地统计插.docVIP

实验三 地统计插值 一、实验目的： 熟练掌握地统计插值的克里格（Kriging）方法 二、实验内容： 1.使用克里格方法进行表面预测。 2.熟悉了解普通克里格（Ordinary Kriging）；简单克里格（Simple K riging） ；泛克里格（Universal Kriging）；协同克里格（Co-Kriging）；对数正态克里格（Logistic Normal Kriging）；指示克里格（Indicator Kriging）；概率克里格（Probability Kriging）；析取克里格（Disjunctive Kriging）等。 3.制作表面预测图 三、实验步骤： 打开Arcmap软件，Tool—Extensions，加载Geostatistical Analyst模块，在菜单栏的空白处单击鼠标右键，添加Geostatistical Analyst工具条 1.普通克里格方法 ①选择输入数据和方法面板（Choose Input Data and Method）选择使用的数据及其属性：Geostatistical Analyst — Geostatistical Wizard分别在Input和Attribute中选择选择预测方法：在Methods中选择Kriging。 在Input Data添加数据ca_ozone_pts_training，在Validation添加数据ca_ozone_pts_test ②地统计方法选择面板（Geostatistical Method Selection） 选择Ordinary Kriging中的Prediction Map，即使用普通克里格方法生成一个表面预测图。普通克里格方法是最常用的地统计分析方法。 Transmition选项：对数据集进行转换，由于某些方法要求数据正态分布，因此如果数据与正态分布差距很大，可以在此选择一种方法对数据进行转换。此处选择对数（Log） Order of trend：如果数据在某方向上存在趋势，则为了提高预测的准确性，一般要剔除趋势。在此处选择趋势方程的阶数：线性、一阶、或无趋势等。 ③半变异函数/协方差模型面板（Semivariogram/covariance Modeling） 此步的主要功能为半变异函数建模，是预测过程中的实质性阶段。在此面板中需要社定许多与拟合半变异函数相关的选项以及半变异函数的参数。是克里格预测中十分关键的部分。 Semivariogram/covariance部分显示的是拟和的模型，黄线即半变异函数曲线。 Models部分：model1,model2,model3表示可以用多个通用函数来拟和半变异函数模型。如果数据为各向异性，则需要选中Anisotropy（其实大多数空间数据是各向异性的，各向同性只是相对的），当选中此选项时，黄线变为多条，表示多个方向的拟合函数。 Show Search Direction选项选中后，表示只搜索某个方向的半变异函数。 Nugget：块金值，函数参数之一，即函数与y轴相交的y值。 Error Modeling：如果数据中有测量误差（比如一起原因等）的话，则选中此项，预测表面将光滑许多。 ④搜索区域面板（Searching Neighbourhood） 此面板的主要功能是设定预测某点数值时如何搜索邻近的已测量点。 主要有样点数（neighbours to）和搜索形状（shape）两个选项。 Neighbours to：最大搜索数目，离预测点太远的样点对预测无意义。 Include at least：最小样点数目。 Shape：设置如何搜索样点，有图解。 ⑤交叉验证面板（Cross Validation） 在此面板中查看预测的精度，有四个图表，现以最左边的预测图表进行说明。图表的横坐标为测量制值，纵坐标为预测值，最理想的情况是数据呈1:!线，即图中的破折线。 左下方的预测误差（precited error）项是预测误差的一些统计值，可很好的体现预测的好坏。其中，Mean:0.01075（预测误差的均值）；Root-Mean-Square:0.01985（预测误差的均方根）；Average Standard Error:0.06084（平均预测标准差）、Mean Standardized:0.1767（平均标准差）；Root-Mean-Square Standardized:0.3243（标准均方根预测误差）。其中前四项越小越好，最后一项越接近1越好。 右下方的项含有每个点的误差、标准差等数据， ⑥下一步，点击完成即可生成预测图。 2.简单克里格方法 ①选择输入数据和方法面板（Choose Input Data and Method）选择使用的数据及其属性：Geostat