Geostatistics for Compositional Data with R (Use R!)

این کتاب یک رویکرد هدایت‌شده برای مدل‌سازی زمین آماری داده‌های مکانی ترکیبی ارائه می‌دهد. این داده ها داده هایی در نسبت ها، درصدها یا غلظت های توزیع شده در فضا هستند که همبستگی فضایی را نشان می دهند. کتاب را می توان به چهار بلوک تقسیم کرد. بلوک اول چارچوب را تنظیم می کند و پیشینه ای را در مورد تجزیه و تحلیل داده های ترکیبی ارائه می دهد. بلوک دو ابزارهای اکتشافی ترکیبی را برای جنبه‌های غیرفضایی و فضایی معرفی می‌کند. بلوک سه تمام جنبه‌های لازم پیش‌بینی فضایی چند متغیره برای داده‌های ترکیبی را پوشش می‌دهد: مدل‌سازی واریوگرام، کوکریجینگ و اعتبارسنجی. در نهایت، چهار استراتژی جزئیات را برای شبیه‌سازی داده‌های ترکیبی، از جمله تبدیل به نرمال بودن چند متغیره، هم‌شبیه‌سازی گاوسی، شبیه‌سازی چند نقطه‌ای داده‌های ترکیبی، و تکنیک‌های متداول پس پردازش، که برای هر دو روش گاوسی و چند نقطه‌ای معتبر هستند، مسدود کنید.

 همه روش‌ها هستند. از طریق برنامه های کاربردی برای دو نوع مجموعه داده نشان داده شده است: یکی بررسی ژئوشیمیایی در مقیاس بزرگ، که از مجموعه کاملی از متغیرهای ژئوشیمیایی تشکیل شده است، و دیگری از یک زمینه معدنی، که در آن تنها عناصر دارای بیشترین اهمیت در نظر گرفته می شوند. کدهای R برای همه جنبه‌های روش گنجانده شده‌اند که در بسته R \"gmGeostats\" موجود در CRAN موجود است.

This book provides a guided approach to the geostatistical modelling of compositional spatial data. These data are data in proportions, percentages or concentrations distributed in space which exhibit spatial correlation. The book can be divided into four blocks. The first block sets the framework and provides some background on compositional data analysis. Block two introduces compositional exploratory tools for both non-spatial and spatial aspects. Block three covers all necessary facets of multivariate spatial prediction for compositional data: variogram modelling, cokriging and validation. Finally, block four details strategies for simulation of compositional data, including transformations to multivariate normality, Gaussian cosimulation, multipoint simulation of compositional data, and common postprocessing techniques, valid for both Gaussian and multipoint methods.

 All methods are illustrated via applications to two types of data sets: one a large-scale geochemical survey, comprised of a full suite of geochemical variables, and the other from a mining context, where only the elements of greatest importance are considered. R codes are included for all aspects of the methodology, encapsulated in the  R package "gmGeostats", available in CRAN.