Co-kriging: Çok Değişkenli Jeoistatistiksel İnterpolasyon
Co-kriging Spatial Interpolation · Ayrıca şöyle bilinir: cokriging, co-regionalization kriging, multivariate kriging, CK
Co-kriging, birincil bir değişkenin uzamsal dağılımını, bir veya daha fazla ikincil (ortak) değişkenle olan uzamsal çapraz-ilişkisinden yararlanarak tahmin eden bir jeoistatistiksel interpolasyon tekniğidir. Sıradan kriging'i çok değişkenli ayarlara genişletir ve ikincil değişken daha yoğun örneklenmişse veya ilgilenilen birincil değişkenle uzamsal olarak ilişkiliyse daha doğru tahminler verir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+8 tane daha
Ne zaman kullanılır
Birincil değişkeninizin seyrek örneklenmiş olduğu ancak bir veya daha fazla ikincil değişkenin (birincil ile çapraz-ilişkili) daha yoğun ölçüldüğü veya elde edilmesinin daha kolay olduğu durumlarda co-kriging kullanın — yaygın senaryolar arasında çevresel izleme, toprak bilimi ve maden kaynağı tahmini bulunur. Değişkenler arasındaki çapraz-ilişkinin güçlü olduğu (|r| > 0.6) ve örnekleme tasarımlarının gerçekten tamamlayıcı olduğu durumlarda en faydalıdır. İkincil değişkenlerin birincil değişkenle anlamlı bir uzamsal çapraz-ilişkisinin olmadığı, tüm değişkenlerin eşit derecede yoğun olduğu (sıradan kriging yeterlidir), geçerli bir doğrusal ortak-bölgeselleştirme modeli uydurulamadığı veya çapraz-varyogramları güvenilir bir şekilde tahmin etmek için örneklem boyutlarının çok küçük olduğu (tipik olarak değişken başına 50'den az eşleştirilmiş gözlem) durumlarda co-kriging'den kaçının.
Güçlü yönler & sınırlılıklar
- İkincil değişkenlerden yardımcı bilgileri içerir, çapraz-ilişkiler güçlü olduğunda sıradan kriging'e kıyasla tahmin hatasını azaltır.
- Uzamsal olarak değişen belirsizlik tahminleri (co-kriging varyansı) ile tam olasılıksal tahmin haritaları sağlar.
- Mevcut tüm çok değişkenli uzamsal verileri kullanan doğrusal yansız tahminciler arasında ortalama-karesi hata anlamında optimaldir.
- Birden fazla ikincil değişkeni ve heterotopik örneklemeyi (farklı konumlarda ölçülen değişkenler) barındıran esnek bir çerçeve.
- Jeostatistikte on yıllardır madencilik, toprak bilimi ve çevresel değerlendirmede doğrulanmış uygulamalara sahip iyi kurulmuş teorik bir temel.
- Geçerli bir doğrusal ortak-bölgeselleştirme modeli uydurmayı gerektirir, bu da özellikle çok sayıda değişkenle teknik olarak zorlayıcı ve hesaplama açısından yoğundur.
- Çapraz-varyogram tahmini, yeterli ortak-konumlu veya yakında-konumlu veri gerektirir; seyrek ortak-konum, çapraz-varyogram tahminini zayıflatır.
- Model uydurma karmaşıklığı, ortak değişken sayısı ile hızla artar, bu da büyük çok değişkenli problemlerin yönetilmesini zorlaştırır.
- Hem doğrudan hem de çapraz-varyogramların durağanlığını varsayar, bu da büyük veya heterojen çalışma alanlarında geçerli olmayabilir.
- Özellikle büyük co-kriging sistemlerini çözerken sıradan kriging'den hesaplama açısından daha ağırdır.
SSS
Co-kriging ne zaman sıradan kriging'den daha iyi performans gösterir?
Co-kriging, öncelikle birincil değişkenin seyrek örneklenmiş, ikincil değişkenin yoğun örneklenmiş ve aralarındaki çapraz-ilişkinin güçlü olduğu (çapraz-varyogram sinyali yüksek) durumlarda sıradan kriging'den daha iyi performans gösterir. İkincil değişken az miktarda çapraz-ilişki bilgisi eklerse, eklenen model karmaşıklığı aslında tahminleri bozabilir.
Doğrusal bir ortak-bölgeselleştirme modeli nedir ve neden gereklidir?
Doğrusal bir ortak-bölgeselleştirme modeli (LMC), tüm doğrudan ve çapraz-varyogramları aynı temel varyogram yapısı kümesinin ağırlıklı toplamları olarak ifade eder. Bu kısıtlama, tam varyogram matrisinin her gecikmede pozitif-tanımlı olmasını garanti eder, bu da co-kriging sisteminin geçerli bir çözüme ve negatif olmayan tahmin varyanslarına sahip olması için matematiksel bir gerekliliktir.
Birden fazla ikincil değişkenle co-kriging kullanabilir miyim?
Evet, co-kriging herhangi bir sayıda ikincil değişkene genelleştirilebilir, ancak her ek değişken daha fazla çapraz-varyogramı tahmin etmeyi ve modellemeyi gerektirir ve co-kriging sistemi önemli ölçüde büyür. Pratikte, bir veya iki ikincil değişken güçlü çapraz-ilişkilerle tipik olarak potansiyel kazancın çoğunu yakalar.
Co-kriging, regresyon kriging'inden nasıl farklıdır?
Co-kriging, uzamsal çapraz-varyogramları açıkça modelleyen ve uzamsal olarak optimal doğrusal tahminler üreten bir jeoistatistiksel çerçeve kullanır. Regresyon kriging, önce birincil değişkenin ikincil değişkenler üzerindeki regresyonunu uydurur ve ardından artık değişkenleri ayrı ayrı kriging yapar; uygulanması daha basittir ancak değişkenlerin ortak uzamsal yapısını tam olarak kullanmaz.
Güvenilir co-kriging için ne kadar örneklem boyutuna ihtiyaç vardır?
Evrensel bir kural yoktur, ancak çapraz-varyogram tahmini tipik olarak her gecikme sınıfı için en az 50 ila 100 ortak-konumlu veya yakında-konumlu gözlem çifti gerektirir. Çok az sayıda eşleştirilmiş gözlem, güvenilir bir şekilde uydurulması zor olan gürültülü çapraz-varyogramlar üretir, bu da sıradan kriging'e göre avantajı zayıflatır.
Kaynaklar
- Journel, A. G., & Huijbregts, C. J. (1978). Mining Geostatistics. Academic Press, London. ISBN: 978-0123910561
- Goovaerts, P. (1997). Geostatistics for Natural Resources Evaluation. Oxford University Press, New York. ISBN: 978-0195115383
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Co-kriging Spatial Interpolation. ScholarGate. https://scholargate.app/tr/spatial-analysis/co-kriging
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Coğrafi Ağırlıklı Regresyon (GWR)Mekânsal analiz↔ karşılaştır
- Çok Ölçekli Coğrafi Ağırlıklı Regresyon (MGWR)Mekânsal analiz↔ karşılaştır
- Sıradan KrigingMekânsal analiz↔ karşılaştır
- Mekansal OtokorelasyonMekânsal analiz↔ karşılaştır
- Evrensel Kriging (Eğilimli Kriging)Mekânsal analiz↔ karşılaştır