如何获得一定距离内所有测量的中位数？

Question

可能有更好的方法，但由于我是R的新手并且已经设置了IDW代码，我一直试图通过调整IDW代码来获得2000米内所有点的中位数，设置加权功率（idp）接近于零，所以更接近的点的加权与远的加权相同。

当我用maxdist = 2000运行下面的代码时，我猜它是NA，因为有些点在2000米内没有任何邻居。即使我将nmin设置为零，我可以使用的最小maxdist是~40,000。

有没有办法告诉它忽略2000米范围内没有邻居的点，或者有人知道更好的方法吗？

这是我的代码：

library(gstat)
clean3145 = read.csv("clean3145.csv")

#Set up the k-fold validation
set.seed(88)
groups <- sample(1:5, nrow(clean3145), replace=TRUE)

#res=result=R=Pearson's correlation between predicted and actual arsenic concentration
MEDres<- rep(NA, 5)

r <- list()
for (k in 1:5) {
  print(k)
  flush.console()
  train <- clean3145[groups!=k, ]
  test <- clean3145[groups==k, ]

  med <- gstat(formula = As1~1, locations = ~UTMNM+UTMEM, data=train, nmin=0, maxdist=40000, set=list(idp = .01))
  medpred <- predict(med, test)$var1.pred
  MEDres[k] <- cor(test$As1, medpred)

  }

#Show the mean correlation for the 5 different training-test dataset pairs in K-fold validation
mean(MEDres)

感谢您的帮助！

Answer 1

我无法看到您的代码如何帮助回答原始问题，但对于本地中位数，我会尝试

library(sp)
demo(meuse, ask = FALSE)
library(gstat)
x = krige(zinc~1, meuse, meuse.grid, maxdist = 1000, set = list(method = "med"))

如果一个社区不包含数据，你可以用最近的点数nmax来定义，在这种情况下，距离不再受控制。

Answer 2

谢谢Edzer！

我将保存以备将来参考。我们用这种方式工作，也有深度标准（我试图估算地下水中的砷）：

#Load required packages and data
library(raster)
depth = read.csv("depth.csv")

设置k倍验证，确保每次选择相同的随机样本以进行比较

set.seed(88)
groups <- sample(1:5, nrow(depth), replace=TRUE)

使用以米为单位的UTM东和北坐标（UTMEM，UTMNM）计算测试（tst）井的特定点距离（pd）内所有训练（trn）井的中值砷浓度。忽略或＆＃34;删除＆＃34;在148米范围内没有邻居的测试井（pd> 148 = NA，na.rm = TRUE）

  computeMed <- function(trn, tst) {
  pd <- pointDistance(trn[ , c('UTMEM', 'UTMNM')], tst[ , c('UTMEM','UTMNM')], lonlat=FALSE)  
  pd[pd > 148] <- NA

  as <- trn$As1
  as <- matrix(rep(as, ncol(pd)), ncol=ncol(pd))
  aspd <- as * (pd >= 0)
  apply(aspd, 2, median, na.rm=TRUE)

    }

再次计算中位数，这次采用深度标准（例如，如果测试井靠近法伦（Tcan2car = 1 =从特拉基运河到卡森盆地的井和降级井）并且深度超过40米，则仅给出邻居的中位数也> 40米深

r <- rd <- list()
Fallon <- FALSE
for (k in 1:5) {
  print(k)
  flush.console()
  depth$deep <- TRUE
  depth$deep[depth$Depth_m < 40] <- FALSE
  if (Fallon) {
    d  <- depth[depth$Tcan2car==1]
   } else {
     d <- depth
  }
  train <- d[groups!=k, ]
  test <- d[groups==k, ]

   p <- computeMed(train,test)
   r[[k]] <- cbind(k=k, prd=p, obs=test$As1)


   pdeep <- computeMed(train[train$deep,],test[test$deep,])
   pshallow <- computeMed(train[!train$deep,],test[!test$deep,])


  rd[[k]] <- cbind(k=k, prd=c(pdeep, pshallow),    obs=test$As1[c(which(test$deep), which(!test$deep))])

 }

显示K折叠验证中5种不同训练测试数据集对的平均Pearson R相关性。 cr和r仅指基于距离的相关性。 crd和rd也包括深度标准

cr <- sapply(r, function(x) {x <- na.omit(x); cor(x[,2:3])[2]})
cr
mean(cr)

crd <- sapply(rd, function(x) {x <- na.omit(x); cor(x[,2:3])[2]})
crd
mean(crd)