r.regression.multigrass - Online sa Cloud

PROGRAMA:

NAME

r.regression.multi - Kinakalkula ang maramihang linear regression mula sa mga mapa ng raster.

KEYWORDS

raster, istatistika, regression

SINOPSIS

r.regression.multi
r.regression.multi - Tumulong
r.regression.multi [-g] mapx=pangalan[,pangalan,...] mga mapa=pangalan [tira=pangalan]
[mga pagtatantya=pangalan] [output=pangalan] [--patungan] [--Tulungan] [--pandiwang] [--tahimik] [--ui]

Mga Bandila:
-g
Mag-print sa istilo ng shell script

--patungan
Pahintulutan ang mga output file na i-overwrite ang mga kasalukuyang file

- Tumulong
I-print ang buod ng paggamit

--verbose
Verbose na output ng module

--tahimik
Tahimik na output ng module

--ui
Piliting ilunsad ang dialog ng GUI

parameter:
mapx=pangalan [, pangalan,...] [kailangan]
Mapa para sa x coefficient

mga mapa=pangalan [kailangan]
Mapa para sa y coefficient

tira=pangalan
Mapa upang mag-imbak ng mga nalalabi

mga pagtatantya=pangalan
Mapa upang mag-imbak ng mga pagtatantya

output=pangalan
ASCII file para sa pag-iimbak ng mga coefficient ng regression (output sa screen kung ang file ay hindi
tinukoy).

DESCRIPTION

r.regression.multi kinakalkula ang maraming linear regression mula sa mga mapa ng raster, ayon sa
ang formula
Y = b0 + sum(bi*Xi) + E
saan
X = {X1, X2, ..., Xm}
m = bilang ng nagpapaliwanag ng mga variable
Y = {y1, y2, ..., yn}
Xi = {xi1, xi2, ..., xin}
E = {e1, e2, ..., en}
n = bilang ng mga obserbasyon (mga kaso)
Sa R notation:
Y ~ kabuuan(bi*Xi)
Ang b0 ay ang intercept, ang X0 ay nakatakda sa 1

r.regression.multi ay idinisenyo para sa malalaking dataset na hindi maproseso sa R. A p
halaga ay samakatuwid ay hindi ibinigay, dahil kahit na napakaliit, walang kahulugan na mga epekto ay magiging
makabuluhan sa isang malaking bilang ng mga cell. Sa halip ito ay inirerekomenda upang hatulan sa pamamagitan ng
estimator b, ang halaga ng pagkakaiba na ipinaliwanag (R squared para sa isang naibigay na variable) at ang
makakuha sa AIC (AIC na walang ibinigay na variable minus AIC global ay dapat na positibo) kung ang
Ang pagsasama ng isang ibinigay na nagpapaliwanag na variable sa modelo ay makatwiran.

Ang global modelo
Ang b coefficients (b0 ay offset), R squared o coefficient of determination (Rsq) at F
ay magkapareho sa mga nakuha mula sa R-stats's lm() function at R-stats's anova()
function. Ang halaga ng AIC ay kapareho ng nakuha mula sa stepAIC() function ng R-stats
(sa kaso ng paatras na hakbang, kapareho ng halaga ng Start). Ang halaga ng AIC ay naitama para sa
ang bilang ng mga nagpapaliwanag na mga variable at ang halaga ng BIC (Bayesian Information Criterion).
sundin ang lohika ng AIC.

Ang na nagpapaliwanag mga variable
Ang R squared para sa bawat nagpapaliwanag na variable ay kumakatawan sa karagdagang halaga ng ipinaliwanag
pagkakaiba kapag isinama ang variable na ito kumpara kapag hindi kasama ang variable na ito, iyon ay,
ang halaga ng pagkakaibang ito ay ipinaliwanag ng kasalukuyang nagpapaliwanag na variable pagkatapos kunin
pagsasaalang-alang sa lahat ng iba pang nagpapaliwanag na mga variable.

Ang marka ng F para sa bawat nagpapaliwanag na variable ay nagbibigay-daan sa pagsubok kung ang pagsasama ng variable na ito
makabuluhang pinapataas ang pagpapaliwanag ng kapangyarihan ng modelo, na nauugnay sa pandaigdigang modelo
hindi kasama ang nagpapaliwanag na variable na ito. Nangangahulugan iyon na ang halaga ng F para sa isang ibinigay na pagpapaliwanag
variable ay magkapareho lamang sa F value ng R-function buod.aov kung ang ibinigay
ang nagpapaliwanag ng variable ay ang huling variable sa R-formula. Habang ang R ay sunud-sunod na kinabibilangan
isang variable pagkatapos ng isa pa sa pagkakasunud-sunod na tinukoy ng formula at sa bawat hakbang
kinakalkula ang halaga ng F na nagpapahayag ng nakuha sa pamamagitan ng pagsasama ng kasalukuyang variable bilang karagdagan
sa mga nakaraang variable, r.regression.multi kinakalkula ang F-value na nagpapahayag ng pakinabang
sa pamamagitan ng pagsasama ng kasalukuyang variable bilang karagdagan sa lahat ng iba pang mga variable, hindi lamang ang
nakaraang mga variable.

Ang halaga ng AIC ay kapareho ng nakuha mula sa R-function stepAIC() kapag
hindi kasama ang variable na ito mula sa buong modelo. Ang halaga ng AIC ay naitama para sa bilang ng
nagpapaliwanag ng mga variable at ang halaga ng BIC (Bayesian Information Criterion) na halaga ay sumusunod sa
lohika ng AIC. Ang BIC ay kapareho ng R-function na stepAIC na may k = log(n). Ang AICc ay hindi
magagamit sa pamamagitan ng R-function na stepAIC.

Halimbawa

Maramihang regression na may lupa K-factor at elevation, aspeto, at slope (North Carolina
dataset). Ang mga mapa ng output ay ang mga nalalabi at mga pagtatantya:
g.region raster=soils_Kfactor -p
r.regression.multi mapx=elevation,aspect,slope mapy=soils_Kfactor \
residuals=soils_Kfactor.resid estimates=soils_Kfactor.estim

Gumamit ng r.regression.multigrass online gamit ang mga serbisyo ng onworks.net