Sağlam Kriging
Robust Kriging Spatial Interpolation · Ayrıca şöyle bilinir: robust spatial kriging, outlier-resistant kriging, resistant kriging, robust geostatistical interpolation
Sağlam Kriging, klasik kriging'i, duyarlı variyogram tahminini aykırı değerlere dayanıklı alternatiflerle, en önemlisi Cressie-Hawkins sağlam tahmin edicisiyle değiştirerek genişleten bir jeoistatistiksel enterpolasyon yöntemidir. Verilerdeki anormal veya aşırı gözlemler tarafından çarpıtılmayan uzamsal enterpole edilmiş tahminler üretir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sürekli jeoreferanslı verileriniz olduğunda, klasik variyogram tahminini bozabilecek aykırı değerler, ölçüm hataları veya ağır kuyruklu dağılımlar içerdiği şüphelenilen durumlarda Sağlam Kriging kullanın - örneğin, jeokimyasal araştırmalar, çevresel kirlilik haritalama veya ekolojik saha verileri. Klasik variyogramın düzensiz davranış veya olağandışı yüksek yastık etkileri gösterdiği durumlarda da uygundur, bu da gerçek yastık varyansından ziyade veri kirliliğini yansıtabilir. Verilerin iyi davrandığı ve Gauss olduğu, klasik sıradan kriging'in eşit derecede geçerli ve daha basit olduğu durumlarda kullanmayın; ve aykırı değerlerin enterpolasyonu etkilemesi gereken gerçekten anlamlı aşırı olaylar olduğu durumlarda uygulamayın.
Güçlü yönler & sınırlılıklar
- Cressie-Hawkins variyogram tahmin edicisi, klasik momentler yöntemi tahmin edicisinden izole aşırı değerlere önemli ölçüde daha az duyarlıdır.
- Kirlilik veya ölçüm hatasının yaygın olduğu jeokimyasal, kirlilik ve ekolojik veri kümelerinde daha güvenilir uzamsal tahminler üretir.
- Klasik kriging'in tüm faydalarını - optimal doğrusal yanlı olmayan tahmin, uzamsal belirsizlik ölçümü - korurken sağlamlık kazanır.
- Standart jeoistatistiksel yazılımlarda (R'de gstat, gslib, SGeMS) yaygın olarak uygulanmıştır, bu da onu pratik olarak erişilebilir kılar.
- Kirlenmiş veri kümelerinin aykırı değerlerin tamamen kaldırılması gerekmeksizin kullanılmasını sağlar, değerli uzamsal bilgileri korur.
- Sağlam variyogram tahmin edicisi, birden fazla kümelenmiş aykırı değere veya yoğun kirlenmiş veri kümelerindeki maskeleme etkilerine karşı henüz tam olarak dirençli değildir.
- Teorik variyogramı sağlam ampirik tahminlere uydurmak hala öznel kararlar (model seçimi, gecikme gruplama) gerektirir ve bu da sonuçları etkileyebilir.
- Uzamsal durağan olmama durumunu ele almaz; çalışma alanı boyunca ortalama veya varyans sistematik olarak değişiyorsa, yalnızca sağlam kriging yetersizdir.
- Birçok gecikme sınıfı olan büyük veri kümeleri için klasik kriging'den hesaplama açısından daha karmaşıktır.
- Sağlamlık yalnızca variyogram tahmin aşamasında kazanılır; aykırı değerler yaygınsa, kriging adımının kendisi tam olarak korunmaz.
SSS
Sağlam kriging ile sıradan kriging arasındaki temel fark nedir?
Fark, variyogram tahmin aşamasında yatar. Sıradan kriging, aykırı değerlerden güçlü bir şekilde etkilenen klasik momentler yöntemi tahmin edicisini kullanır. Sağlam kriging, daha sonra aynı kriging tahmin denklemlerinin uygulandığı daha güvenilir bir variyogram elde etmek için aykırı değerlere dayanıklı bir tahmin edici (en yaygın olarak Cressie-Hawkins tahmin edicisi) kullanır.
Sağlam kriging aykırı değerleri kaldırır veya görmezden mi gelir?
Hayır. Sağlam kriging, variyogram tahmini sırasında aykırı değerlerin etkisini azaltır ancak nihai tahmin adımında tüm gözlemleri kullanır. Aykırı değerler veri kümesinde kalır ve tahmine katkıda bulunur, ancak variyogram üzerindeki (ve dolayısıyla uzamsal ağırlıklar üzerindeki) bozucu etkileri azaltılır.
Verilerimi log-dönüştürmek yerine ne zaman sağlam kriging'i tercih etmeliyim?
Log dönüşümü, kesin pozitif çarpık veriler için varyansı stabilize eder ve ardından dönüştürülmüş ölçekte klasik kriging'e izin verir. Sağlam kriging, veriler gerçek aykırı değerler (sadece çarpıklık değil) içerdiğinde, sıfır değerleri mevcut olduğunda (log tanımsızdır) veya orijinal ölçeğe geri dönüştürme yanlılık getirdiğinde tercih edilir. Her iki yaklaşım da birleştirilebilir.
Hangi yazılım sağlam kriging'i destekliyor?
R'deki gstat paketi Cressie-Hawkins sağlam variyogram tahmin edicisini uygular. GSLIB ve SGeMS de sağlam variyogram seçenekleri sunar. Python kullanıcıları özel sağlam tahmin edicilerle PyKrige veya gstools kullanabilir.
Sağlam kriging için kaç veri noktasına ihtiyacım var?
Genel bir kural olarak, kararlı variyogram tahminleri elde etmek için en az 100 gözlem önerilir ve her gecikme mesafesi sınıfı en az 30 gözlem çifti içermelidir. Daha az veriyle, sağlam tahmin edicinin kendisi kararsız hale gelir ve dikkatli aykırı değer incelemesiyle basit sıradan kriging daha pratik olabilir.
Kaynaklar
- Cressie, N., & Hawkins, D. M. (1980). Robust estimation of the variogram: I. Journal of the International Association for Mathematical Geology, 12(2), 115–125. DOI: 10.1007/BF01035243 ↗
- Cressie, N. A. C. (1993). Statistics for Spatial Data (Revised ed.). Wiley-Interscience. ISBN: 978-0471002550
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Kriging Spatial Interpolation. ScholarGate. https://scholargate.app/tr/spatial-analysis/robust-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
- Mekansal OtokorelasyonMekânsal analiz↔ karşılaştır
- Evrensel Kriging (Eğilimli Kriging)Mekânsal analiz↔ karşılaştır