Tengo 4 años de road kill datos de una carretera, a pesar de que cada año tiene un diferente tiempo de la muestra trama (es decir, de Mayo a junio, frente a abril-octubre) y, por tanto, cada año tiene un número diferente de las encuestas y de los totales de la hoja de matar. Me gustaría comparar el kernel de la densidad de los rásteres para encontrar el peor de matar a lugares cuando los 4 años que están juntos, pero no quiero sesgo de los datos hacia el año con el mayor número de muertes. (Estoy suponiendo que matar a los lugares en los años con menor número de muestras son representativas). ¿Cómo puedo normalizar los rásteres para que yo pueda añadir a ellos y encontrar el más grande matar a los puntos calientes en el camino?
Respuesta
¿Demasiados anuncios?
cjstehno
Puntos
131
Aparte de los efectos de borde, la integral (=volumen por debajo) de una densidad de kernel se supone que es igual a la cantidad total de datos que representa. Es decir, sus valores están en unidades de cuenta por área. Quieres contar por área y por unidad de tiempo. Evidentemente, esto se hace dividiendo cada trama por la cantidad de tiempo que representa.
Hay muchas otras consideraciones, porque la cuestión es esencialmente sobre el potencial de la combinación de dataset ráster a ser un estimador sesgado de la real roadkill tasas. Un buen enfoque es considerar la pregunta, "¿cuál es la probabilidad de que un determinado roadkill será identificado por algunos encuesta?" La probabilidad depende del tiempo típico roadkill permanece visible en la carretera (que puede variar entre encuestas, dependiendo del clima y la época del año) y también puede variar de un año a otro cuando hay diferentes números de las encuestas realizadas (no aleatoria) de cada año. Varios de los peritos, incluyendo el estimador Horvitz-Thompson y Hurwitz-estimador de Hansen, el uso de estas probabilidades para ajustar la suma de modo que es una estimación insesgada de la total atropello durante el período de estudio. Los ajustes son sencillos, que a menudo implican nada más complicado que dividir los resultados por parte de sus probabilidades. Leer acerca de ellos en Steven K. el libro de Thompson, el Muestreo, la cual es una buena práctica (y teórica) de los recursos para realizar estimaciones con los tipos de datos de observación recogidos por los ecologistas.
