La descarga está en progreso. Por favor, espere

La descarga está en progreso. Por favor, espere

Mauro A.e. Chaparro Marcela Natal Marcos A.e. Chaparro Debora C. Marie

Presentaciones similares


Presentación del tema: "Mauro A.e. Chaparro Marcela Natal Marcos A.e. Chaparro Debora C. Marie"— Transcripción de la presentación:

1 Mauro A.e. Chaparro Marcela Natal Marcos A.e. Chaparro Debora C. Marie
MODELOS DIFUSOS Y ANALISIS DE COMPONENTES PRINCIPALES PARA REDUCIR LA DIMENSION DE LA VARIABLE RESPUESTA EN MODELOS GEOESTADISTICOS. Mauro A.e. Chaparro Marcela Natal Marcos A.e. Chaparro Debora C. Marie

2 Estudios de la contaminación atmosférica en ambientes urbanos
Modelos geoestadísticos Dependencia espacial

3 Contaminación de ambientes urbanos
Frecuentemente los polvos atmosféricos de origen antropogénica incluyen elementos tóxicos y metales pesados, así como contaminantes en aerosol, que se difunden debido a la circulación atmosférica.

4 Monitoreo Magnético El magnetismo ambiental investiga las propiedades magnéticas de suelos, sedimentos, polvos atmosféricos, y colectores vegetales. Numerosos estudios han mostrado que hay una relación entre los metales pesados y los parámetros de magnetismo. Las variaciones en la mineralogía, concentración y tamaño de grano de los minerales magnéticos aportan información de las fuentes y características del material.

5 ¿DIAGNOSTICO de los ambientes? RESPUESTA MULTIVARIADA
, ARM, SIRM, carm S-ratio, HCR SIRM/ ARM/ , SIRM/ ARM/SIRM (Mineralogía de los portadores magnéticos ) (Concentraciones de portadores magnéticos) (Tamaño de grano magnético)

6 Modelo difuso (Sistema de inferencia difusa)
Se propone comparar dos estrategias para la reducción de la dimensión del problema para el ajuste de modelos geoestadísticos. Análisis de componentes Principales Modelo difuso (Sistema de inferencia difusa)

7 Caso de estudio: Tandil, prov. Bs. As.
La zona presenta 7 metalurgias. 180 puntos muestreados

8 Modelo geoestadístico
Un modelo geoestadístico en su forma mas general se lo plantea como: Con función de variograma teórico definida por:

9 1era Componente Principal como variable respuesta

10 Análisis de Componentes Principales
Se calculo el índice de Kaiser-Meyer-Olkin (KMO) las posibles variables que presenten el mayor índice. Con la premisa de que al menos una de las características magnéticas (t-m-c) estuviese presente en el conjunto de datos. Kaiser-Meyer-Olkin factor adequacy KMO(cor(Ntand[, X, SIRM, Hcr, Sratio, kARM/k, ARM.SIRM )]))=0.62 MSA for each item Var c SIRM HCR Sratio kARM/k ARM/ SIRM MSA 0.90 0.58 0.86 0.65 0.73 0.39

11 Análisis de componentes principales
Loading Dim.1 Dim.2 Dim.3 X 27.64 12.05 0.60 SIRM 24.52 17.27 0.75 HCR 14.96 5.68 29.79 Sratio 3.52 29.34 19.14 kARM/k 6.04 34.59 17.43 Arm/Sirm 23.32 1.07 32.28 Correlation Dim.1 Dim.2 Dim.3 X 0.71 0.20 0.00 SIRM 0.63 0.29 0.01 HCR 0.39 0.10 0.23 kARM/k 0.16 0.59 0.14 Sratio 0.09 0.50 0.15 Arm/Sirm 0.60 0.02 0.25 PC1 explica la variabilidad de los parámetros De concentración X, SIRM y el tamaño de grano Arm/Sirm

12 Índice de Moran global Posterior a la construcción de la PC1 se calculó el índice de Moran para determinar la existencia de correlación espacial para la variable respuesta “PC1”: Observed Expected Sd P-value e-09 Existe autocorrelación espacial. Debido a que el valor observado es mayor al esperado, entonces los valores de PC1 están autocorrelacionados positivamente.

13 Ajuste del modelo de variograma
El ajuste de los modelos se realiza Por mínimos cuadrados pesados por la distancia h2 Model Nugget Psill Range Exp 0.6576 1.7682 Sph 0.8483 1.173 Gau 1.1913 2.025 0.009 Wav 1.0288 1.699

14 Mapas de predicción Con cada una de las funciones de variograma se realiza el mapa de predicción utilizando Krigging universal ya que se considera que la media no es constante y la media se modela con la covariable distancia a la fabrica.

15 Selección del modelo Para la selección del modelo se realiza una validación cruzada leave-one-out. Para el diagnóstico se utilizaron tres estadísticos: Modelo ME(~0) MSE MSDR(~1) EXP -0.015 1.303 1.088 SPH -0.011 1.0739 GAU -0.001 1.344 1.1469 WAV -0.006 1.321 1.0995

16 Modelo Geo-PC1 Model Nugget Psill Range Sph 0.8483 1.173

17 Modelo difuso como variable respuesta

18 Representación de información imprecisa o difusa
Definición: Un conjunto difuso A en un espacio X es un conjunto de pares: donde: se define como la “función de membresía del conjunto difuso A”, la cual para todo elemento de x ε X asigna su grado de pertenencia a A. El conjunto X es llamado universo discursivo y consideramos que .

19 Representación de conocimiento empírico
Llamamos regla difusa al conjunto de proposiciones SI-ENTONCES que modelan el problema a resolver. Las reglas más simples tienen la forma: “Si x es A entonces y es B” Una regla expresa un tipo de relación entre los conjuntos difusos A y B, cuya función de membresía la representamos con y es lo que conocemos como implicación lógica de Mamdani.

20 Elementos básicos

21 Elementos básicos

22 Modelo difuso X Índice de contaminación Magnética SIRM Reglas + Karm/K
Inferencia Índice de contaminación Magnética SIRM Karm/K Hcr

23 Ajuste del modelo de variograma
Nug Psill range EXP 1.2164 2.352 0.0008 SPH 1.739 2.5265 0.0095 GAU 1.8487 2.766 0.009 WAV 1.813 2.393

24 Selección del modelo Modelo ME(~0) MSE EXP 1.876 1.273 SPH 1.855 1.261
MSDR(~1) EXP -0.01 1.876 1.273 SPH 1.855 1.261 GAU 1.853 1.29 WAV 1.845 1.271

25 Modelo Geo-ICM Model Nugget Psill Range Sph 1.718 2.4765 0.0075

26 Conclusiones Ambos modelos identifican los sitios contaminados e identifican las áreas de influencia de las fuentes de contaminación. El modelo no asistido, PC1, muestra que el rango de influencia de una muestra con respecto a las restantes (en relación a su distancia) es menor que en el modelo ICM. En términos de diagnóstico presenta una mayor precisión el modelo PC1 (MSDR=1.07, MSE=1.303)

27 Gracias


Descargar ppt "Mauro A.e. Chaparro Marcela Natal Marcos A.e. Chaparro Debora C. Marie"

Presentaciones similares


Anuncios Google