será que você está fazendo global kriging? não vi no seus comandos um limite para número máximo de observações na vizinhança. Em 17 de junho de 2014 09:22, Thiago Cesar Lima Silveira < thiagoclsilveira@yahoo.com.br> escreveu:
Bom dia pessoal, Espero que possam me ajudar.
Entro em contato para pedir uma ajuda em uma interpolação que estou tentando fazer. Já usei o mesmos comandos abaixo para realizar interpolações de variáveis de um lago por ordinary kriging com 240 pontos, sem problemas.
Agora estou tentando interpolar a batimetria do lago, para tanto criei pontos no limite do lago com valor zero, cerca de 1200 pontos. Usando a mesma metodologia, a predição “predict( )" para o grid passa de 3 horas e não tive paciência para esperar mais, visto que as outras vezes que usei a predição para o grid demorou cerca de 2 minutos para 240 pontos interpolados. Imagino que a quantidade de pontos seja o problema.
Alguém teria alguma sugestão de caminho que tivesse menos custo computacional, pois acho que a quantidade de pontos seja o problema.
Agradeço desde já a atenção.
Segue abaixo os comandos utilizados:
library(geoR) library(raster) library(gstat) library(rgdal) interpol_pcsand<-data_interpol[,c(1,2,6)]
coordinates(interpol_pcsand)<- ~long+lat
#setting the CRS for the geospatial data, same as the mask and grid
projection(interpol_pcsand)<-'+proj=utm +zone=22 +south +ellps=aust_SA +units=m +no_defs '
#search for duplicated coords
dup.coords(interpol_pcsand$coords)
#Creating a gstat object
g_pcsand <- gstat(id="pcsand", formula=pcsand ~ 1, data=interpol_pcsand)
# variogram with eye ball fitting
v.eye_sand <- eyefit(variog(as.geodata(interpol_pcsand["pcsand"]), max.dist = 20000))
#saving a readable file for gstat
ve.fit <- as.vgm.variomodel(v.eye[[1]])
#updating the gstat object
g_pcsand <- gstat(g_pcsand, id="pcsand", model=ve.fit_pcsand )
*#predicting to new data* *# grid4 diemensions - * *#features : 1630464 * *#extent : 468333.3, 499983.3, 6634933, 6681223 (xmin, xmax, ymin, ymax)* *#coord. ref. : +proj=utm +zone=22 +south +ellps=aust_SA +units=m +no_defs * *>p_pcsand <- predict(g_pcsand, model=ve.fit_pcsand , newdata=grid4) *
#write a raster with the interpolated matrix rasterpcsand_pred <- rasterFromXYZ(as.data.frame(p_pcsand)[, c("x", "y", "data.pred")])
#Create raster tif file
writeRaster(raster, filename="raster.tif", overwrite=TRUE)
_________________________________ Thiago Cesar Lima Silveira PhD candidate - Zoology PUCRS - Brazil Visitor PhD. student - School of Ocean Sciences - Bangor University Building Westbury Mouth Room Nautilus 327 Menai Bridge - Isle of Anglesey - UK Telephone.: 07843 115244 e-mail: thiago.cesar@acad.pucrs.br CV: http://lattes.cnpq.br/5960267776845701
_______________________________________________ R-br mailing list R-br@listas.c3sl.ufpr.br https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça código mínimo reproduzível.