Главная Случайная страница Контакты | Мы поможем в написании вашей работы! | ||
|
Методы кригинга полагаются на математические и статистические модели. Учет вероятности в статистической модели отличает методы кригинга от детерминистских методов, описанных в Главе 5, 'Детерминистские методы интерполяции пространственных данных'.
При кригинге вы связываете некую вероятность с выполняемой вами интерполяцией; это означает, что значения не могут быть получены по статистической модели абсолютно точно.
Рассмотрим пример с измеренными значениями содержания нитратов в почве. Очевидно, что даже при наличии большой выборки, вы не сможете вычислить точное значение содержания нитратов в какой-нибудь конкретной точке, в которой измерения не проводились.
Следовательно, вы можете только попытаться проинтерполировать ее значение, и при этом оценить ошибку интерполяции.
Методы кригинга основываются на понятии корреляции. Корреляцию часто определяют как тенденцию двух типов переменных к взаимозависимости.
Например, уровень цен на фондовой бирже имеет тенденцию к позитивным изменениям при низком спросе, поэтому говорят, что они обратно коррелируют. Кроме того, можно утверждать, что уровень цен на бирже имеет положительную корреляцию, что означает, что он коррелирует сам с собой.
На фондовом рынке два значения цены будут иметь тенденцию к совпадению, если они относятся к двум датам, следующим одна за другой, в отличие от дат, которые разделяет год. Величина, при которой корреляция исчезает, может быть выражена как функция расстояния.
На рисунке ТТТ корреляция показана как функция расстояния. Это определяющая характеристика геостатистики. В классической статистике предполагается, что наблюдения являются независимыми; следовательно наблюдения не коррелируют между собой. В геостатистике, информация о положении точек наблюдения в пространстве позволяет вам вычислить расстояния между точками наблюдения и смоделировать корреляцию как функцию расстояния.
Рисунок ТТТ
Также обратите внимание, что в целом, цены фондового рынка растут, и такая тенденция носит название "тренда". Для геостатистических данных, вы оперируете теми же терминами, которые могут быть выражены простой математической формулой.
Где - интересующая нас переменная, разложенная на детерминистский тренд т (s), и случайные, коррелирующие ошибки е(s). Символ s просто указывает на положение точки; то есть обладает координатами х- (долгота) и у- (широта).
Различные варианты этой формулы образуют основу для различных типов кригинга, поэтому она стоит усилий, потраченных на ознакомление с ней.
Не имеет значения, насколько сложным в модели является тренд, - составляющая m(s) все равно не сможет дать точных проинтерполированных значений. В этом случае, делаются некоторые допущения относительно ошибки е(s); а именно, предполагается, что среднее значение ошибки будет равно 0 и корреляция между е(s) и е(s+h) не зависит от действительного положения точки s, а только от взаимного расположения двух точек, или расстояния h. Это необходимо для оценки функции корреляции. Например, для примера на следующем рисунке, предполагается, что случайные ошибки для пар точек, соединенных стрелками, будут одинаково коррелировать.
Далее, изучите тренд. Он может быть простой константой; то есть, m(s) =т для всех точек, и если m известно, это и является моделью, на которой основан ординарный кригинг.
Он также может быть представлен линейной функцией самих пространственных координат, например,
где поверхность тренда представлена полиномом второй степени и является линейной регрессией пространственных координат х и у.
Тренды, которые варьируют, и для которых коэффициенты регрессии неизвестны, образуют модели универсального кригинга.
Если же полностью известен тренд (т.е., известны все параметры и ковариаты), независимо от того, является он постоянным или нет, он образует модель для простого кригинга.
Теперь рассмотрим левую часть выражения, Z(s) =т (s) +е (s).
Вы можете выполнить преобразования значения Z(s). Например, вы можете изменить его на индикаторную переменную, то есть значениям Z(s) будет присвоен 0, если они ниже некоторой величины (например, 0.12 ррт для концентрации озона) или 1, если они превышают какое-либо значение.
Затем, вы можете спрогнозировать вероятность того, что Z(s) - выше порогового, и такая интерполяция будет носить название индикаторного кригинга.
Вы можете также выполнить общие преобразования для значений Z(s), назвав их функцией fi(Z(si)) для i -той переменной.
Из функций переменных вы можете образовать интерполяторы; например, если вы хотите найти значение показателя в точке s0,
вы формируете интерполятор дизъюнктивного кригинга из значений функции g (Z(sQ)) с использованием данных функции fi(Z(si)).
В модуле Geostatistical Analyst, функция g - либо индикаторное преобразование, либо отсутствие преобразования.
И наконец, рассмотрим случай, когда у вас есть больше одного типа переменных, и вы формируете модели Zj(s)=mj(s)+ej(s) для j -того типа переменной.
Вы можете учесть различные тренды для каждой переменной, и помимо этого, автокорреляцию для ошибок еj(s).
Существует также взаимная корреляция между ошибками еj(s) и еk(s) для двух типов переменных. Например, вы можете учесть взаимную корреляцию между двумя переменными, такими как концентрация озона и определенного вещества, и они необязательно должны быть измерены в одних и тех же точках.
Модели, основанные на более чем одной переменной, образуют базу для кокригинга.
Вы можете создать индикаторную переменную для значений Z(s) и, если вы будете вычислять искомое значение с использованием исходных непреобразованных данных Z(s) в модели кокригинга, вы получите вероятностный кригинг.
Если изначально у вас есть более одной переменной, для которой вы хотите интерполировать поверхность, вы можете рассматривать ординарный кокригинг, универсальный кокригинг, простой кокригинг, индикаторный кокригинг, вероятностный кокригинг и дизъюнктивный кокригинг, как многовариантные расширения различных типов кригинга, описанных ранее.
Дата публикования: 2015-11-01; Прочитано: 994 | Нарушение авторского права страницы | Мы поможем в написании вашей работы!