kriging(克里金方法,克里金插值)讲课.ppt

x0 第二节 克里金插值方法 简单克里金(SK) 普通克里金(OK) 泛克里金(UK) 协同克里金(CK) 贝叶斯克里金（BK） 指示克里金(IK) 一、简单克里金(SK) (Simple Kriging) 所有克里金估计都应用线性回归算法，形式为：m为期望 求取权系数的克里金方程组的非平稳形式 求(n+1)个m(u), 求(n+1)×(n+1) 个C(u?,u?) 二阶平稳假设 E[Z(u)] = E[Z(u+h)] = m(常数) C(u,u+h) = C(h) 简单克里金估计的平稳形式： E[Z(u)] = E[Z(u+h)] = m(常数) 应用条件： 随机函数二阶平稳 随机函数的期望值 m为常数并已知 不能用于具有局部趋势的情况 简单克里金方程组的平稳形式： C(u,u+h) = C(h) （C与位置有关） （C与位置无关） 二、普通克里金(OK) (Ordinary Kriging) 应用要求： 随机函数二阶平稳或符合内蕴假设 随机函数的期望值 m在搜寻邻域内稳定但未知 协方差平稳 与简单克里金相比，普通克里金相当于在每一个位置u，重新估计 m。 由于普通克里金估计常使用滑动数据邻域，相当于均值m随位置可变，即Z*(u)，此时，实际上是一种非平稳算法，对应于变化的均值和平稳的协方差。 三、泛克里金(UK) (Universal Kriging) 非平稳随机函数的漂移函数(drift),简称为漂移或趋势 随机函数 = 趋势 + 残差 区域化变量Z(X)是非平稳的，即E[Z(x)]=m(x) Kriging with a trend model (KT) 具有趋势的克里金 用光滑的确定性函数来模拟，或用拟合方法 趋势函数 一维的线性趋势 二维的二次趋势: 用均值为0、 协方差函数为 的平稳随机函数来模拟。 泛克里金估计值: 残差 为权值 是与(K+1)个权值的限制条件相对应的(K+1)个拉格朗日参数 泛克里金方程组 为残差协方差函数 具有外部漂移的克里金 (Kriging with an external Drift) 估计值 当K = 1时，线性趋势函数为 趋势函数 可理解为二级变量 （1）外部变量必须在空间光滑 地变化，否则可能导致KT 线性系统不稳定； （2）在主变量的所有数据点u?处和待估计的 位置u处，外部变量都必须是已知的。 克里金方程组： 可理解为地震 数据（如深度） （K=0时，？） 利用几个变量之间的空间相关性，对其中的一个或几个变量进行空间估计，尤其适用于被估计变量的观察数据较少的情况 。 协同克里金估计值（初始变量和二级变量） 四、 协同克里金（CK） (Cokriging) ----随机变量在位置0处的估计值； ----初始变量的n个样本数据； ----二级变量的m个样本数据； ----需要确定的协同克里金加权系数。 及 协同克里金方程组 传统普通协克里金 标准化普通协克里金 mX = E[x(u)] mY = E[y(u)] 具不同变程的克里金插值图象 块金值(Nugget) ：变差函数如果在原点间断，在地质统计学中称为“块金效应”，表现为在很短的距离内有较大的空间变异性，无论h多小，两个随机变量都不相关 。它可以由测量误差引起，也可以来自矿化现象的微观变异性。在数学上，块金值c0相当于变量纯随机性的部分。 如果品位完全是典型的随机变量，则不论观测尺度大小，所得到的实验变差函数曲线总是接近于纯块金效应模型。 当采样网格过大时，将掩盖小尺度的结构，而将采样尺度内的变化均视为块金常数。这种现象即为块金效应的尺度效应。 块金效应的尺度效应 ?1 ?2 ?1 ?1 ?1 ?3 ?3 ?3 ?3 基台值(Sill)：代表变量在空间上的总变异性大小。即为变差函数在h大于变程时的值，为块金值c0和拱高cc之和。 拱高为在取得有效数据的尺度上，可观测得到的变异性幅度大小。当块金值等于0时，基台值即为拱高。 = C(0) – C(h) 几何各向异性：变差函数在空间各个方向上的变程不同，但基台值不变（即变化程度相等）。这种情况能用一个简单的几何坐标变换将各向异性结构变换为各向同性结构。 带状各向异性：