中央大学应用地质研究所地质统计学讲义.doc

中央大學應用地質研究所地質統計學地質統計學地形高程資料常以不規則的散漫點型式。為了應用上的便利，我們將散漫點資料經由內插計算，成固定間距之規則化網格型式。的網格化內插法有距離反比法、全區域多項式內插法（polynomial regression,即trend surface）、局部（移動）多項式內插法（local surface fitting）、最小曲率法（minimum curvature）、不規則三角網法（TIN）、二維傅立葉級數法等。各種方法均有其優點，，。 Kriging法為地質統計學上一種空間資料內插處理方法，主要的目的是利用各資料點間變異數 (ariance) 的大小來推求某一未知點與各已知點的權重關係，再由各資料點的值和其與未知點的權重關係推求未知點的值。Kriging 法最大的特色不僅是提供一個最小估計誤差的預測值，並且可明確的指出誤差值的大小。一般而言，許多地質參數，如地形面本身即具有連續的性質，故在一短距離內的任兩點必有空間上的關係。反之，在一不規則面上的兩點若相距甚遠，則在統計意義上可視為互為獨立 (tastically indepedent)，這種隨距離而改變的空間上連續性，可用半變異圖 (emivariogram) 來表現。因此，若想由已知的散亂點來推求某一未知點的值，則可利用半變異圖推求各已知點及欲求值點的空間關係。再由此空間參數推求半變異數，由各資料點間的半變異數可推求未知點與已知點間的權重關係，進而推求出未知點的值。半變異數半變異數是一種表現區域變數 (egionalized variable) 沿著某一特定方向的變化率值，以此量測已知樣本間的空間變異度。如果沿著某方向任取兩點樣本配對，兩點間的距離為h個單位，則定義半變異數為： (1) 其中，z(i)為第i點的區域變數值，z(i+h)為與第i點相距h個間隔的區域變數值，n為取樣點的配對數。 半變異根據不同的h 值及所對應的γ(h)值，可以繪出半變異圖(圖1)。相距距離愈小的點其半變異數愈小，而隨著距離的增加，任兩點間的空間相依關係愈小，使得半區域變數趨向於一穩定值。此穩定值我們稱之為門檻值(ill 或c值)；而達到門檻值時的最小h 值稱之為區間值(ange 或a值)。 圖1 半變異圖半變異的函數模型由於資料特性不同，半變異圖的形狀變化也會有變化，吾人常須按資料特性來選擇適當的模型。常見的五個函數模型 (圖2) 如下：(1) 線性模型 (Linear model)： 其中，b為斜率(2) 球型模型(Spherical model)： 其中，a為區間值，c為門檻值。(3) 指數模型(Exponential model)： () 高斯模型(Gaussian model)： (5) 冪級數模型(Power model)： 其中，p為factor，r為power。此外，尚有Quadratic model及Hole-effect model等。目前較常被使用的是球型模型 (Hohn1988; Isaaks, 1989; Dubrule, 1993)。   塊金效應 半變異數是一種表現區域變數 (egionalized variable) 沿著某一特定方向的變化率值，以此量測已知樣本間的空間變異度。如果沿著某方向任取兩點樣本配對，兩點間的距離為h個單位，則定義半變異數為： 半變異數是一種表現區域變數 (egionalized variable) 沿著某一特定方向的變化率值，以此量測已知樣本間的空間變異度。如果沿著某方向任取兩點樣本配對，兩點間的距離為h個單位，則定義半變異數為： 以統計觀點而言，riging) 具有最佳線性不偏推估（best linear unbiased estimator）之特性，說明如下： 1. 線性：估計值為觀測值之線性組合。 2. 不偏估：估計值之期望值等於觀測值之期望值。 將()式帶入()式可得： 3. 最佳化：估計值與觀測值差之變異數為最小，： 將()式代入()式，： 其中，。將上式分別對 取偏微分，並令其微分式為零，得： 寫成矩陣形式即為：。，，。，，。若利用拉格蘭吉法引入拉格蘭吉參數 (Langrange ultiplier) ，拉格蘭吉： 再將上式分別對 及 取偏微分，並令其微分式為零，得： 寫成矩陣形式即為：。，，。 求解得之後，帶入()式，可得估計值 。此即為Ordinary Kriging System。此時估計 variance) 為： 估計誤差 (estimation error) 則為： ，，：估計估計誤差為： 一般克力金法方程式推導 最佳化 拉格蘭吉法 提示: 1. 2. Proof of above equation: