Índice de Moran en R y GeoDa

Llamamos las librerías a usar y cargamos la base de datos

library(readxl)
library(ape)
library(ggplot2)
BD_MODELADO <- read_excel("BD_MODELADO.xls")
datamodel<-as.data.frame(BD_MODELADO)

Índice de Moran de CEa a 0,75m de profundidad

ce.matrix<-as.matrix(dist(cbind(BD_MODELADO$X,BD_MODELADO$Y))) # Matriz de distancias
ce.matrix.inv <- 1/ce.matrix #inverso de la matriz de las distancias
diag(ce.matrix.inv) <- 0 #pasar la diagonal de infinito a cero
ce.matrix.inv[1:10, 1:10]

##             1          2          3          4          5          6          7
## 1  0.00000000 0.19320482 0.02207833 0.05403989 0.04558763 0.01896784 0.01268166
## 2  0.19320482 0.00000000 0.02476496 0.04650837 0.05738726 0.02098544 0.01355177
## 3  0.02207833 0.02476496 0.00000000 0.01665161 0.03039597 0.03990385 0.02228896
## 4  0.05403989 0.04650837 0.01665161 0.00000000 0.03392139 0.01638614 0.01159565
## 5  0.04558763 0.05738726 0.03039597 0.03392139 0.00000000 0.03124726 0.01728641
## 6  0.01896784 0.02098544 0.03990385 0.01638614 0.03124726 0.00000000 0.03825666
## 7  0.01268166 0.01355177 0.02228896 0.01159565 0.01728641 0.03825666 0.00000000
## 8  0.01578608 0.01510928 0.00982164 0.02229062 0.01449801 0.01048266 0.00857458
## 9  0.01859446 0.01810169 0.01158011 0.02758045 0.01863309 0.01297534 0.01029386
## 10 0.01933653 0.02011061 0.01567261 0.02292987 0.02683676 0.02122801 0.01581706
##             8          9         10
## 1  0.01578608 0.01859446 0.01933653
## 2  0.01510928 0.01810169 0.02011061
## 3  0.00982164 0.01158011 0.01567261
## 4  0.02229062 0.02758045 0.02292987
## 5  0.01449801 0.01863309 0.02683676
## 6  0.01048266 0.01297534 0.02122801
## 7  0.00857458 0.01029386 0.01581706
## 8  0.00000000 0.04956128 0.01801676
## 9  0.04956128 0.00000000 0.02828783
## 10 0.01801676 0.02828783 0.00000000

Moran.I(BD_MODELADO$CEA75, ce.matrix.inv) #indice de moran

## $observed
## [1] 0.2687468
## 
## $expected
## [1] -0.003205128
## 
## $sd
## [1] 0.004665906
## 
## $p.value
## [1] 0

De acuerdo al P-valor, se rechaza hipótesis nula y se concluye que hay dependencia espacial entre las variables. Y se observa en el programa de GeoDa, la misma relación positiva:

ggplot(datamodel, aes(x = X, y=Y, colour=CEA75))+
   geom_point(size = 4)+
   scale_color_continuous(type = 'viridis')+
    xlab("Longitud") + ylab("Latitud") +
    ggtitle("Conductividad Aparente a 0,75 m de profundidad") +
    theme(plot.title = element_text(hjust = 0.5))

Índice de Moran de NDVI

Moran.I(BD_MODELADO$NDVI, ce.matrix.inv) #indice de moran

## $observed
## [1] 0.09750403
## 
## $expected
## [1] -0.003205128
## 
## $sd
## [1] 0.004644979
## 
## $p.value
## [1] 0

De acuerdo al P-valor, se rechaza hipótesis nula y se concluye que hay dependencia espacial entre las variables. Y se observa en el programa de GeoDa, la misma relación positiva:

ggplot(datamodel, aes(x = X, y=Y, colour=NDVI))+
   geom_point(size = 5, shape = 15)+
   scale_color_continuous(type = 'viridis')+
    xlab("Longitud") + ylab("Latitud") +
    ggtitle("NDVI") +
    theme(plot.title = element_text(hjust = 0.5))

Índice de Moran de CEa a 1,5 m de profundidad

Moran.I(BD_MODELADO$CEA150, ce.matrix.inv) #indice de moran

## $observed
## [1] 0.160951
## 
## $expected
## [1] -0.003205128
## 
## $sd
## [1] 0.00465455
## 
## $p.value
## [1] 0

De acuerdo al P-valor, se rechaza hipótesis nula y se concluye que hay dependencia espacial entre las variables. Y se observa en el programa de GeoDa, la misma relación positiva:

ggplot(datamodel, aes(x = X, y=Y, colour=CEA150))+
   geom_point(size = 5, shape = 15)+
   scale_color_continuous(type = 'viridis')+
    xlab("Longitud") + ylab("Latitud") +
    ggtitle("Conductividad Aparente a 1,5 m de profundidad") +
    theme(plot.title = element_text(hjust = 0.5))

Índice de Moran de Z

Moran.I(BD_MODELADO$Z, ce.matrix.inv) #indice de moran

## $observed
## [1] 0.3505031
## 
## $expected
## [1] -0.003205128
## 
## $sd
## [1] 0.004667935
## 
## $p.value
## [1] 0

De acuerdo al P-valor, se rechaza hipótesis nula y se concluye que hay dependencia espacial entre las variables. Y se observa en el programa de GeoDa, la misma relación positiva:

ggplot(datamodel, aes(x = X, y=Y, colour=Z))+
   geom_point(size = 5, shape = 15)+
   scale_color_continuous(type = 'viridis')+
    xlab("Longitud") + ylab("Latitud") +
    ggtitle("Z") +
    theme(plot.title = element_text(hjust = 0.5))