Predicción espacial de un escalar basada en datos de un campo aleatorio funcional

Kriging and cokriging and their several related versions are techniques widely known and used in spatial data analysis. However, when the spatial data are functions a bridge between functional data analysis and geostatistics has to be built. I give an overview to cokriging analysis and multivariable...

Full description

Autores:
Giraldo, Ramón
Delicado, Pedro
Mateu, Jorge
Tipo de recurso:
Fecha de publicación:
2017
Institución:
Universidad Santo Tomás
Repositorio:
Universidad Santo Tomás
Idioma:
eng
OAI Identifier:
oai:repository.usta.edu.co:11634/12130
Acceso en línea:
https://revistas.usantotomas.edu.co/index.php/estadistica/article/view/3645
Palabra clave:
basis functions; Cross-validation; functional linear model; linear model of corregionalization; multivariable cokriging.
Base de funciones; cokriging multivariado; modelo lineal de corregionalización; modelo lineal funcional; validación cruzada.
Rights
License
Copyright (c) 2017 Comunicaciones en Estadística
id SantoToma2_ae6a00cf4c0432f83a8c4696a6271a47
oai_identifier_str oai:repository.usta.edu.co:11634/12130
network_acronym_str SantoToma2
network_name_str Universidad Santo Tomás
repository_id_str
dc.title.spa.fl_str_mv Predicción espacial de un escalar basada en datos de un campo aleatorio funcional
dc.title.alternative.eng.fl_str_mv Spatial prediction of a scalar variable based on data of a functional random field
title Predicción espacial de un escalar basada en datos de un campo aleatorio funcional
spellingShingle Predicción espacial de un escalar basada en datos de un campo aleatorio funcional
basis functions; Cross-validation; functional linear model; linear model of corregionalization; multivariable cokriging.
Base de funciones; cokriging multivariado; modelo lineal de corregionalización; modelo lineal funcional; validación cruzada.
title_short Predicción espacial de un escalar basada en datos de un campo aleatorio funcional
title_full Predicción espacial de un escalar basada en datos de un campo aleatorio funcional
title_fullStr Predicción espacial de un escalar basada en datos de un campo aleatorio funcional
title_full_unstemmed Predicción espacial de un escalar basada en datos de un campo aleatorio funcional
title_sort Predicción espacial de un escalar basada en datos de un campo aleatorio funcional
dc.creator.fl_str_mv Giraldo, Ramón
Delicado, Pedro
Mateu, Jorge
dc.contributor.author.spa.fl_str_mv Giraldo, Ramón
Delicado, Pedro
Mateu, Jorge
dc.subject.proposal.eng.fl_str_mv basis functions; Cross-validation; functional linear model; linear model of corregionalization; multivariable cokriging.
topic basis functions; Cross-validation; functional linear model; linear model of corregionalization; multivariable cokriging.
Base de funciones; cokriging multivariado; modelo lineal de corregionalización; modelo lineal funcional; validación cruzada.
dc.subject.proposal.spa.fl_str_mv Base de funciones; cokriging multivariado; modelo lineal de corregionalización; modelo lineal funcional; validación cruzada.
description Kriging and cokriging and their several related versions are techniques widely known and used in spatial data analysis. However, when the spatial data are functions a bridge between functional data analysis and geostatistics has to be built. I give an overview to cokriging analysis and multivariable spatial prediction to the case where the observations at each sampling location consist of samples of random functions. I extend multivariable geostatistical methods to the functional context. Our cokriging method predicts one variable at a time as in a classical multivariable sense, but considering as auxiliary information curves instead of vectors. I also give an extension of multivariable kriging to the functional context where is defined a predictor of a whole curve based on samples of curves located at a neighborhood of the prediction site. In both cases a non-parametric approach based on basis function expansion is used to estimate the parameters, and I prove that both proposals coincide when using such an approach. A linear model of coregionalization is used to define the spatial dependence among the coefficients of the basis functions, and therefore for estimating the functional parameters. As an illustration the methodological proposals are applied to analyze two real data sets corresponding to average daily temperatures measured at 35 weather stations located in the Canadian Maritime Provinces, and penetration resistance data collected at 32 sampling sites of an experimental plot.
publishDate 2017
dc.date.issued.spa.fl_str_mv 2017-12-23
dc.type.coarversion.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.drive.none.fl_str_mv info:eu-repo/semantics/article
dc.identifier.spa.fl_str_mv https://revistas.usantotomas.edu.co/index.php/estadistica/article/view/3645
url https://revistas.usantotomas.edu.co/index.php/estadistica/article/view/3645
dc.language.iso.spa.fl_str_mv eng
language eng
dc.relation.spa.fl_str_mv https://revistas.usantotomas.edu.co/index.php/estadistica/article/view/3645/3839
dc.relation.citationissue.spa.fl_str_mv Comunicaciones en Estadística; Vol. 10, Núm. 2 (2017); 315-344
2339-3076
2027-3355
dc.relation.citationissue.eng.fl_str_mv Comunicaciones en Estadística; Vol. 10, Núm. 2 (2017); 315-344
dc.rights.spa.fl_str_mv Copyright (c) 2017 Comunicaciones en Estadística
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv Copyright (c) 2017 Comunicaciones en Estadística
http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.publisher.spa.fl_str_mv Universidad Santo Tomás
institution Universidad Santo Tomás
repository.name.fl_str_mv Repositorio Universidad Santo Tomás
repository.mail.fl_str_mv noreply@usta.edu.co
_version_ 1800786412401852416
spelling Giraldo, RamónDelicado, PedroMateu, Jorge2017-12-23https://revistas.usantotomas.edu.co/index.php/estadistica/article/view/3645Kriging and cokriging and their several related versions are techniques widely known and used in spatial data analysis. However, when the spatial data are functions a bridge between functional data analysis and geostatistics has to be built. I give an overview to cokriging analysis and multivariable spatial prediction to the case where the observations at each sampling location consist of samples of random functions. I extend multivariable geostatistical methods to the functional context. Our cokriging method predicts one variable at a time as in a classical multivariable sense, but considering as auxiliary information curves instead of vectors. I also give an extension of multivariable kriging to the functional context where is defined a predictor of a whole curve based on samples of curves located at a neighborhood of the prediction site. In both cases a non-parametric approach based on basis function expansion is used to estimate the parameters, and I prove that both proposals coincide when using such an approach. A linear model of coregionalization is used to define the spatial dependence among the coefficients of the basis functions, and therefore for estimating the functional parameters. As an illustration the methodological proposals are applied to analyze two real data sets corresponding to average daily temperatures measured at 35 weather stations located in the Canadian Maritime Provinces, and penetration resistance data collected at 32 sampling sites of an experimental plot.Kriging y cokriging y sus versiones relacionadas son ténicas ampliamente conocidas y usadas en análisis de datos espaciales. Sin embargo cuando los datos son curvas se requiere un puente entre análisis de datos funcionales y geoestadística. Aqu´ı se da una revisión sobre el uso de cokriging y de kriging multivariado para el caso en que las observaciones en cada sitio de muestreo corresponden a muestras de funciones aleatorias. Se extiende la geoestad´ıstica multivariada al contexto funcional. El método cokriging propuesto pemite predecir una variable en un periodo de tiempo como en el sentido multivariado, pero considerando como variables auxiliares curvas en vez de vectores. También se muestra como extender el kriging multivariable al caso funcional definiendo un predictor de una curva completa basado en la información de curvas en sitios cercanos. En las dos propuestas se usan m´etodos no param´etricos de suavizado por base de funciones. Se comprueba que las dos aproximaciones considerdas coinciden. Se emplea un modelo lineal de corregionalización (MLC) para definir la dependencia entre los coeficientes resultantes del ajuste de las bases de funciones y por consiguiente para la estimación de los parámetros funcionales. A manera de ilustración la metodología propuesta es aplicada al anáisis de dos conjuntos de datos reales correspondientes por una lado a temperaturas diarias medidas en 35 estaciones meteorológicas de las provincias mar´ıtimas de Canada y por el otro a datos de resitencia mecánica a la penetración colectados en 32 puntos de muestreo en una parcela experimental.application/pdfengUniversidad Santo Tomáshttps://revistas.usantotomas.edu.co/index.php/estadistica/article/view/3645/3839Comunicaciones en Estadística; Vol. 10, Núm. 2 (2017); 315-3442339-30762027-3355Comunicaciones en Estadística; Vol. 10, Núm. 2 (2017); 315-344Copyright (c) 2017 Comunicaciones en Estadísticahttp://purl.org/coar/access_right/c_abf2Predicción espacial de un escalar basada en datos de un campo aleatorio funcionalSpatial prediction of a scalar variable based on data of a functional random fieldinfo:eu-repo/semantics/articlehttp://purl.org/coar/version/c_970fb48d4fbd8a85http://purl.org/coar/resource_type/c_2df8fbb1basis functions; Cross-validation; functional linear model; linear model of corregionalization; multivariable cokriging.Base de funciones; cokriging multivariado; modelo lineal de corregionalización; modelo lineal funcional; validación cruzada.11634/12130oai:repository.usta.edu.co:11634/121302023-07-14 16:32:48.0metadata only accessRepositorio Universidad Santo Tomásnoreply@usta.edu.co