Uzay-Zaman Kriging
Space-Time Kriging · Ayrıca şöyle bilinir: spatiotemporal kriging, ST-kriging, space-time geostatistical interpolation, kriging in space-time
Uzay-Zaman Kriging, hem uzayda hem de zamanda yakındaki gözlemlerden güç alarak herhangi bir konum ve zamandaki bilinmeyen bir değişkeni tahmin eden jeoistatistiksel bir enterpolasyon yöntemidir. Uzay-zaman varyogramu aracılığıyla ortak uzay-zaman kovaryans yapısını modeller ve ardından belirsizliği ölçülmüş tahminler üretmek için optimal doğrusal ağırlıklar kullanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Hava kalitesi ağlarındaki, iklim istasyonu kayıtlarındaki veya toprak izleme ızgaralarındaki boşlukları doldurmak gibi, birden çok zaman noktasında toplanan uzamsal olarak dağılmış ölçümleriniz olduğunda ve örneklenmemiş konumlarda veya zamanlarda değerleri enterpole etmeniz gerektiğinde Uzay-Zaman Kriging'i kullanın. Verilerin hem uzamsal hem de zamansal otokorelasyon sergilediği durumlarda en değerlidir. Veriler tamamen kesitsel olduğunda (zamansal tekrarlama olmadan tek bir anlık görüntü), izleme istasyonu sayısı çok az olduğunda (yaklaşık 15-20'den az), değişken ikili veya sayım tabanlı olduğunda veya uzay-zaman kovaryans yapısı yeterince modellendirilemediğinde (örneğin, detrending olmadan yüksek derecede düzensiz veya durağan olmayan süreçler) uygun değildir.
Güçlü yönler & sınırlılıklar
- Ayrı uzamsal veya zamansal enterpolasyondan daha fazla bilgi kullanarak uzamsal ve zamansal korelasyonları ortaklaşa kullanır.
- Yalnızca tahminleri değil, aynı zamanda kriging varyanslarını da sağlar - uzamsal ve zamansal olarak değişen belirsizlik tahminleri.
- Ayrılabilir, ayrılabilir olmayan ve çarpım-toplam gibi esnek kovaryans aile seçenekleri, analistin gerçek uzay-zaman bağımlılık yapısına uymasına izin verir.
- Varsayılan kovaryans modeli altında tüm doğrusal yansız enterpolatörler arasında teorik olarak optimaldir (minimum ortalama karesel hata).
- Düzensiz örnekleme ızgaralarını hem uzayda hem de zamanda, düzenli bir kafes gerektirmeden işler.
- Hesaplama maliyeti, gözlem sayısıyla O(n^3) olarak ölçeklenir; büyük veri kümeleri (binlerce uzay-zaman noktası) yaklaşımlar veya seyrek kovaryans yöntemleri gerektirir.
- İkinci dereceden durağanlığı (sabit ortalama ve yalnızca gecikmeye bağlı kovaryans) varsayar; durağan olmama durumu, detrending ile kaldırılmalı veya evrensel uzay-zaman kriging gibi uzantılarla hesaba katılmalıdır.
- Güvenilir bir uzay-zaman varyogramu uydurmak, hem kısa hem de uzun uzamsal ve zamansal gecikmelerin yeterli kapsama alanını gerektirir - seyrek veya düzensiz örnekleme, kötü tanımlanmış bir kovaryans modeli ve güvenilmez tahminlere yol açabilir.
- Örneklenen zaman aralığının (ekstrapolasyon) çok dışında kalan tahminler, uzamsal kapsama iyi olsa bile güvenilmez olabilir.
SSS
Ayrılabilir ve ayrılabilir olmayan uzay-zaman kovaryansı arasındaki fark nedir?
Ayrılabilir bir kovaryans C(h,u) = C_S(h) * C_T(u) olarak çarpanlara ayrılır: uzamsal ve zamansal bileşenler bağımsızdır. Ayrılabilir olmayan modeller, örneğin kısa zaman gecikmelerinde uzun olanlardan daha fazla uzamsal olarak pürüzsüz değişkenlere izin veren etkileşim terimleri ekler. Ayrılabilir olmayan modeller daha esnektir ancak güvenilir bir şekilde uydurulması daha fazla veri gerektirir.
Uzay-Zaman Kriging için kaç gözlem gereklidir?
Kesin bir kural yoktur, ancak varyogramu güvenilir bir şekilde tahmin etmek için çeşitli gecikmelerde yeterli sayıda uzay-zaman çiftine ihtiyacınız vardır. Pratik olarak, 5 veya daha fazla tekrarlanan ölçüme sahip en az 15-20 uzamsal istasyon kaba bir alt sınırdır. Çok seyrek veri kümeleri, kötü tanımlanmış kovaryans modelleri ve güvenilmez tahminler üretir.
Uzay-Zaman Kriging durağan olmayan verileri işleyebilir mi?
Standart uzay-zaman kriging ikinci dereceden durağanlığı varsayar. Durağan olmama (ortalama veya varyanstaki eğilimler) önce kaldırılmalıdır - örneğin, varyogramu uydurmadan önce regresyon tabanlı bir uzay-zaman eğilimini çıkarmak. Evrensel uzay-zaman kriging gibi uzantılar doğrudan deterministik bir eğilim bileşenini içerir.
Uzay-zaman kriging modeli nasıl doğrulanır?
Bırak-bir-çıkar çapraz doğrulama (veya sızıntıyı önlemek için blok çapraz doğrulama) kullanın: her gözlemi sırayla tutun, geri kalanlardan tahmin edin ve RMSE ve ortalama standartlaştırılmış hatayı hesaplayın. İyi kalibre edilmiş bir model, ortalaması 0'a ve varyansı 1'e yakın standartlaştırılmış hatalar üretir.
Uzay-Zaman Kriging hangi yazılımlarda uygulanır?
R paketi gstat, STFDF/STSDF sınıfları aracılığıyla uzay-zaman varyogram uydurma ve kriging sağlar. spacetime ve FRK paketleri, büyük veri kümeleri için baz fonksiyon yaklaşımları dahil olmak üzere ek seçenekler sunar. Python kullanıcıları, uzay-zaman uzantılarıyla PyKrige'yi veya pykrige-st çatallanmasını kullanabilir.
Kaynaklar
- Cressie, N., & Huang, H.-C. (1999). Classes of nonseparable, spatio-temporal stationary covariance functions. Journal of the American Statistical Association, 94(448), 1330-1340. DOI: 10.1080/01621459.1999.10473885 ↗
- Kyriakidis, P. C., & Journel, A. G. (1999). Geostatistical space-time models: A review. Mathematical Geology, 31(6), 651-684. DOI: 10.1023/A:1007528426688 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Space-Time Kriging. ScholarGate. https://scholargate.app/tr/spatial-analysis/space-time-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
- Uzay-Zaman Mekansal OtokorelasyonuMekânsal analiz↔ karşılaştır
- Evrensel Kriging (Eğilimli Kriging)Mekânsal analiz↔ karşılaştır