Autocorrelação espacial multivariada

Oi Prof. Marcos e colegas!

Quanto tempo! Já estava com saudades do curso.

Estou trabalhando com varias camadas de rasters, onde cada uma representa uma variável ambiental e cada pixel tem um valor especifico para essa variável. Para facilitar a análise, transformei os rasters a pontos, e então agora tenho uma matriz onde cada unidade amostral (ou coordenada) tem um valor para cada variável (colunas). Meus dados são muito pesados, com 14,000,000 filas/coordenadas e 30 colunas (representam muitas das UCs da Amazônia, em uma resolução de 300m). Dado que cada coordenada/pixel fica em proximidade com a outra, estou querendo fazer uma análise de autocorrelação espacial que garanta que cada unidade sera independente (e que também reduza significativamente o tamanho de minha matriz, pois demora muito tempo fazer qualquer analise com esse quantidade de pontos). Como vemos no curso, tem vários pacotes do R que permitem calcular o índice de Moran, mas quero achar um análise que seja multivariado e que permita incluir todas minhas variáveis. Achei uma função no pacote ade4 chamada multispati.rtest, mas ela precisa criar objetos de classes específicas e estou tendo dificuldade em achar se é a função adequada para mim.

Alguém já teve experiencia com esse pacote/função ou tem ideias para lidar com autocorrelação para dados grandes?

Agradeço qualquer ajuda.

Abs, Melissa

Olá, Melissa, tudo bem?

Desculpe a demora!

Então, estive olhando as funções do ade4, e elas pedem o formato dudi, que é resultante das análises de ordenação (PCA e etc) que o ade4 realiza. Não sei se funciona para o seu caso, talvez sim. Se quiser tentar, o caminho seria fazer uma PCA com as variáveis de interesse, e então usar a função multispati.rtest no objeto com o resultado da PCA. Acredito que a função dudi.pca iria criar a pca com o objeto no formato desejado.

Mas podemos pensar em outro caminho. Penso que uma saída seria usar o método dos filtros espaciais, ou alguma adaptação dele. Usando os filtros, a matriz de distância geográfica passaria por uma pca, que gera componentes principais que "guardam" a estrutura geográfica dos dados. Se estes filtros se relacionarem com os dados em si, então isso indica autocorrelação. Os dados em si poderiam também ser tratados antes, talvez com pca também. Na verdade algo importante seria investigar o padrão de correlação entre essas 30 variáveis. Se elas estiverem muito correlacionadas, você poderia eliminar algumas, pois elas seriam redundantes nas análises.

Eu nunca lidei com autocorrelação em um caso assim, com dados tão grandes, mas vamos nos falando e pensando em soluções, ok?

Abraços