Bayesçi Adi Kriging
Bayesian Ordinary Kriging · Ayrıca şöyle bilinir: Bayesian kriging, BOK, geostatistical Bayesian interpolation, Bayesian spatial prediction
Bayesçi Adi Kriging, klasik adi kriging'i Bayesçi bir çerçeveyle birleştirerek mekansal kovaryans parametrelerini birlikte tahmin eden ve örneklenmemiş konumlarda tahminler üreten bir jeoistatistiksel interpolasyon yöntemidir. Tak-çıkar kriging'den farklı olarak, varyogram parametreleri hakkındaki belirsizliği tahminsel dağılıma yayarak daha gerçekçi bir belirsizlik nicelemesi sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bayesçi Adi Kriging'i, nokta konumlarında coğrafi referanslı sürekli ölçümleriniz olduğunda ve örneklenmemiş yerlerde güvenilir belirsizlik sınırları ile mekansal tahminlere ihtiyacınız olduğunda kullanın. Özellikle örneklem küçük veya orta büyüklükte (birkaç yüz noktadan az) olduğunda ve klasik uyumlandırma altında varyogram parametre tahminleri oldukça belirsiz olacağında değerlidir. Ayrıca, mekansal yapı hakkında önceki çalışmalardan bir önsel bilgi mevcut olduğunda da uygundur. Veri kümesi çok büyük olduğunda (binlerce nokta) ve MCMC'den kaynaklanan hesaplama maliyeti aşırı hale geldiğinde veya durağanlık varsayımı (sabit ortalama, durağan kovaryans) açıkça ihlal edildiğinde bundan kaçının — bu durumda Bayesçi Evrensel Kriging veya durağan olmayan alternatifleri düşünün. Durağanlık varsayımının makul olup olmadığını kontrol etmeden adi kriging'in yerine doğrudan bir ikame olarak kullanmayın.
Güçlü yönler & sınırlılıklar
- Varyogram parametre belirsizliğini tahminlere yayarak, tak-çıkar adi kriging'den daha iyi kalibre edilmiş tahmin aralıkları üretir.
- Önceki araştırmalardan veya alan uzmanlığından elde edilen mekansal menzil veya varyans hakkındaki önsel bilginin dahil edilmesine olanak tanır.
- Her konumda tam bir tahminsel dağılım sağlayarak olasılıksal aşım haritalamasına olanak tanır (örneğin, kirliliğin bir eşiği aşma olasılığı).
- Tutarlı Bayesçi çerçeve, marjinal olabilirlik (Bayes faktörleri) aracılığıyla rakip mekansal kovaryans modellerini karşılaştırmayı kolaylaştırır.
- Klasik varyogram uyumlandırmasının güvenilmez olduğu seyrek verilerle iyi performans gösterir.
- Hesaplama açısından yoğun: MCMC örneklemesi, n-çarpı-n kovaryans matrisinin tekrarlanan matris ters çevirmeleri nedeniyle büyük veri kümeleriyle kötü ölçeklenir.
- Küçük örneklemlerde önsel seçimin duyarlılığı önemli olabilir; menzil parametresi üzerindeki kötü belirtilmiş önsel dağılımlar çıkarımı yanıltabilir.
- Heterojen manzaralarda ihlal edilebilecek ikinci dereceden durağanlık (sabit ortalama ve sadece mesafeye bağlı kovaryans) varsayar.
- Klasik kriging'den daha karmaşık bir uygulamaya ve iletişime sahiptir; Bayesçi hesaplama konusunda uzmanlık gerektirir.
SSS
Bayesçi Adi Kriging, adi kriging'den nasıl farklıdır?
Klasik adi kriging, deneysel varyogramı uyumlayarak varyogram parametrelerini (menzil, eşik, nugget) tahmin eder ve daha sonra bunları sabit ve bilinen olarak kabul eder. Bayesçi Adi Kriging, bu parametreler üzerine olasılık dağılımları yerleştirir ve tahmin sırasında bunları entegre eder. Bu, özellikle örneklem küçük olduğunda daha geniş, daha gerçekçi tahmin aralıkları üretir.
Varyogram parametreleri için hangi önsel dağılımları kullanmalıyım?
Yaygın bir seçim, menzil phi için log-normal veya yarı-Cauchy önsel dağılımı ve sigma-kare için yarı-normal veya ters-gamma önsel dağılımıdır. Aynı bölgenin önceki araştırmalarından bilgilendirici önsel dağılımlar mevcut olduğunda, bunları kullanın — seyrek verilerle çıkarımı önemli ölçüde keskinleştirebilirler. Her zaman iki veya üç alternatif önsel spesifikasyon deneyerek bir duyarlılık analizi yapın.
Ne zaman Bayesçi Evrensel Kriging'i seçmeliyim?
Mekansal ortalama sabit değilse — örneğin, yükseklik kıyıdan dağlara doğru sistematik olarak artıyorsa — kovaryatları ekleyin ve Bayesçi Evrensel Kriging'i (aynı zamanda doğrusal ortalama fonksiyonlu model tabanlı jeoistatistik olarak da adlandırılır) kullanın. Adi Kriging, alan boyunca yalnızca tek bir bilinmeyen sabit ortalama varsayar.
Büyük veri kümeleriyle hesaplama maliyetini nasıl yönetirim?
Tam kovaryans matrisleri ile standart MCMC, iterasyon başına O(n^3) karmaşıklığındadır ve birkaç bin gözlemin ötesinde pratik olmaktan çıkar. En yakın komşu Gauss süreçleri (NNGP), sabit sıralı kriging veya SPDE/INLA yaklaşımları gibi yaklaşık yöntemler, çıkarımsal faydaların çoğunu korurken Bayesçi mekansal modelleri çok daha büyük veri kümelerine ölçekleyebilir.
Tahminleri nasıl doğrularım?
Tekli bırakma veya k-katlı çapraz doğrulama kullanın: her bir gözlemi sırayla dışarıda bırakın, geri kalanlardan tahmin edin ve tahminsel aralık kapsamını nominal seviye ile karşılaştırın (örneğin, gözlemlerin %90'ı %90 tahminsel aralığın içine düşmelidir). Zayıf kapsama, yanlış belirtilmiş kovaryans yapısını veya önsel dağılımları gösterir.
Kaynaklar
- Diggle, P. J., & Ribeiro, P. J. (2007). Model-Based Geostatistics. Springer. ISBN: 978-0387329079
- Handcock, M. S., & Stein, M. L. (1993). A Bayesian analysis of kriging. Technometrics, 35(4), 403-410. DOI: 10.1080/00401706.1993.10485354 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Ordinary Kriging. ScholarGate. https://scholargate.app/tr/spatial-analysis/bayesian-ordinary-kriging
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesçi Eş-KriglemeMekânsal analiz↔ karşılaştır
- Bayesian Kriging (Model-Based Geostatistics)Mekânsal analiz↔ karşılaştır
- Bayesian Universal Kriging (BUK)Mekânsal analiz↔ karşılaştır
- Sıradan KrigingMekânsal analiz↔ karşılaştır
- Mekansal OtokorelasyonMekânsal analiz↔ karşılaştır