I) Estatísticas básicas para o atributo:
Códigos
g <- prediction.dat
g1<- sqldf("SELECT
* FROM g WHERE Rock==1")
g2<- sqldf("SELECT
* FROM g WHERE Rock==2")
g3<- sqldf("SELECT
* FROM g WHERE Rock==3")
g4<- sqldf("SELECT
* FROM g WHERE Rock==4")
g5<- sqldf("SELECT
* FROM g WHERE Rock==5")
> summary(g1$Cu)
Min. 1st Qu. Median
Mean 3rd Qu. Max.
4.52 9.40
14.76 16.38 22.24
66.12
summary(g2$Cu)
Min. 1st Qu. Median Mean 3rd Qu. Max.
4.20 10.80
16.40 22.23 26.44
79.20
summary(g3$Cu)
Min. 1st Qu. Median Mean 3rd Qu. Max.
4.40 11.44
19.12 27.94 30.64
166.40
summary(g4$Cu)
Min. 1st Qu. Median Mean 3rd Qu. Max.
5.72 8.11
10.50 17.27 23.05
35.60
summary(g5$Cu)
Min. 1st Qu. Median Mean 3rd Qu. Max.
3.96
14.86 22.70 28.66
35.86 120.80
II) Histograma:
1-Argoviano:
data(jura)
1-Argoviano:
data(jura)
g <- prediction.dat
x.norm<- g1$Cu
h<-hist(x.norm,breaks=10)
xhist<-c(min(h$breaks),h$breaks)
yhist<-c(0,h$density,0)
xfit<-seq(0, 70, by=1.0)
yfit<-dnorm(xfit,mean=mean(x.norm),sd=sd(x.norm))
plot(xhist,yhist,type="s",ylim=c(0,max(yhist,yfit)),xlab="Cu",ylab="Frequência
relativa",main="Histograma de Cu no Argoviano ")
lines(xfit,yfit,col="red")
data(jura)
g <- prediction.dat
x.norm<- g2$Cu
h<-hist(x.norm,breaks=10)
xhist<-c(min(h$breaks),h$breaks)
yhist<-c(0,h$density,0)
xfit<-seq(0, 80, by=1.0)
yfit<-dnorm(xfit,mean=mean(x.norm),sd=sd(x.norm))
plot(xhist,yhist,type="s",ylim=c(0,max(yhist,yfit)),xlab="Cu",ylab="Frequência
relativa",main="Histograma de Cu no Kimmeridgiano ")
data(jura)
g <- prediction.dat
x.norm<- g3$Cu
h<-hist(x.norm,breaks=8)
xhist<-c(min(h$breaks),h$breaks)
yhist<-c(0,h$density,0)
xfit<-seq(0, 180, by=1.0)
yfit<-dnorm(xfit,mean=mean(x.norm),sd=sd(x.norm))
plot(xhist,yhist,type="s",ylim=c(0,max(yhist,yfit)),xlab="Cu",ylab="Frequência
relativa",main="Histograma de Cu no Sequanianao ")
lines(xfit,yfit,col="red")
4-Porlandiano:
g <- prediction.dat
x.norm<- g4$Cu
h<-hist(x.norm,breaks=10)
xhist<-c(min(h$breaks),h$breaks)
yhist<-c(0,h$density,0)
xfit<-seq(5,
40, by=1.0)
yfit<-dnorm(xfit,mean=mean(x.norm),sd=sd(x.norm))
plot(xhist,yhist,type="s",ylim=c(0,max(yhist,yfit)),xlab="Cu",ylab="Frequência
relativa",main="Histograma de Cu no Portlandiano")
lines(xfit,yfit,col="red")
g <- prediction.dat
x.norm<- g5$Cu
h<-hist(x.norm,breaks=10)
xhist<-c(min(h$breaks),h$breaks)
yhist<-c(0,h$density,0)
xfit<-seq(0, 130, by=1.0)
yfit<-dnorm(xfit,mean=mean(x.norm),sd=sd(x.norm))
plot(xhist,yhist,type="s",ylim=c(0,max(yhist,yfit)),xlab="Cu",ylab="Frequência
relativa",main="Histograma de Cu no Quaternário ")
lines(xfit,yfit,col="red")
Códigos:
data(jura)
plot(prediction.dat[,1],prediction.dat[,2],xlab="Xloc",ylab="Yloc",main="Mapa
base dos pontos de coleta")
1-Argoviano:
data(jura)
g_arg <- gstat(id="Cu",
formula=log(Cu)~1, locations=~Xloc+Yloc, data=g1)
graf<-variogram(g_arg)
plot(graf, main="Semivariograma omnidirecional experimental de
Cobre",sub="Argoviano",xlab="Distância",ylab="Semivariância")
2-Kimmeridgiano:
data(jura)
g_kim <- gstat(id="Cu", formula=log(Cu)~1,
locations=~Xloc+Yloc, data=g2)
graf<-variogram(g_kim)
plot(graf, main="Semivariograma omnidirecional experimental de
Cobre",sub=" Kimmeridgiano",xlab="Distância",ylab="Semivariância")
3-Sequanianao:
data(jura)
g_seq <- gstat(id="Cu", formula=log(Cu)~1,
locations=~Xloc+Yloc, data=g3)
graf<-variogram(g_seq)
plot(graf, main="Semivariograma omnidirecional experimental de
Cobre",sub=" Sequaniano",xlab="Distância",ylab="Semivariância")
4-Portlandiano:
Não foi possivel gerar um semivariograma para o atributo g4, porvavelmente isso se deve pelo fato dele conter poucos pontos de amostragem.
Não foi possivel gerar um semivariograma para o atributo g4, porvavelmente isso se deve pelo fato dele conter poucos pontos de amostragem.
5-Quaternário:
data(jura)
g_qua <- gstat(id="Cu", formula=log(Cu)~1,
locations=~Xloc+Yloc, data=g5)
graf<-variogram(g_qua)
plot(graf, main="Semivariograma
omnidirecional experimental de
Cobre",sub="Quaternário",xlab="Distância",ylab="Semivariância")
data(jura)
vgm1<-variogram(Cu~1, locations=~Xloc+Yloc, data=g1)
x=range(vgm1[,2])
y=range(vgm1[,3])
max(x)/max(y)
[1]
0.003450379 *a ordem de grandeza dessa valor q será o valor de ‘asp’
plot(x,y,
asp = 0.001, type = "n",main="Ajuste de um modelo ao
semivariograma")
points(vgm1[,2],vgm1[,3],col="blue",cex=1.5)
lines(vgm1[,2],vgm1[,3],col="blue")
f<-fit.variogram(vgm1,vgm(120,"Sph",0.5,46))
v<-vgm(f$psill[2],"Sph",f$range[2],f$psill[1])
ff<-variogramLine(v, maxdist=1.6, n = 15, min = 0.04411982)
points(ff[,1],ff[,2], col = "red")
lines(ff[,1],ff[,2], col = "red")
model psill range
1 Nug 13.10326 0.000000
2 Sph 112.13781 0.987314
Efeito
Pepita: 13.10326
Patamar:
112.13781
Alcance:
0.987314
vgm1<-variogram(Cu~1, locations=~Xloc+Yloc, data=g2)
x=range(vgm1[,2])
y=range(vgm1[,3])
max(x)/max(y)
[1]
0.004603143*a ordem de grandeza dessa valor q será o valor de ‘asp’
plot(x,y,
asp = 0.001, type = "n",main="Ajuste de um modelo ao
semivariograma")
points(vgm1[,2],vgm1[,3],col="blue",cex=1.5)
lines(vgm1[,2],vgm1[,3],col="blue")
f<-fit.variogram(vgm1,vgm(120,"Sph",76,2.14))
v<-vgm(f$psill[2],"Sph",f$range[2],f$psill[1])
ff<-variogramLine(v, maxdist=2.14, n = 15, min = 0.05792374)
points(ff[,1],ff[,2], col = "red")
lines(ff[,1],ff[,2], col = "red")
model psill range
1 Nug 127.8599 0.000000
2 Sph 223.3456 1.328235
Efeito
Pepita: 127.8599
Patamar:
223.3456
Alcance:
1.328235
vgm1<-variogram(Cu~1, locations=~Xloc+Yloc, data=g3)
x=range(vgm1[,2])
y=range(vgm1[,3])
max(x)/max(y)
[1]
0.0008666209*a ordem de grandeza dessa valor q será o valor de ‘asp’
plot(x,y,
asp = 0.0001, type = "n",main="Ajuste de um modelo ao
semivariograma")
points(vgm1[,2],vgm1[,3],col="blue",cex=1.5)
lines(vgm1[,2],vgm1[,3],col="blue")
f<-fit.variogram(vgm1,vgm(120,"Sph",283,1.9))
v<-vgm(f$psill[2],"Sph",f$range[2],f$psill[1])
ff<-variogramLine(v, maxdist=1.9, n = 15, min = 0.04626096)
points(ff[,1],ff[,2], col = "red")
lines(ff[,1],ff[,2], col = "red")
model psill range
1 Nug 1.9 0
2 Sph 120.0 283
Efeito
Pepita: 1.9
Patamar:
120.0
Alcance:
283
x=range(vgm1[,2])
y=range(vgm1[,3])
max(x)/max(y)
[1] 0.01038533
plot(x,y, main= "Ajuste de um modelo teórico
de Cobre no Quaternario", asp =0.001, type = "n", )
points(vgm1[,2],vgm1[,3],col="blue",cex=1.5)
lines(vgm1[,2],vgm1[,3],col="blue")
f<-fit.variogram(vgm1,vgm(0.8,"Lin",20,0))
#ajustepara ovariograma
v<-vgm(f$psill[2],"Lin",f$range[2],f$psill[1])
#variogramateoricoajustado
ff<-variogramLine(v,maxdist=1.6 ,n = 15 , min
=0.04411982)
#n é o número de pontos (que se vê naquele comando
vgm1)
#maxdist é a distancia máxima de dist
#min é a distancia mínima de dist
Nug 1.662979 0.00000000
Sph 4.436141 0.08885069
Valores
do modelo teórico
Efeito
Pepita: 1.662979
Patamar:
0.4018053
Alcance:
0.4737247
Nenhum comentário:
Postar um comentário