Create ProtocoloRK

Carga del protocolo incial para RK

ProtocoloRK

@@ -0,0 +1,138 @@
+
+setwd("working_dir")
+library(gstat)
+library(raster)
+library(sp)
+library(soiltexture)
+
+
+datos <- read.csv("Horiz_A.csv")
+
+datos.sp <- datos
+coordinates(datos.sp) = ~X+Y
+plot(datos.sp)
+summary(datos.sp)
+## Deben estar en una carpeta "covar" dentro de la carpeta de trabajo
+## Cargamos las covariables ambientales en R
+startdir <- getwd()
+setwd(paste(getwd(), "/covar_ss", sep=""))
+files <- list.files(pattern="sdat")
+stack1 <- list()
+for(i in 1:length(files)) {
+  stack1[[i]] <- raster(files[i])}
+covariables <- do.call(stack, stack1) ### JO!
+setwd(startdir)
+covariables
+plot(covariables)
+
+covariables.sp <- as(covariables, "SpatialGridDataFrame") ## 45Mb!!!
+
+## Creamos la grilla de interpolacion
+halfres <- res(covariables)[1]/2
+grilla <- expand.grid(x=seq(from=xmin(covariables)+halfres, to=xmax(covariables)-halfres, by=res(covariables)[1]), y=seq(from=ymin(covariables)+halfres, to=ymax(covariables)-halfres, by=res(covariables)[2]))
+coordinates(grilla) <- ~ x+y
+gridded(grilla) <- TRUE
+
+# Extraemos los valores de las covariables
+datos <- cbind(datos, extract(covariables, datos.sp))  
+
+
+### Análisis Descriptivo ####
+summary(datos)
+plot(datos.sp,pch=1 ,cex = datos$Arcilla/max(datos$Arcilla)*4)
+boxplot(datos$Arcilla)
+summary(datos$Arcilla)
+
+#Algunos gráficos
+boxplot(datos$Arcilla)
+hist(datos$Arcilla)
+#Diagrama de tallo-hoja
+stem(datos$Arcilla)
+#La Varianza
+var(datos$Arcilla)
+# Desvio standar
+mean(datos$Arcilla)
+sd(datos$Arcilla)
+
+plot(datos.sp)
+points(datos.sp[datos$Arcilla<30,])
+plot(datos$Serie, datos$Arcilla, las=3, main="Contenido de Arcillas, horiz superficial", cex.axis=0.7)
+
+
+#### Modelo del regresion MLR ####
+
+Model.Arcilla.Super <- lm(Arcilla ~ Altitude_above_Channel_Network+Aspect+Channel_Network_Base_Level
+                        +LS.Factor+Profile_Curvature+Slope_Height+Slope+SRTM30_estaca+Standardized_Height+Valley_Depth+Wetness_Index, data=datos)
+
+summary(Model.Arcilla.Super)
+
+Model.Arcilla.Super.step <- step(Model.Arcilla.Super, direction="both")
+summary(Model.Arcilla.Super.step)
+
+###
+
+Model.Arcilla.Super2 <- lm(Arcilla ~ Altitude_above_Channel_Network+Channel_Network_Base_Level
+                      +LS.Factor+Profile_Curvature+Slope+SRTM30_estaca+Wetness_Index, data=datos)
+summary(Model.Arcilla.Super2)
+Model.Arcilla.Super.step2 <- step(Model.Arcilla.Super2, direction="both")
+summary(Model.Arcilla.Super.step2)
+
+Model.Arcilla.Super.step2$residuals
+
+Arcilla.Super.MLR <- predict(covariables, Model.Arcilla.Super.step2, progress="text")
+plot(Arcilla.Super.MLR)
+points(datos.sp)
+
+#### Modelo de kriging ####
+
+residuos.Arcilla.Sup <- Model.Arcilla.Super.step2$residuals
+datos$Arcilla.res <- residuos.Arcilla.Sup
+
+datos.sp <- datos
+coordinates(datos.sp) = ~X+Y
+plot(datos.sp,pch=1 ,cex = datos$Arcilla.res/max(datos$Arcilla.res)*4)
+bubble(datos.sp, "Arcilla.res",col=c("blue", "red")) # Este graf. se ve mejor a pantalla completa
+
+
+### Regression-kriging ####
+
+dependend_var.v <- variogram(as.formula(Model.Arcilla.Super.step2$call$formula), datos.sp)
+dependend_var.ovgm <- fit.variogram(dependend_var.v, vgm(nugget=0, "Exp", range=sqrt(diff(datos.sp@bbox[1,])^2 + diff(datos.sp@bbox[2,])^2)/4, psill=var(Model.Arcilla.Super.step2$residuals)))   
+plot(dependend_var.v, dependend_var.ovgm, plot.nu=T, main="Residuos Arcilla Sup") ## 350*260
+dependend_var.ovgm
+Arcilla.Super.auto.rk <- krige(as.formula(Model.Arcilla.Super.step2$call$formula), datos.sp, covariables.sp, dependend_var.ovgm)
+
+#### Leave One Out Cross Validation 
+
+Arcilla.Super.cross <- krige.cv(as.formula(Model.Arcilla.Super.step2$call$formula), datos.sp, dependend_var.ovgm , verbose=F)
+Arcilla.Super.explained_variation <- 1-var(Arcilla.Super.cross$residual, na.rm=T)/var(datos.sp$Arcilla)
+
+summary(Arcilla.Super.cross)
+# mean error, ideally 0:
+mean(Arcilla.Super.cross$residual)
+# MSPE, ideally small
+mean(Arcilla.Super.cross$residual^2)
+# Mean square normalized error, ideally close to 1
+mean(Arcilla.Super.cross$zscore^2)
+# correlation observed and predicted, ideally 1
+cor(Arcilla.Super.cross$observed, Arcilla.Super.cross$observed - Arcilla.Super.cross$residual)
+# correlation predicted and residual, ideally 0
+cor(Arcilla.Super.cross$observed - Arcilla.Super.cross$residual, Arcilla.Super.cross$residual)
+# explained variation
+Arcilla.Super.explained_variation
+
+Arcilla.Super.rk.pred <- raster(Arcilla.Super.auto.rk["var1.pred"])
+Arcilla.Super.rk.var <- raster(Arcilla.Super.auto.rk["var1.var"])
+Arcilla.Super.rk.error <- qnorm(0.95)*sqrt(Arcilla.Super.rk.var)/sqrt(nrow(datos.sp))
+
+plot(Arcilla.Super.rk.pred, main="Arcilla por RK")
+points(datos.sp)
+
+plot(Arcilla.Super.rk.pred-Arcilla.Super.rk.error, main="IC95 minimo") ## Esto sería: el valor mínimo del modelo dentro de un intervalo de confianza del 95%
+plot(Arcilla.Super.rk.pred+Arcilla.Super.rk.error, main="IC95 maximo")
+
+writeRaster(Arcilla.Super.rk.pred, "Resultados/Arcilla.Super.RK.tiff", overwrite=TRUE)
+
+
+
+