INDICE DE MORAN PARA CE-75, CE-150 Y NDVI

I MORAN PARA DATOS DE CONDUCTIVIDAD ELECTRICA (CE) A 0.75 m

library(readxl)
CE <- read_excel("/cloud/project/COMPUTACION Y ESTADISTICA/clase 15/BD_MODELADO.xlsx")

plot(CE$Avg_X_MCB, CE$Avg_Y_MCE,   col=CE$Avg_CEa_07,pch=19, cex=2,  main = "DISTRIBUCIÓN ESPACIAL DE (CE) a 0,75 m", xlab="Longitud", ylab = "Latitud")

library(ape)  
CE.dists <- as.matrix(dist(cbind(CE$Avg_X_MCB, CE$Avg_Y_MCE)))

CE.dists.inv <- 1/CE.dists 
diag(CE.dists.inv) <- 0 
#CE.dists.inv[1:5, 1:5]
Moran.I(CE$Avg_CEa_07, CE.dists.inv) 

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

Prueba de hipotesis de I Moran.

Ho: La configuración espacial se produce de manera aleatoria.

H1: la configuración espacial presenta “autocorrelacion”.

Rechazar P.h si “alpha > valor-p”: 0.05 > 0 “Se rechaza”

RTA: Como el valor-p es menor al nivel de significancia del 5%, “se rechaza la hipotesis nula” y por lo tanto podemos inferir que hay dependencia espacial entre los datos; es decir, los datos estan autocorrelacionados para la CE a 0,75 m

I MORAN PARA DATOS DE CONDUCTIVIDAD ELECTRICA (CE) A 1.5 m

library(readxl)
CE <- read_excel("/cloud/project/COMPUTACION Y ESTADISTICA/clase 15/BD_MODELADO.xlsx")

plot(CE$Avg_X_MCB, CE$Avg_Y_MCE,   col=CE$Avg_CEa_15,pch=19, cex=2,  main = "DISTRIBUCIÓN ESPACIAL DE (CE) a 1.50 m", xlab="Longitud", ylab = "Latitud")

library(ape) 
CE.dists <- as.matrix(dist(cbind(CE$Avg_X_MCB, CE$Avg_Y_MCE)))

CE.dists.inv <- 1/CE.dists 
diag(CE.dists.inv) <- 0
#CE.dists.inv[1:5, 1:5]
Moran.I(CE$Avg_CEa_15, CE.dists.inv) 

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

Prueba de hipotesis de I Moran.

Ho: La configuración espacial se produce de manera aleatoria.

H1: la configuración espacial presenta “autocorrelacion”.

Rechazar P.h si “alpha > valor-p” : 0.05 > 0 “Se rechaza”

RTA: Como el valor-p es menor al nivel de significancia del 5%, “se rechaza la hipotesis nula” y por lo tanto hay dependencia espacial entre los datos de CE a 1,50 m; es decir, los datos estan autocorrelacionados.

I MORAN PARA DATOS DE NDVI

library(readxl)
CE <- read_excel("/cloud/project/COMPUTACION Y ESTADISTICA/clase 15/BD_MODELADO.xlsx")

library(ggplot2)
ggplot(CE, aes(x = Avg_X_MCB, y=Avg_Y_MCE, colour= NDVI))+
   geom_point(size = 5)+
   scale_color_continuous(type = 'viridis')

library(ape)
CE.dists <- as.matrix(dist(cbind(CE$Avg_X_MCB, CE$Avg_Y_MCE)))
CE.dists.inv <- 1/CE.dists
diag(CE.dists.inv) <- 0
#CE.dists.inv[1:5, 1:5]
Moran.I(CE$Avg_CEa_15, CE.dists.inv) 

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

Prueba de hipotesis de I Moran.

Ho: La configuración espacial se produce de manera aleatoria.

H1: la configuración espacial presenta “autocorrelacion”.

Rechazar P.h si “alpha > valor-p” : 0.05 > 0 “Se rechaza”

RTA: Como el valor-p es menor al nivel de significancia del 5%, “se rechaza la hipotesis nula” y por lo tanto hay dependencia espacial entre los datos de NDVI; es decir, los datos estan autocorrelacionados.