将高程加入降雨量的空间插值中的地理统计方法.docVIP

将高程加入降雨量的空间插值中的地理统计方法 文章摘要： 本文介绍了3种将数字高程模型引入降雨量空间预测的多元地理统计算法：含变化的局部均值的简单克吕格方法（KED）、含外在漂移的克吕格、协同克吕格。实验数据是位于Portugal的5000平方千米区域内的36个气象站观测获取的年及月降雨量的记录。最终通过交叉验证的的方法来将3种地理统计插值算法同降雨量和高程的直接线性回归及3种单一变量方法即泰森多变形、反距离平方加权、普通克吕格的预测结果进行比较。 反距离平方加权、泰森多边形算法因忽略了周围站点的高程和降雨量记录而产生较大的预测误差。3种多元地理统计算法优于其他插值，尤其是线性回归，它强调用于解释降雨空间依赖的协同高程数据。最终，当降雨和高程间的相关性适中时，普通克吕格比线性回归产生更加精确的预测结果。 研究现状及本文选材 研究必要性：精确的空间降雨量的估计需要较高密度的采样，这就会耗费很多的设施和操作费用，因此，基于周围已知采样点对未采样点的降雨估计就很必要。 研究现状：目前已经提出了许多关于降雨量插值的方法。归纳起来主要有以下几种： 泰森多边形（最邻近法） （插值后的图如下所示： 存在的缺点是呈斑块状，不平滑，与实际情况不符合，且只考虑了未知采样点与其最近的采样点的联系儿忽略了与其他采样点的联系） 反距离加权值法：利用周围采样点的线性组合来表示未知点的值，其权重是周围采样点与待估计点的距离的平方的倒数。其表达式如下： （解释一下各个未知数代表的含义，其中n(u)为16，代表取待估点周围16个观测值进行计算） （利用此方法对数据进行插值后的结果如下：此方法的缺点是周围的采样点过密时会引起估计误差） 地理统计法（克吕格法）同反距离加权法一样，地理统计法的理论基础是空间邻近原理，即空间上相近点的相似性大于相距较远点的相似性，采用周围采样点的值估计未知点的值。但在地理统计中，采用变差函数作为记录间异质性的测量值。 变差函数又分为两类： 1首先介绍一下经验变差函数:它是一个距离和方向的函数，可以用来解释方向依赖的变化。其值是距离为h的数据点对间的均方差的一半其计算公式如下： （解释一下公式，其中N(h)代表某方向上的距离为h的点对数，h代表点对间的距离） 2全局变差函数：即认为各向同质，不必考虑方向问题。公式同经验变差函数。 由于此文中只选取了36个站点的数据，数据缺乏，因而选取全局变差函数，即认为各向同质，并且当距离为25km时变差函数达到最大值即变程为25km。 经普通克吕格插值后的图如下所示： （优点是考虑方向性，弥补反距离加权法中采样点过密时的缺陷，可以屏蔽掉离未知点较远的点） 所谓的“空洞效应”一般反映了虚假的周期性或确实存在的周期性。在这里，空洞效应与相距40km的两个山脉的存在有关，并非周期性。 克吕格是一个广泛的最小二乘回归技术，它将通过变差函数所反映的观察值间的空间依赖性加入空间预测。大多数地理统计是基于随机函数的概念，未知值的集合看作是它所依赖的随机变量的集合。与反距离加权法类似，地理统计插值在估计未知点的降雨深度z时，将其看作是周围已知采样点的组合。如下所示： 其中权重是由无偏估计和估计方差最小所决定的。通过解如下的线性方程组即“普通克吕格系统” 来获取权重值： 其中代表拉格朗日参数，用于对权重进行限制。解克吕格系统需要的唯一信息是不同步长的变差函数值，这些值可以通过变差函数模型来拟合经验变差函数值得到。本文选取了三种常见的变差函数模型: 变程为a的球状模型 球状模型是应用最广的变差函数模型，特点是在起始部分是线性的。（对照图讲解） 变程为a的立方模型 立方模型在起始部分是抛物线性的，克服了数值的不稳定性。（对照图） 抑制空洞效应模型 这里的d代表95%的空洞效应被抑制的距离。 方程复杂，被用于构建空洞模型。 这三种模型用回归进行拟合，满足经验变差函数值和模型变差函数值间差的平方加权和最小。 权重为，（分式的第一个参数代表点对数）主要是为了给起初步长和点对数多的赋予更多的权重。本文中采用了立方模型。原因是立方模型产生最小的WSS且比抑制空洞模型含有较少的参数。用立方变差函数模型拟合的普通克吕格所获得的图同反距离加权法一样，很粗糙，强调高密度采样点的重要性。 加入高程的多变量插值 本文采用了4种方法将高程数据引入对降雨量估计中。一种最直接的方法是将降雨量表示为高程的线性方程，另外3种方法是地理统计方法。 线性回归法：将降雨量表示为与其相对应位置的高程的线性函数，表示如下： 其中y(u)代高程值。这种方法的缺点