সময়ের সাথে সাথে কীভাবে প্রবণতা উপস্থাপন করবেন?


34

আমার কাছে রেস্টারদের এমন একটি সিরিজ রয়েছে যেখানে প্রতিটি রাস্টারের কোষগুলি নির্দিষ্ট সময়ে কিছু মান উপস্থাপন করে।

আমি এমন একটি মানচিত্র তৈরি করতে চাই যা প্রতিটি ঘরের জন্য সময়ের সাথে এই মানটির ধনাত্মক বা নেতিবাচক প্রবণতাগুলির উচ্চতা হাইলাইট করে।

আমার কিছুটা নির্বোধ দৃষ্টিভঙ্গি হ'ল প্রতিটি লক্ষে একটি সাধারণ লিনিয়ার রিগ্রেশন (এক্স = টাইম এবং ওয়াই = মান) ফিট করে slালের অ্যারেটিকে একটি রাস্টারকে আউটপুট করা (নীচের চিত্রগুলি হিসাবে উদাহরণ হিসাবে)। এটি কেবলমাত্র গুরুত্বপূর্ণ ফলাফল রফতানি করে ফিল্টার করা যায়।

চারটি পৃথক কক্ষ থেকে সময় সিরিজ

লিনিয়ার রিগ্রেশন থেকে Slালু

রাস্টারের টাইমসারিগুলিতে আমি সময়ের সাথে সাথে ট্রেন্ডকে কীভাবে উপস্থাপন করতে পারি?

আমি সাধারণ কৌশলগুলিতে আগ্রহী নই সফ্টওয়্যার নির্দিষ্ট নির্দেশাবলী not

উত্তর:


15

প্রশ্নের হিসাবে আনুমানিক opালু প্লট করা একটি দুর্দান্ত জিনিস। তাত্পর্য অনুসারে ফিল্টারিংয়ের পরিবর্তে - যদিও - বা এর সাথে একত্রে - প্রতিটি প্রতিরোধের ডেটা ফিট করে এমন কিছু পরিমাপ কেন ম্যাপ করবেন না? এর জন্য, রিগ্রেশনটির গড় স্কোয়ার ত্রুটি সহজেই ব্যাখ্যা করা এবং অর্থপূর্ণ।

উদাহরণস্বরূপ, Rনীচের কোডটি 11 রাস্টারগুলির একটি টাইম সিরিজ উত্পন্ন করে, রিগ্রেশনগুলি সম্পাদন করে এবং ফলাফলটি তিনটি উপায়ে প্রদর্শন করে: নীচের সারিতে আনুমানিক opালু এবং পৃথক স্কোয়ার ত্রুটির পৃথক গ্রিড হিসাবে; উপরের সারিতে, সেই গ্রিডগুলির ওভারলে হিসাবে একত্রে প্রকৃত অন্তর্নিহিত opালু (যা বাস্তবে আপনি কখনই পাবেন না, তবে কম্পিউটার সিমুলেশন দ্বারা তুলনা করার জন্য সরবরাহ করা হয়)। ওভারলে, কারণ এটি একটি পরিবর্তনশীল (আনুমানিক slাল) এবং অন্য (এমএসই) জন্য হালকা রঙ ব্যবহার করে, এই বিশেষ উদাহরণে ব্যাখ্যা করা সহজ নয়, তবে নীচের সারিতে পৃথক মানচিত্রের সাথে একত্রে দরকারী এবং আকর্ষণীয় হতে পারে।

মানচিত্র

(দয়া করে ওভারলেলে ওভারল্যাপড কিংবদন্তিগুলি উপেক্ষা করুন Note নোট, এছাড়াও, "সত্য slালু" মানচিত্রের জন্য রঙিন স্কিম আনুমানিক opালুগুলির মানচিত্রের মতো একদম একই নয়: এলোমেলো ত্রুটি আনুমানিক slালুগুলির কয়েকটি বিস্তৃত হতে পারে সত্য opালের চেয়ে আরও চূড়ান্ত পরিসীমা the এটি গড় প্রতিরোধের সাথে সম্পর্কিত একটি সাধারণ ঘটনা )

বিটিডাব্লু, একই সময়ের জন্য বড় সংখ্যক রিগ্রেশন করা সবচেয়ে কার্যকর উপায় নয়: পরিবর্তে, প্রতিটি রিগ্রেশনের পুনঃনির্মাণের চেয়ে প্রজেকশন ম্যাট্রিক্সকে পিক্সেলের প্রতিটি "স্ট্যাক" আরও দ্রুত প্রয়োগ করা যেতে পারে । তবে এই ছোট উদাহরণটির জন্য এটি কোনও বিষয় নয়।


# 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

আপনি যা বর্ণনা করছেন তা হ'ল "পরিবর্তন সনাক্তকরণ"। রাস্টারগুলি ব্যবহার করে পরিবর্তন সনাক্তকরণের জন্য অনেক কৌশল রয়েছে। সম্ভবত সবচেয়ে সাধারণ চিত্রের বিচ্ছিন্নতা যেখানে আপনি একটি তৃতীয় উত্পাদন করতে অন্য চিত্র থেকে বিয়োগ করেন। যদিও, আপনি যে ধরণের ডেটা তুলনার চেষ্টা করছেন তার উপর এটি নির্ভর করে। আপনার চিত্র থেকে দেখে মনে হচ্ছে আপনি সময়ের সাথে সাথে opeালের পরিবর্তনের সাথে তুলনা করছেন (যদি এই অঞ্চলটি বড় স্থল কাজের সাপেক্ষে না হয় তবে এটি খুব বেশি পরিবর্তিত হওয়ার সম্ভাবনা নেই)। তবে, যদি আপনি সময়ের সাথে স্থল শ্রেণীর পরিবর্তনের তুলনা করে থাকেন তবে আপনি অন্যরকম পদ্ধতির ব্যবহার করতে পারেন।

আমি এই নিবন্ধটি জুড়ে এসেছি ডি লু এট আল। যার মধ্যে তারা পরিবর্তন সনাক্তকরণের বিভিন্ন পদ্ধতির তুলনা করে। বিমূর্তি এখানে:

আরও ভাল সিদ্ধান্ত গ্রহণের প্রচারের জন্য মানব এবং প্রাকৃতিক ঘটনার মধ্যে সম্পর্ক এবং মিথস্ক্রিয়া বোঝার জন্য পৃথিবীর পৃষ্ঠের বৈশিষ্ট্যগুলির সময়োপযোগী এবং সঠিক পরিবর্তন সনাক্তকরণ অত্যন্ত গুরুত্বপূর্ণ। রিমোট সেন্সিং ডেটা হ'ল সাম্প্রতিক দশকে পরিবর্তন সনাক্তকরণের জন্য ব্যাপকভাবে ব্যবহৃত প্রাথমিক উত্স। অনেক পরিবর্তন সনাক্তকরণ কৌশল বিকাশ করা হয়েছে। এই কাগজগুলি এই কৌশলগুলির সংক্ষিপ্তসার এবং পর্যালোচনা করে। পূর্ববর্তী সাহিত্যে দেখা গেছে যে চিত্রটি পৃথক করে, মূল উপাদান বিশ্লেষণ এবং উত্তর-শ্রেণীর সাথে তুলনাগুলি পরিবর্তন সনাক্তকরণের জন্য ব্যবহৃত সবচেয়ে সাধারণ পদ্ধতি। সাম্প্রতিক বছরগুলিতে বর্ণালী মিশ্রণ বিশ্লেষণ, আরটি সিয়াল নিউরাল নেটওয়ার্ক এবং ভৌগলিক তথ্য সিস্টেমের সংহতকরণ এবং রিমোট সেন্সিং ডেটা পরিবর্তন সনাক্তকরণ অ্যাপ্লিকেশনগুলির জন্য গুরুত্বপূর্ণ কৌশল হয়ে উঠেছে। বিভিন্ন পরিবর্তন সনাক্তকরণের অ্যালগরিদমের নিজস্ব গুণ রয়েছে এবং কোনও ক্ষেত্রেই একক পদ্ধতির অনুকূল এবং সব ক্ষেত্রে প্রযোজ্য নয়। অনুশীলনে, বিভিন্ন অ্যালগরিদমগুলি প্রায়শই একটি স্পেসিফিক অ্যাপ্লিকেশনটির জন্য সেরা পরিবর্তন সনাক্তকরণ ফলাফলের সাথে তুলনা করা হয়। পরিবর্তন সনাক্তকরণ কৌশলগুলির গবেষণা এখনও একটি সক্রিয় বিষয় এবং উপগ্রহ এবং বায়ুবাহিত সেন্সরগুলি থেকে শীঘ্রই উপলব্ধ বা প্রত্যাশিত ক্রমবর্ধমান বিচিত্র এবং জটিল দূরবর্তী সংবেদনশীল ডেটা কার্যকরভাবে ব্যবহার করার জন্য নতুন কৌশলগুলির প্রয়োজন needed এই কাগজটি সাহিত্যে যেমন পাওয়া যায় তেমন প্রয়োগ করা সমস্ত বড় পরিবর্তন সনাক্তকরণ পদ্ধতির একটি বিস্তৃত অনুসন্ধান। বিভিন্ন অ্যালগরিদমগুলি প্রায়শই একটি স্পেসিফিক অ্যাপ্লিকেশনটির জন্য সেরা পরিবর্তন সনাক্তকরণ ফলাফলের সাথে তুলনা করা হয়। পরিবর্তন সনাক্তকরণ কৌশলগুলির গবেষণা এখনও একটি সক্রিয় বিষয় এবং উপগ্রহ এবং বায়ুবাহিত সেন্সরগুলি থেকে শীঘ্রই উপলব্ধ বা প্রত্যাশিত ক্রমবর্ধমান বিচিত্র এবং জটিল দূরবর্তী সংবেদনশীল ডেটা কার্যকরভাবে ব্যবহার করার জন্য নতুন কৌশলগুলির প্রয়োজন needed এই কাগজটি সাহিত্যে যেমন পাওয়া যায় তেমন প্রয়োগ করা সমস্ত বড় পরিবর্তন সনাক্তকরণ পদ্ধতির একটি বিস্তৃত অনুসন্ধান। বিভিন্ন অ্যালগরিদমগুলি প্রায়শই একটি স্পেসিফিক অ্যাপ্লিকেশনটির জন্য সেরা পরিবর্তন সনাক্তকরণ ফলাফলের সাথে তুলনা করা হয়। পরিবর্তন সনাক্তকরণ কৌশলগুলির গবেষণা এখনও একটি সক্রিয় বিষয় এবং উপগ্রহ এবং বায়ুবাহিত সেন্সরগুলি থেকে শীঘ্রই উপলব্ধ বা প্রত্যাশিত ক্রমবর্ধমান বিচিত্র এবং জটিল দূরবর্তী সংবেদনশীল ডেটা কার্যকরভাবে ব্যবহার করার জন্য নতুন কৌশলগুলির প্রয়োজন needed এই কাগজটি সাহিত্যে যেমন পাওয়া যায় তেমন প্রয়োগ করা সমস্ত বড় পরিবর্তন সনাক্তকরণ পদ্ধতির একটি বিস্তৃত অনুসন্ধান।


4

এখানে একটি আর্কজিআইএস অ্যাড-অন রয়েছে যা ইউএসজিএস আপার মিডওয়াইষ্ট এনভায়রনমেন্টাল সায়েন্সেস সেন্টার দ্বারা বক্ররেখা নামে পরিচিত : একটি পিক্সেল লেভেল রাস্টার রেগ্রেশন সরঞ্জাম যা আপনার পরে ঠিক তা হতে পারে। ডকুমেন্টেশন থেকে:

কার্ভ ফিট হ'ল জিআইএস অ্যাপ্লিকেশন আর্কম্যাপের একটি এক্সটেনশন যা ব্যবহারকারীর বিভিন্ন রেস্টার ডেটাসেটের (ভূ-রেফারেন্সযুক্ত চিত্র) সিরিজে রিগ্রেশন বিশ্লেষণ চালানোর অনুমতি দেয়। ব্যবহারকারী ব্যাখ্যামূলক ভেরিয়েবল (এক্স) এর জন্য মানগুলির একটি অ্যারে প্রবেশ করে। সংশ্লিষ্ট রেসপন্স ভেরিয়েবল (Y) উপস্থাপন করে এমন একটি রাস্টার ডেটাসেট ব্যবহারকারী দ্বারা প্রবিষ্ট প্রতিটি এক্স মানের সাথে জোড়াযুক্ত। কার্ভ ফিট তারপরে ইনপুট রাস্টার ডেটাসেটের প্রতিটি পিক্সেলের এক অনন্য গাণিতিক মডেল গণনা করতে লিনিয়ার বা ননলাইনার রিগ্রেশন কৌশল (ব্যবহারকারী নির্বাচনের উপর নির্ভর করে) ব্যবহার করে। কার্ভ ফিট প্যারামিটার অনুমান, ত্রুটি, এবং বহু-মডেল অনুমানের রাস্টার পৃষ্ঠগুলিকে আউটপুট দেয়। কার্ভ ফিট উভয় ব্যাখ্যামূলক এবং ভবিষ্যদ্বাণীমূলক সরঞ্জাম যা স্থানিক মডেলারদের সেরা স্কেলে মূল পরিসংখ্যানিক কার্য সম্পাদন করার ক্ষমতা প্রদান করে।

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.