克里金算法整理.pdfVIP

Kriging 插值法 (2012-04-19 13:48:09) 转载▼ 标签： 杂谈 克里金法是通过一组具有 z 值的分散点生成估计表面的高级地统计过程。与插值工具集中 的其他插值方法不同， 选择用于生成输出表面的最佳估算方法之前， 有效使用 克里金法 工具 涉及 z 值表示的现象的空间行为的交互研究。 什么是克里金法？ IDW （反距离加权法） 和样条函数法插值工具被称为确定性插值方法， 因为这些方法直接基 于周围的测量值或确定生成表面的平滑度的指定数学公式。第二类插值方法由地统计方法 （如克里金法）组成，该方法基于包含自相关（即，测量点之间的统计关系）的统计模型。 因此，地统计方法不仅具有产生预测表面的功能， 而且能够对预测的确定性或准确性提供某 种度量。 克里金法假定采样点之间的距离或方向可以反映可用于说明表面变化的空间相关性。 克里金 法工具可将数学函数与指定数量的点或指定半径内的所有点进行拟合以确定每个位置的输 出值。克里金法是一个多步过程； 它包括数据的探索性统计分析、 变异函数建模和创建表面， 还包括研究方差表面。 当您了解数据中存在空间相关距离或方向偏差后， 便会认为克里金法 是最适合的方法。该方法通常用在土壤科学和地质中。 克里金法公式 由于克里金法可对周围的测量值进行加权以得出未测量位置的预测， 因此它与反距离权重法 类似。这两种插值器的常用公式均由数据的加权总和组成： 其中： Z(s ) = 第 i 个位置处的测量值 i λ = 第 i 个位置处的测量值的未知权重 i s = 预测位置 0 N = 测量值数 在反距离权重法中， 权重 λ仅取决于预测位置的距离。 但是， 使用克里金方法时， 权重不仅 i 取决于测量点之间的距离、 预测位置， 还取决于基于测量点的整体空间排列。 要在权重中使 用空间排列，必须量化空间自相关。因此，在普通克里金法中，权重 λ取决于测量点、预测 i 位置的距离和预测位置周围的测量值之间空间关系的拟合模型。 以下部分将讨论如何使用常 用克里金法公式创建预测表面地图和预测准确性地图。 使用克里金法创建预测表面地图 要使用克里金法插值方法进行预测，有两个任务是必需的： 找到依存规则。 进行预测。 要实现这两个任务，克里金法需要经历一个两步过程： 1. 创建变异函数和协方差函数以估算取决于自相关模型 （拟合模型）的统计相关性 （称 为空间自相关）值。 2. 预测未知值（进行预测）。 由于这两个任务是不同的， 因此可以确定克里金法使用了两次数据： 第一次是估算数据的空 间自相关，第二次是进行预测。 变异分析 拟合模型或空间建模也称为结构分析或变异分析。 在测量点结构的空间建模中， 以经验半变 异函数的图形开始，针对以距离 h 分隔的所有位置对，通过以下方程进行计算：