakan metode kriging atau lainnya.

.

SOURCE CODE

library(sampling)
library(stratification)
library(ggplot2)
library(sswr)

#set number of strata
H <- 10

#compute optimal strata
nclass <- H * 100 #number of classes used in computing the histogram

#compute lnSWIR2, and sort tibble on lnSWIR2
grdAmazonia <- grdAmazonia %>%
  mutate(lnSWIR = log(SWIR2)) %>%
  arrange(lnSWIR2)

#NB n does not influence the optimal stratification
n <- 100
optstrata <- strata.cumrootf(
  x = grdAmazonia$lnSWIR2, n = n, Ls = H, nclass = nclass)

optstrata$bh #stratum boundaries
optstrata$Nh #stratum sizes

#add optimal strata to data frame
grdAmazonia$optstrata <- optstrata$stratumID

#compute stratum sample sizes for proportional allocation
w_h <- optstrata$Nh / sum(optstrata$Nh)
(n_h <- round(w_h * n))
sum(n_h)
n_h[1] <- n_h[1] + 1

#select stratified simple random sample
set.seed(314)
units <- sampling::strata(
  grdAmazonia, stratanames = "optstrata", size = n_h, method = "srswor")
mysample <- getdata(grdAmazonia, units)
mz_h <- tapply(mysample$AGB, INDEX = mysample$optstrata, FUN = mean)
(mz <- sum(w_h * mz_h))
S2z_h <- tapply(mysample$AGB, INDEX = mysample$optstrata, FUN = var)
(v_mz <- sum(w_h^2 * (1 - n_h / optstrata$Nh) * S2z_h / n_h))

#The sampling variance can be computed without error from the population
S2z_h_pop <- tapply(grdAmazonia$AGB, INDEX = grdAmazonia$optstrata, FUN = var)
(v_mz_true <- sum(w_h^2 * (1 - n_h / optstrata$Nh) * S2z_h_pop / n_h))

#compute gain in precision due to stratification (stratification effect)
v_mz_SI_true <- (1 - n / sum(optstrata$Nh)) * var(grdAmazonia$AGB) / n
(gain <- v_mz_SI_true / v_mz_true)

.

RESULT

COMMENTS (1)

Leave a Reply

Your email address will not be published. Required fields are marked *