library(readxl)
BD_MODELADO <- read_excel("BD_MODELADO.xlsx")
# View(BD_MODELADO)

Se genera un plot con los datos completos del excel para observar su distribucion

plot(BD_MODELADO$Avg_X_MCB, BD_MODELADO$Avg_Y_MCE ,col= BD_MODELADO$Avg_CEa_07,pch=19, main = "Distribucion espacial de Conductividad Electrica",xlab = 'Coordenadas x', ylab = 'Coordenadas Y', cex = 0.8)

Indice de Moran calculado en R para CE de 70cm de profundidad

library(ggplot2)
# Creacion del data frame 1 y se cambia el nombre de las variables

dfce07<-data.frame(valor = BD_MODELADO$Avg_CEa_07,
                x= BD_MODELADO$Avg_X_MCB,
                y = BD_MODELADO$Avg_Y_MCE )

head(dfce07)
##      valor        x        y
## 1 7.237480 843449.6 955962.0
## 2 6.787250 843454.8 955962.4
## 3 6.848250 843493.6 955951.3
## 4 7.135162 843439.6 955977.6
## 5 6.826763 843468.7 955972.8
## 6 6.699966 843500.6 955975.3
# Se genera un ggplot para ver la dispersion de los datos para los valores de CE 70cm

ggplot(dfce07, aes(x = x,y = y, colour = valor)) + geom_point(size = 3.5,shape = 15)+
scale_color_continuous(type = 'viridis')

Se crea los datos de la matriz con los valores de conductividad electrica a 70 cm

library(ape)

# Creacion de la matriz 
mdistancias <-as.matrix(dist(cbind(dfce07$x, dfce07$y)))
# Inverso de la matriz 
mdistanciasinv <- 1/mdistancias 
# Se pasa de infinito a cero 
diag(mdistanciasinv) <- 0 
# Se calcula el Indice de Moran 
Moran.I(dfce07$valor, mdistanciasinv) 
## $observed
## [1] 0.2687468
## 
## $expected
## [1] -0.003205128
## 
## $sd
## [1] 0.004665906
## 
## $p.value
## [1] 0

Como la hipotesis nula dice que no hay dependecia espacial y de acuerdo al p valor esta hipotesis se rechazaria por lo que se dice que si hay dependencia espacial.

Indice de Moran calculado en R para CE de 150cm de profundidad

# Creacion del data frame 2 y cambio de nombre para las variables

dfce150<-data.frame(valor = BD_MODELADO$Avg_CEa_15,
                x= BD_MODELADO$Avg_X_MCB,
                y = BD_MODELADO$Avg_Y_MCE )

# Grafico ggplot para valores de CE a 150 cm de profundidad 

ggplot(dfce150, aes(x = x,y = y, colour = valor)) + geom_point(size = 3.5, shape = 15)+
scale_color_continuous(type = 'viridis')

head(dfce150)
##      valor        x        y
## 1 18.02656 843449.6 955962.0
## 2 18.02737 843454.8 955962.4
## 3 18.70444 843493.6 955951.3
## 4 18.34237 843439.6 955977.6
## 5 17.92409 843468.7 955972.8
## 6 18.39441 843500.6 955975.3

Se crea los datos de la matriz con los valores de conductividad electrica 150

library(ape)

# Creacion de la matriz 
mdistancias2 <-as.matrix(dist(cbind(dfce150$x, dfce150$y)))
# Inverso de la matriz 
mdistanciasinv2 <- 1/mdistancias2 
# Se pasa de infinito a cero 
diag(mdistanciasinv2) <- 0 
# Se calcula el Indice de Moran 
Moran.I(dfce150$valor, mdistanciasinv2) 
## $observed
## [1] 0.160951
## 
## $expected
## [1] -0.003205128
## 
## $sd
## [1] 0.00465455
## 
## $p.value
## [1] 0

En este indice de moran tambien se observa un p valor igual a 0 por lo que tambien se puede decir que si hay dependencia espacial

Indice de Moran calculado en R para NDVI

# Creacion del data frame 3 y cambio de nombre para las variables

dfceNDVI<-data.frame(valor = BD_MODELADO$NDVI,
                x= BD_MODELADO$Avg_X_MCB,
                y = BD_MODELADO$Avg_Y_MCE )
head(dfceNDVI)
##      valor        x        y
## 1 0.863030 843449.6 955962.0
## 2 0.866502 843454.8 955962.4
## 3 0.874883 843493.6 955951.3
## 4 0.845838 843439.6 955977.6
## 5 0.797179 843468.7 955972.8
## 6 0.758272 843500.6 955975.3
# Creacion de ggplot para LOS VALORES DE NDVI

ggplot(dfceNDVI, aes(x = x,y = y, colour = valor)) + geom_point(size = 3, shape = 15)+
scale_color_continuous(type = 'viridis')

Se crea los datos de la matriz con los valores de NDVI

library(ape)

# Creacion de la matriz 
mdistancias3 <-as.matrix(dist(cbind(dfceNDVI$x, dfceNDVI$y)))
# Inverso de la matriz 
mdistanciasinv3 <- 1/mdistancias3 
# Se pasa de infinito a cero 
diag(mdistanciasinv3) <- 0 
# Se calcula el Indice de Moran 
Moran.I(dfceNDVI$valor, mdistanciasinv3) 
## $observed
## [1] 0.09750403
## 
## $expected
## [1] -0.003205128
## 
## $sd
## [1] 0.004644979
## 
## $p.value
## [1] 0

Nuevamente observamos que si hay una distribucion espacial

Indices de Moran generados en GeoDa

Indice de moran para valores de CE 70cm pvalor para valores de CE 70cm

Indice de Moran para valores de CE 150cm

pvalor para valores de CE 150cm

Indice de Moran para valores de NDVI pvalor para valores de NDVI

Los valores obtenidos por GeoDa son diferentes a los generados en R, aun asi se observa que se rechaza la hipotesis nula de acuerdo al pvalor por lo que si hay una dependencia espacial

Para todos los graficos donde se encuentra el dato de pvalor se observa tambien que el z valor es positivo en todos los casos por lo que dice que estan espacialmente agrupados en algun modo