Telpiskās statistikas metodes programmā R

Abstract

Bakalaura darbā aplūkota programmas R veiktspēja apstrādāt, analizēt un attēlot telpiska veida datus. Aprakstīti telpisko datu veidi, kā arī to struktūra programmā R. Veikts ieskatas telpiskajos punktu modeļos, kā arī telpiskajā autokorelācijā un interpolācijā. Paņemti dati no Latvijas meteroloģijas centra par relatīvo mitrumu vairākās stacijās. Izpētīta to autokorelācija ar variogrammas palīdzību. Meklēts labākais modelis empīriskajai variogrammai, kā arī veikta interpolācija pēc vairākām metodēm (Tīsena poligonu, inversā attāluma un parastā kriginga) lai iegūtu vērtības vietās, kur mērījumi netika veikti. Tika secināts, ka programma R ir ļoti kompetenta darbībai ar telpiskajiem datiem, relatīvā mitruma dati ir korelēti telpā, un inversā attāluma, parastā kriginga interpolācijas dod līdzīgus rezultātus šādiem datiem.

This thesis considers software’s R capabilities to process, analyze and visualize spatial data. Different types of spatial data and their structurs in R were described. Insight in spatial point patterns, spatial autocorrelation and interpolation is given. Data from different metherological stations about relative humidity in Latvia is used. With the use of variogram, their autocorrelation was explored. Based on the empirical values of variogram, best fit model was found, and interpolation with different methods (Thiessen polygon, inverse distance weighted and ordinary kriging) was done in order to acquire values in locations where measurements weren’t taken. It was concluded that R ir very competent working with spatial data, data about relative humidity shows signs of spatial autocorrelation, and inverse distance weighted and ordinary kriging interpolations give similar results for used data.