Robust Universal Kriging
Ayrıca şöyle bilinir: RUK, robust kriging with external drift, outlier-resistant universal kriging, robust geostatistical regression kriging
Robust Universal Kriging (RUK), uzamsal olarak değişen deterministik bir eğilimi stokastik bir artık yüzeyle birleştiren, ancak aykırı gözlemlerin bozucu etkisine karşı variogram ve eğilim katsayılarını korumak için sağlam tahmin ediciler kullanan bir jeoistatistiksel enterpolasyon yöntemidir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Robust Universal Kriging'i, aykırı değerler veya ağır kuyruklu dağılımlar içeren ve ortalamanın uzamsal kovaryetler nedeniyle çalışma alanı boyunca sistematik olarak değiştiği jeo-referanslı sürekli ölçümler (toprak kirliliği, sıcaklık, yağış, kirletici konsantrasyonları) olduğunda kullanın. Veri kalitesinin belirsiz olduğu, örnekleme cihazlarının ara sıra arızalandığı veya aşırı değerlerin gerçek aşırılardan ziyade ölçüm hataları olması muhtemel olduğu durumlarda standart Universal Kriging'e tercih edilir. Veri kümeniz küçükse (yaklaşık 50 konumdan az), eğilim için güvenilir uzamsal kovaryetler mevcut değilse (bunun yerine Ordinary Kriging kullanın) veya hesaplama süresi kritikse ve verilerin temiz olduğu biliniyorsa KULLANMAYIN.
Güçlü yönler & sınırlılıklar
- Aksi takdirde variogramu bozacak ve harita boyunca tahminleri yanlı hale getirecek aykırı değerlere ve ölçüm hatalarına karşı dayanıklıdır.
- Harici kovaryetler aracılığıyla uzamsal olarak değişen bir ortalamayı barındırır, bu da onu heterojen peyzajlarda Ordinary Kriging'den daha esnek hale getirir.
- Tüm kriging çerçevesini korur: hem en iyi doğrusal yansız tahminciyi hem de nicelendirilmiş bir tahmin varyansını sağlar.
- Sağlam variogram tahmin edicileri (örneğin, Cressie-Hawkins) jeoistatistik literatüründe iyi kurulmuştur ve standart yazılımlarda uygulanmıştır.
- Klasik kriging'e kıyasla harita doğruluğunu önemli ölçüde iyileştirebilir, özellikle de veri kirliliğinin yaygın olduğu gerçek dünya çevresel veri kümelerinde.
- Uyumlandırma, klasik kriging'den iteratif olarak daha karmaşıktır: sağlam variogram tahmini ve sağlam GLS eğilim tahmini ek hesaplama ve yakınsama izleme gerektirir.
- Variogramun birden fazla gecikme mesafesinde güvenilir bir şekilde tahmin edilebilmesi için yeterli uzamsal çoğaltma gerektirir — en az yaklaşık 50 gözlem konumu.
- Doğru sağlam tahmin ediciyi ve ayar sabitlerini (bozunma noktası, etki fonksiyonu şekli) seçmek jeoistatistik uzmanlığı gerektirir.
- Aykırı değerler gerçek aşırı olaylar yerine hatalarsa, bunları aşağı ağırlıklandırmak yanlılığa neden olur ve haritada aşırı değerleri eksik tahmin edebilir.
- Yazılım desteği klasik kriging'e göre daha az tekdüzedir; bazı platformlar R (gstat, robgstat) veya Python'da betik yazmayı gerektirir.
SSS
Robust Universal Kriging, sıradan Universal Kriging'den nasıl farklıdır?
Standart Universal Kriging, hem aykırı değerlere duyarlı olan klasik momentler yöntemi variogram tahminini ve sıradan GLS eğilim uyumunu kullanır. Robust Universal Kriging, bunları etki sınırlayıcı tahmin edicilerle (örneğin, Cressie-Hawkins variogramu, β için M-tahmincileri) değiştirir, böylece atipik gözlemlerin küçük bir kısmı uyumlandırılmış modeli domine edemez.
Hangi sağlam variogram tahmin edicisini kullanmalıyım?
Cressie-Hawkins tahmin edicisi (mutlak farkların dördüncü köküne dayanır, 1980), en çok alıntılanan ve R'nin gstat paketinde bulunanıdır. Çok ağır kuyruklu veriler için, Genton'un (1998) medyan tabanlı tahmin edicisi daha da yüksek bozunma noktası sağlamlığı sunar.
Aykırı değerler hatalar değil de gerçek aşırı değerler olduğunda Robust Universal Kriging kullanabilir miyim?
Dikkatli olmadan olmaz. Aşırı değerler gerçekse (örneğin, gerçek bir kirlilik sıcak noktası), bunları aşağı ağırlıklandırmak haritanızı o konumlarda daha düşük değerlere doğru yanlı hale getirecektir. Bu durumda, verileri dönüştürülmüş bir ölçekte modellemeyi veya bunun yerine bir gösterge kriging yaklaşımı kullanmayı düşünün.
Kaç veri noktasına ihtiyacım var?
Sağlam variogramun birkaç gecikme mesafesi sınıfında güvenilir bir şekilde tahmin edilebilmesi için kabaca 50 uzamsal olarak dağılmış gözlemin minimumu önerilir. Daha az noktayla, sağlam tahmin ediciler güvenilmez hale gelir ve uzman tarafından belirlenmiş variogram parametrelerine sahip klasik kriging tercih edilebilir.
Hangi yazılım paketleri Robust Universal Kriging'i uygular?
R paketleri gstat ve robgstat, sağlam variogram tahmini ve kriging'i destekler. Python kullanıcıları, özel GLS rutinleriyle scikit-gstat'ı (Cressie-Hawkins tahmin edicisini içerir) birleştirebilir. GSLIB gibi bağımsız jeoistatistik platformları, sağlam tahmin için betik arayüzleri sağlar.
Kaynaklar
- Cressie, N. A. C. (1993). Statistics for Spatial Data (revised ed.). Wiley-Interscience, New York. ISBN: 978-0471002550
- Genton, M. G., & Rousseeuw, P. J. (1995). The change-of-variance curve and optimal redescending M-estimators. Journal of Computational and Graphical Statistics, 4(4), 411-432. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Universal Kriging. ScholarGate. https://scholargate.app/tr/spatial-analysis/robust-universal-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
- Sıradan KrigingMekânsal analiz↔ karşılaştır
- Mekansal Gecikme Modeli (SAR / Mekansal Otokorelatif)Mekânsal analiz↔ karşılaştır
- Evrensel Kriging (Eğilimli Kriging)Mekânsal analiz↔ karşılaştır