1

我正在尝试使用我适合glmmTMB包的 GLMM 在人口级别（即将随机效应设置为 0）预测 R 中的栅格堆栈。我在此线程中遵循了 Ben Bolker 的解决方案，该解决方案适用于符合 的模型lme4，但即使函数参数re.form=~0似乎适用于predict.glmmTMB，predict.merMod但当我预测使用 glmmTMB 模型时，它对我不起作用。这是一个使用 Robert Hijmans 在上述线程中提供的相同示例代码的示例：

# example data. See ?raster::predict
logo <- brick(system.file("external/rlogo.grd", package="raster"))
p <- matrix(c(48, 48, 48, 53, 50, 46, 54, 70, 84, 85, 74, 84, 95, 85, 
   66, 42, 26, 4, 19, 17, 7, 14, 26, 29, 39, 45, 51, 56, 46, 38, 31, 
   22, 34, 60, 70, 73, 63, 46, 43, 28), ncol=2)
a <- matrix(c(22, 33, 64, 85, 92, 94, 59, 27, 30, 64, 60, 33, 31, 9,
   99, 67, 15, 5, 4, 30, 8, 37, 42, 27, 19, 69, 60, 73, 3, 5, 21,
   37, 52, 70, 74, 9, 13, 4, 17, 47), ncol=2)
xy <- rbind(cbind(1, p), cbind(0, a))
v <- data.frame(cbind(pa=xy[,1], extract(logo, xy[,2:3])))
v$Year <- sample(2000:2001, nrow(v), replace=TRUE) 

#fit model using glmmTMB
library(glmmTMB)
m <- glmmTMB(pa ~ red + blue + (1 | Year), data=v)

# use argument "re.form=~0" to make population-level prediction
x <- predict(logo, m, re.form=~0)

当我运行上面的predict代码（制作对象 x）时，我得到了错误：Error in eval(predvars, data, env) : object 'Year' not found. 有人可以告诉我我可能做错了什么或如何解决这个问题吗？

4

2 回答 2

1

由于“年份”不是预测栅格，因此您需要以不同的方式提供它。你可以做

x2000 <- predict(logo, m, re.form=~0, const=data.frame(Year=2000))
x2001 <- predict(logo, m, re.form=~0, const=data.frame(Year=2001))

这是等效的（但效率较低）

logo$Year <- 2000
x2000 <- predict(logo, m, re.form=~0)

如果有很多年，也许就像

 years <- c(2000, 2001)
 s <- list()
 for (i in 1:length(years)) {
    s[[i]] <- predict(logo, m, re.form=~0, const=data.frame(Year=years[i]))
 }
 s <- stack(s)
 sm <- mean(s)
于 2020-12-16T20:01:50.377 回答
0

该错误有点不透明地表明，您的测试数据“logo”没有“Year”变量。

我只在此处添加了相关代码，并没有重复您上面提供的所有其他代码。

logo <- brick(system.file("external/rlogo.grd", package="raster"))
x <- predict(logo, m, re.form=~0)
Error in eval(predvars, data, env) : object 'Year' not found

logo$Year <- sample(2000:2001, ncell(logo), replace=TRUE) 
x <- predict(logo, m, re.form=~0)
> x
class      : RasterLayer 
dimensions : 77, 101, 7777  (nrow, ncol, ncell)
resolution : 1, 1  (x, y)
extent     : 0, 101, 0, 77  (xmin, xmax, ymin, ymax)
crs        : +proj=merc +lon_0=0 +k=1 +x_0=0 +y_0=0 +datum=WGS84 +units=m +no_defs 
source     : memory
names      : layer 
values     : 0.1260796, 1.690493  (min, max)
于 2020-12-16T19:47:11.113 回答