Sağlam Co-Kriging
Robust Co-Kriging Spatial Interpolation · Ayrıca şöyle bilinir: robust cokriging, outlier-resistant co-kriging, robust multivariate kriging, RCK
Robust Co-Kriging, iki veya daha fazla uzamsal olarak ilişkili değişkeni kullanarak örneklenmemiş konumlardaki değerleri ortaklaşa tahmin eden çok değişkenli bir jeoistatistiksel enterpolasyon yöntemidir; bu sırada varyogram ve çapraz-varyogram için sağlam tahminciler uygulayarak uzamsal aykırı değerlerin veya Gauss-olmayan ölçüm hatalarının bozucu etkisini sınırlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Birincil bir uzamsal değişkeni enterpole etmeniz gerektiğinde ve ilişkili bir ikincil değişken mevcut olduğunda, ancak veri kümesi klasik Co-Kriging'i tehlikeye atacak şüpheli aykırı değerler, ölçüm hataları veya ağır kuyruklu dağılımlar içerdiğinde Robust Co-Kriging kullanın. Özellikle çevresel izleme (toprak kirliliği, hava kalitesi), maden derecelendirme tahmini ve aykırı sensör okumalarının veya anormal gözlemlerin yaygın olduğu iklim modellemesinde değerlidir. Her iki değişken de temiz ve yaklaşık olarak Gauss olduğunda kullanmayın — bu durumda sıradan Co-Kriging daha basittir ve eşit derecede verimlidir. Ayrıca, birincil ve ikincil değişkenlerin ihmal edilebilir çapraz-korelasyonu olduğunda (yaklaşık 0.3'ün altında) kaçının, çünkü ek karmaşıklık sıradan sağlam kriging'e göre çok az kazanç sağlar.
Güçlü yönler & sınırlılıklar
- Aykırı değere dirençli: sağlam varyogram tahmincileri, aşırı değerlerin küçük bir kısmının tüm uydurulmuş kovaryans yapısını bozmasını önler.
- Çok değişkenli verimlilik: tahmin belirsizliğini tek değişkenli sağlam kriging'e kıyasla azaltmak için birincil ve ikincil değişkenler arasındaki çapraz-korelasyondan yararlanır.
- Her tahmin konumunda kriging varyansı aracılığıyla tam belirsizlik nicelemesi sağlar.
- Geçerli pozitif yarı-tanımlı kovaryans modeli, çekirdeklenmenin doğrusal modeli aracılığıyla garanti edilir.
- Alan araştırmalarında yaygın olan düzensiz aralıklı örnekleme tasarımlarına uygulanabilir.
- İkincil değişkenin ortak konumlu veya neredeyse ortak konumlu ölçümlerini gerektirir, bu her zaman mevcut olmayabilir.
- Çekirdeklenmenin doğrusal modelini sağlam tahminlerle uydurmak, tek değişkenli yaklaşımlara kıyasla hesaplama ve modelleme karmaşıklığı ekler.
- Sağlam tahminciler aykırı değerlerin etkisini azaltır ancak tamamen ortadan kaldırmaz; çok yüksek bulaşma oranları (yaklaşık %20'nin üzerinde) performansı hala düşürebilir.
- Uzamsal sürecin ikinci dereceden durağanlığını (veya içsel durağanlığını) varsayar, bu da durağan olmayan alanlarda başarısız olabilir.
- Sağlam co-kriging tahmincilerinin teorik özellikleri (kırılma noktası, verimlilik), klasik tahmincininkinden daha az iyi karakterize edilmiştir.
SSS
Robust Co-Kriging standart Co-Kriging'den nasıl farklıdır?
Tahmin denklemleri ve çok değişkenli yapı aynıdır. Temel fark, varyogram ve çapraz-varyogramın nasıl tahmin edildiğidir: standart Co-Kriging, aykırı değerlere oldukça duyarlı olan klasik momentler yöntemi tahmincisini kullanırken, Robust Co-Kriging, aykırı değerlerin uydurulmuş kovaryans modelini bozmasını önleyen Cressie-Hawkins dördüncü-kök formülü veya MAD tabanlı bir sürüm gibi kırılmaya dirençli bir tahminciyi ikame eder.
Ne zaman sıradan sağlam kriging yeterlidir ve ne zaman co-kriging uzantısına ihtiyacım var?
Sadece ilgilenilen tek bir uzamsal olarak değişen değişkeniniz olduğunda sıradan sağlam kriging yeterlidir. İkincil bir değişken mevcut olduğunda, birincil değişkenle uzamsal olarak ilişkili olduğunda (çapraz-korelasyon yaklaşık 0.3'ün üzerinde) ve daha yoğun veya farklı konumlarda örneklenmiş olduğunda co-kriging uzantısını ekleyin — ek bilgi tahmin varyansını önemli ölçüde azaltabilir.
Çekirdeklenmenin doğrusal modeli nedir ve neden gereklidir?
Her gecikmede ortak varyogram-çapraz-varyogram matrisinin pozitif yarı-tanımlı olmasını sağlayan bir kısıtlamadır, bu da geçerli kriging tahminleri için matematiksel bir gerekliliktir. Olmadan, kriging sistemi negatif varyanslar üretebilir veya çözülemez. Pratikte, her varyogram ve çapraz-varyogramı paylaşılan bir aralıkla aynı temel yapılar kümesinin (örneğin, nugget artı küresel model) doğrusal bir kombinasyonu olarak uydurmak anlamına gelir.
Robust Co-Kriging, durağan olmayan uzamsal süreçleri işleyebilir mi?
Standart formunda ikinci dereceden durağanlığı varsayar. Durağan olmayan alanlar (örneğin, uzamsal olarak değişen ortalama) için, sağlam Co-Kriging'i bir eğilim modeliyle birleştirin veya uzamsal alt kümeler içinde varyogramları uydurup tahminleri yerel olarak uygulayarak yerel (hareketli pencere) sağlam Co-Kriging kullanın.
Hangi yazılım paketleri Robust Co-Kriging'i destekliyor?
R paketi gstat, esnek varyogram modelleriyle co-kriging'i destekler; sağlam varyogram tahmini, sağlam kriging'i uygulayan ve çok değişkenli duruma genişletilebilen georob paketinde mevcuttur. geoR paketi ayrıca sağlam varyogram tahmin araçları sunar. GSLIB ve Isatis gibi ticari yazılımlar, bir co-kriging iş akışında sağlam varyogram seçeneklerini destekler.
Kaynaklar
- Cressie, N. A. C. (1993). Statistics for Spatial Data (Revised ed.). John Wiley & Sons. Chapter 3 covers robust variogram estimation and co-kriging. ISBN: 978-0471002550
- Genton, M. G., & Rousseeuw, P. J. (1995). The Median Absolute Deviation of Spatial Data. Computational Statistics and Data Analysis, 20(4), 385-400. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Co-Kriging Spatial Interpolation. ScholarGate. https://scholargate.app/tr/spatial-analysis/robust-co-kriging
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Co-kriging: Çok Değişkenli Jeoistatistiksel İnterpolasyonMekânsal analiz↔ karşılaştır
- Sıradan KrigingMekânsal analiz↔ karşılaştır
- Sağlam KrigingMekânsal analiz↔ karşılaştır