187. Eş-kriging: ortak bölgeselleşmenin doğrusal modeli
Şablon kimliği: es_kriging · Kategori: uzamsal · Dil: R · Dosya: pro/sablonlar/uzamsal/es_kriging.R (satır 1–184; üstbilgi 1–64) · Örnek veri: _ornek/meuse.csv · Paketler: gstat 2.1-6, sp 2.2-3 (R 4.5.3)
187.1 Ne işe yarar
Bir birincil değişkeni (örnekte çinko), onunla uzamsal olarak ilişkili ikincil değişkenlerin (kadmiyum, kurşun, bakır) bilgisinden de yararlanarak kestirir. Tek değişkenli kriging yalnız birincil değişkenin konumlarını kullanır; eş-kriging ise tüm değişkenlerin doğrudan ve çapraz uzamsal ilişkisini ortak bir modelle birleştirir. İkincil değişken, birincilin ölçülmediği konumlarda ya da ona çok yakın konumlarda ölçülmüşse ve ikisi güçlü ilişkiliyse kestirim iyileşir.
- Z_a(\mathbf s_i): a. değişkenin \mathbf s_i konumundaki değeri; a=1 birincil, p değişken sayısı.
- \lambda_{ai}: en iyi doğrusal yansız kestirimden gelen eş-kriging ağırlıkları.
- \Gamma(h): p\times p yarı değişinti matrisi; h ayrım uzaklığı.
- \gamma_0 külçe (h>0 için 1), \gamma_1 seçilen yapısal model (küresel, üstel ya da Gauss; 1'e normalleştirilmiş).
- \mathbf B_0,\mathbf B_1: külçe ve yapısal bileşenin kısmi eşik matrisleri; yarı pozitif tanımlı olmalıdır.
Bu yapıya ortak bölgeselleşmenin doğrusal modeli (LMC) denir (Wackernagel, 2003): bütün değişkenlerin aynı biçimde ve aynı aralıkla olması şartıyla her doğrudan ve çapraz yarı değişinti, ortak bileşenlerin ağırlıklı toplamıdır.
Ne zaman kullanılır?
- İkincil değişkenler yoğun ölçülmüş, birincil seyrek ve ikisi güçlü ilişkiliyse (örnek veride \log çinko ile \log kurşun arasında r=0{,}967).
- Birkaç ilişkili değişkenin birlikte kestirimi ve doğrudan–çapraz variogramların tutarlı bir modeli isteniyorsa.
Ne zaman kullanılmaz?
- Tek değişkenli kestirim yeterliyse ya da ikincil değişken yoksa: Bölüm 188
kosullu_benzetimiçindeki basit/sıradan kriging, temel programda ayrı kriging yoktur. - Zaman da boyutsa: Bölüm 193
uzay_zaman_kriging. - Komşuluğa dayalı alan verisi için: Bölüm 186
alansal_bayes_car. - Değişkenler farklı uzamsal aralıklara sahip ve tek ortak aralık modeli kabul edilemiyorsa: şablon aralığı sabit ve ortak alır (187.4, bulgular B3).
- Birincil ile ikincil arasında doğrusal olmayan ilişki varsa: bölgeselleşme modeli doğrusaldır.
Temel programla ilişki. Temel programda uzamsal kriging yoktur; yalnız öbek ve ilişki analizleri vardır. Bu şablon yeni bir yöntem getirir.
187.2 Şablonun girdileri
Form, üstbilgideki 9 [[param]] bloğundan kurulur (es_kriging.R:11–63). Türlerin anlamı ve ortak denetim Bölüm 1.2'dedir. koord_x, koord_y, birincil, ikincil ve trend sayısal rollerdir (sayisal_sutun; sutunlar için sayisal = true): Veri sekmesinde türü "kategorik" olan bir sütun bu alanlara atanırsa değerleri sayı olarak aktarılır (Bölüm 1.3).
| Alan (form etiketi) · ad | Tür · sekme | Varsayılan | Geçerli değerler | Kodda etkisi |
|---|---|---|---|---|
Koordinat X · koord_x |
sayısal sütun | — | sayısal sütun | \mathbf s'nin birinci bileşeni (11–14, 84). |
Koordinat Y · koord_y |
sayısal sütun | — | sayısal sütun | İkinci bileşen (15–18, 84). |
Birincil değişken · birincil |
sayısal sütun | — | sayısal sütun | Kestirilen değişken (19–22, 74). |
İkincil değişkenler · ikincil |
sütunlar (sayısal) | — | en az 1 | Yardımcı değişkenler (23–28, 71). |
Tüm değişkenlere doğal logaritma · log_donusum |
onay | kapalı | — | Hepsine \ln (29–33, 81–83). |
Trend ortak değişkenleri · trend |
sütunlar (sayısal; isteğe bağlı) | boş | birincil, ikincil ve koordinat dışı | Evrensel eş-kriging; her değişken için aynı trend formülü (34–39, 73, 87). |
Variogram modeli · model |
seçim | Sph |
Sph, Exp, Gau |
vgm(1, model, aralik, 1) (40–45, 95). |
Aralık · aralik |
ondalık | 0 | \ge0 | 0: kapsam köşegeninin 1/3'ü; tüm bileşenlerde sabit (46–51, 86). |
Çapraz doğrulama · capraz_dogrulama |
onay | açık | — | Birini dışarıda bırakma (52–56, 127). |
Kestirim ızgarası · izgara |
tamsayı | 50 | 0–200 | Kenar başına nokta; 0 ya da trend varken çizilmez (57–63, 139–140). |
Şablonun kendi denetimleri (mq_hata):
| Koşul | İleti (özet) | Satır |
|---|---|---|
| Veri açık değil | "Önce Veri sekmesinde bir veri açın." | 68 |
| İki koordinat sütunu aynı | "İki koordinat sütunu farklı olmalı." | 70 |
| Birinciden farklı ikincil yok | "Birincilden farklı en az bir ikincil değişken seçin." | 72 |
| Tam gözlem <20 | "Eş-kriging için en az 20 tam gözlem gerekli." | 78 |
| Yinelenen konum | "Yinelenen konumlar var; aynı koordinattaki gözlemleri birleştirin." | 79 |
| Bir sütun sabit | "'…' sabit." | 80 |
| Logaritmada \le0 değer | "Logaritma için değişkenler pozitif olmalı." | 81 |
| Model hiçbir çarpanla pozitif tanımlı yapılamadı | "Ortak bölgeselleşme modeli pozitif tanımlı yapılamadı…" | 111 |
| gstat hatası | "Eş-kriging modeli kurulamadı: …" (İngilizce paket iletisi) | 91 |
Seçilen sütunlarda eksik değer içeren satırlar atılır (76); atılan sayı yazılmaz, yalnız kalan gözlem sayısı ilk satırda görünür. Şablonda rastgelelik yoktur ve tohumun etkisi yoktur (Bölüm 1.3).
Örnek ayar (ornek_param, satır 9): koord_x = x, koord_y = y, birincil = zinc, ikincil = cadmium, lead, copper, log_donusum = açık, trend = sqrt_dist, model = Exp, aralik = 300, izgara = 0. Varsayılan model Sph'tir (43); örnek ayar Exp seçer.
187.3 Örnek veri
meuse.csv, Hollanda'da Meuse nehri taşkın ovasında alınan 155 toprak örneğidir (gstat paketinin meuse verisi; Pebesma, 2004). Her satır bir örnekleme noktasıdır; koordinatlar Hollanda ulusal projeksiyonunda metredir; eksik değer yoktur. sqrt_dist nehre uzaklığın karekökü (metre değil, normalleştirilmiş) olan trend değişkenidir.
| Değişken | Rol | Tür (veri sekmesinin algıladığı) | Özet |
|---|---|---|---|
x, y |
koordinat | sayısal | 178 605–181 390 ve 329 714–333 611 (m) |
zinc |
birincil | sayısal | ort. 469,72; sd 367,07; 113–1839 mg/kg |
cadmium |
ikincil | sayısal | ort. 3,2458; sd 3,5237 |
lead |
ikincil | sayısal | ort. 153,36; sd 111,32 |
copper |
ikincil | sayısal | ort. 40,316; sd 23,680 |
sqrt_dist |
trend | sayısal | ort. 0,4349; sd 0,2263 |
dist, elev, om, ffreq, soil |
kullanılmaz | sayısal ya da kategorik | — |
Logaritma sonrası korelasyonlar: \ln çinko–\ln kadmiyum 0,862; –kurşun 0,967; –bakır 0,897. Düzey sırası kullanılan roller için önemli değildir (hepsi sayısal).
Bu bölümde kullanılan çalıştırmalar (q1_ek_…): ornek (örnek ayar; trend sqrt_dist, Exp, aralık 300); gridsiz (trendsiz, Sph, aralik = 0 → 1596,62, izgara = 20); gau (logaritmasız, trendsiz, Gau, aralık 600); hata çalıştırmaları h_ayni (ikincil = birincil), h_log (logaritma için pozitif olmayan sütun).
187.4 Yöntem: formüller ve hesap adımları
Hesap sırası: sütunlar seçilir, eksik satırlar atılır, denetimler yapılır (68–81); değişkenler (isteğe bağlı) logaritmalanır ve sp koordinatlarına bağlanır (82–85); aralık belirlenir (86); her değişken için trend formülüyle bir gstat nesnesi kurulur (87–89); deneysel doğrudan ve çapraz variogramlar hesaplanır (94); LMC kısmi eşikleri uydurulur ve pozitif tanımlılık denetlenir (95–111); LMC tablosu yazılır (117–122); çapraz doğrulama (123–138); ızgara kestirimi (139–157); variogram şekli (158–159).
187.4.1 Deneysel doğrudan ve çapraz variogramlar
Trend yoksa artık r_a(\mathbf s)=Z_a(\mathbf s)-\bar Z_a, trend varsa r_a(\mathbf s)=Z_a(\mathbf s)-\mathbf x(\mathbf s)^{\top}\hat{\boldsymbol\beta}_a (her değişken için ayrı en küçük kareler). h ayrımlı çiftlerin sınıfı k için
- N_k: k. uzaklık sınıfındaki çift sayısı; h_k sınıftaki çiftlerin ortalama uzaklığı.
- a=b doğrudan, a\ne b çapraz yarı değişintidir.
variogram(g) varsayılanlarıyla çalışır: en büyük uzaklık (kesme) kapsam köşegeninin 1/3'ü, sınıf genişliği kesme/15 (94). Kesme ve sınıf sayısı şablondan ayarlanamaz ve deneysel variogram tablosu çıktıya yazılmaz (bulgular B3).
187.4.2 LMC'nin uydurulması
vgm(1, model, aralik, 1) ile bütün değişkenlere aynı yapı (külçe + seçilen model, tek ortak aralık) atanır (95). fit.lmc(v, g, correct.diagonal = cd) her doğrudan ve çapraz variogram için aralık sabit tutarak iki kısmi eşiği (külçe ve yapı) N_k/h_k^2 ağırlıklı en küçük karelerle uydurur:
- c_0: külçe kısmi eşiği; c_1: yapısal bileşenin kısmi eşiği.
- \gamma_1: küresel 1{,}5r-0{,}5r^3 (r=\min(h/a,1)), üstel 1-e^{-h/a}, Gauss 1-e^{-(h/a)^2}; a aralık parametresi (gstat tanımı: etkin aralık üstelde 3a).
Bu eniyileme kısmi eşiklerde doğrusaldır (iki parametre), bu nedenle çözüm kapalı biçimde bulunur. Uydurmadan sonra her bileşenin kısmi eşik matrisi (köşegeni doğrudan, dışı çapraz kısmi eşikler) \mathbf B_k için fit.lmc negatif özdeğerleri sıfırlar (\mathbf B_k\leftarrow \mathbf V\,\mathrm{diag}(\max(\lambda,0))\,\mathbf V^{\top}) ve köşegeni cd ile çarpar. Şablon cd'yi 1;\ 1{,}01;\ 1{,}05;\ 1{,}1;\ 1{,}25 sırasıyla dener ve her iki matrisin en küçük özdeğeri >0 olduğu ilk çarpanı kabul eder (106–110); hiçbiri yetmezse durur (111). cd>1 ise not yazılır (116).
Koddaki tercih
Aralık sabit ve ortaktır; yalnız kısmi eşikler uydurulur (fit.ranges = FALSE, fit.lmc varsayılanı). Aralığı 0 bırakmak kapsam köşegeninin 1/3'ünü seçer; bu, deneysel variogramın kesmesiyle aynı sayıdır (örnekte 1596,62 m), yani üstel ya da küresel yapının aralığı tüm gözlenen uzaklık aralığına eşittir. Aralık duyarlılığı için aralik elle değiştirilmelidir.
187.4.3 Eş-kriging tahmini ve çapraz doğrulama
Yığılmış veri vektörü \mathbf Z=(\mathbf Z_1,\dots,\mathbf Z_p) için kovaryans, \mathbf C_{ab}(h)=\,c_{ab}^{(1)}\,[1-\gamma_1(h)]+c_{ab}^{(0)}\,\mathbf 1_{h=0} blokları ile kurulur. Trend varsa her değişkenin kendi bilinmeyen katsayı vektörü vardır (\mathbf X=\mathrm{blokköşegen}(\mathbf X_1,\dots,\mathbf X_p); evrensel eş-kriging), yoksa her değişkenin bilinmeyen ortalaması vardır (sıradan eş-kriging). En iyi doğrusal yansız kestirim:
- \mathbf c_0: veri ile Z_1(\mathbf s_0) arasındaki kovaryans vektörü; C_{11}(0) birincilin toplam eşiği (külçe dahil).
- \mathbf x_0: \mathbf s_0'daki trend satırı, yalnız birincil değişkenin bloğunda dolu.
- \mathbf u: bilinmeyen katsayıların belirsizliğini taşıyan düzeltme vektörü.
Birini dışarıda bırakma (gstat.cv(obj, nfold = n)): her turda birincil değişkenin bir gözlemi çıkarılır, kalanıyla kestirilir (123–138). Tek değişkenli karşılaştırma için birincil değişkenin deneysel variogramına (\text{külçe},\ \text{eşik},\ \text{aralık}) üç parametreli model N_k/h_k^2 ağırlıklı uydurulur (fit.variogram(v1, vgm(1, model, aralik, 1)), aralık serbest; 132). Uydurma başarısız olursa yedek model toplam varyansla kurulur (132). Ölçüler:
- e_i=Z_1(\mathbf s_i)-\widehat Z_{1,(-i)}(\mathbf s_i): i. gözlemi çıkarıp yapılan kestirimin artığı.
- \sigma_i: o kestirimin kriging standart sapması.
- MSDR (ortalama kareli standartlaştırılmış artık) kestirim varyansının doğruluğunu ölçer; 1'e yakın beklenir.
Çapraz doğrulama iki biçimde verilir
gstat.cv yalnız birincil değişkenin gözlemini çıkarır; aynı konumdaki ikincil değerler veride kalır. Tablodaki ikinci satır bu "eş konumlu" durumdur ve RMSE azalması yalnız bu durum içindir. Şablon üçüncü bir satır ekler: her turda konumdaki bütün değişkenler (ikincil dahil) çıkarılır ve aynı model ile birincil değişken kestirilir; ikincil değişken kestirim konumunda ölçülmemişse kazanç çok küçüktür (187.6).
Izgara kestirimi. izgara k>0 ve trend yoksa kapsam dikdörtgeninde k\times k düzenli düğüm kurulur (seq(min, max, length.out = k); 141) ve predict(gf, gr) ile kestirim ve varyans bulunur; en küçük, en büyük kestirim ve ortalama kestirim varyansı tabloya yazılır, kestirim yüzeyi çizilir (143–156).
187.5 Kod adım adım
| Satırlar | Ne yapar | Neden / dikkat |
|---|---|---|
| 1–64 | Üstbilgi: 9 parametre. | Yan dosyalar kitap dışıdır (Bölüm 1.1). |
| 65–81 | Dil yardımcısı, gstat ve sp; veri ve sütun seçimi; eksik satırlar atılır; n\ge20, yineleme, sabitlik, logaritma denetimleri. | Atılan satır sayısı yazılmaz. |
| 82–89 | Değişken adları (log_ ön eki), logaritma, koordinat nesnesi, aralık, her değişken için gstat nesnesi (trend formülü). |
Aralık 0 ise \sqrt{\sum(\text{kapsam})^2}/3. |
| 90–97 | Uyarı toplayıcı tut; deneysel variogram; vgm(1, model, aralik, 1) tüm değişkenlere; geçersiz çapraz ad temizliği. |
fill.all = TRUE bir kenar ad ekler (x.NA); atılır. |
| 98–115 | Pozitif tanımlılık işlevi pd_mi (bağıl eşik), yasal model sınaması yasal_mi ve cd sırası; model kurulamazsa hata. |
Eşik 10^{-8}\cdot en büyük özdeğer. |
| 116–126 | Özet satırı, cd>1 notu, LMC tablosu (variogram, bilesen, kismi_esik, aralik). |
Aralık külçe için 0. |
| 127–157 | Çapraz doğrulama: tek değişkenli uydurma, LOO ve konumdaki tüm değişkenleri çıkaran LOO; üç satırlık tablo ve not. | Üçüncü satır ikincilleri de çıkarır. |
| 161–180 | Izgara ve kestirim, şekil, özet tablo. | Trend varsa çalışmaz. |
| 181–184 | Doğrudan ve çapraz variogramlar şekli; uyarılar. |
Süre: örnek ayarda 24 s (çoğu çapraz doğrulama).
187.6 Elle hesap: örnek veride bağımsız yeniden hesap
Bağımsız hesaplar dogrulama/es_kriging/elle_hesap.py (numpy/scipy; gstat çağrılmaz) ve r_dogrulama.R (gstat'ı şablon dışından doğrudan çağırma; ayrıca taban R solve ile LOO) ile yapılmıştır.
Adım 1 — Deneysel variogramlar. Her değişkenin artıkları (örnekte \mathbf X=[1,\ \mathrm{sqrt\_dist}] ile en küçük kareler) hesaplanır; 155 noktadan \binom{155}{2}=11\,935 çiftin kesme uzaklığı (kapsam köşegeninin 1/3'ü, \approx1596{,}6 m) içinde kalanları 15 eşit genişlikli sınıfa ayrılır; her sınıfta çift sayısı, ortalama uzaklık ve artık farklarının yarı çarpım ortalaması bulunur (10 doğrudan ve çapraz variogram).
Adım 2 — Kısmi eşikler. Aralık 300 m (üstel) için her doğrudan ve çapraz variogramda iki parametreli ağırlıklı doğrusal en küçük kareler çözülür (\mathbf A=[\mathbf 1,\ 1-e^{-h/300}]; ağırlık N_k/h_k^2). Çözüm şablonun tablosuyla ve gstat'ın yayımlanmış vinyet değerleriyle aynıdır: \log çinko külçe 0{,}05141798, üstel 0{,}17556219; \log kadmiyum 0{,}39996573 ve 0{,}47893816; \log çinko–\log kadmiyum 0{,}09190848 ve 0{,}24542024 (20 satırın hepsi 10^{-6} içinde). Özdeğerler: her iki matris de pozitif tanımlıdır; cd=1.
Adım 3 — Eş-kriging, birini dışarıda bırakma. 620\times620 yığılmış kovaryansta (155\times4 veri) her tur için \hat{\boldsymbol\beta} ve kestirim yukarıdaki kapalı biçimle bulunur: eş-kriging RMSE 0{,}104976, ME -0{,}000533, MSDR 1{,}04381; şablon aynıdır. Tek değişkenli: üç parametreli uydurma (külçe 0{,}0571, eşik 0{,}1764, aralık 340{,}3 m) ve LOO evrensel kriging RMSE 0{,}377651, MSDR 1{,}08212; şablon 0{,}377651.
Adım 4 — Konumdaki tüm değişkenleri çıkarmak. Aynı model ve ağırlıklarla her turda yalnız birincil değil konumdaki dört değişkenin hepsi çıkarılırsa eş-kriging RMSE 0{,}378623 olur: tek değişkenli kriging'den (0{,}377651) hafifçe kötü. Eş-krigingin 0{,}105 RMSE'si ikincil değişkenin hedef konumda ölçülmüş olmasından gelir. gridsiz çalıştırmasında: tek değişkenli 0{,}391802; eş-kriging (ikincil aynı konumda) 0{,}110595; konumdaki tümü çıkarılırsa 0{,}401031.
Adım 5 — Izgara. gridsiz (20\times20, küresel, aralık 1596,62 m): bağımsız hesapla kestirim en küçük 4{,}776376, en büyük 7{,}552924, ortalama kestirim varyansı 0{,}443952 (şablon aynı). Gözlenen \ln çinko 4{,}727–7{,}517'dir: kestirim gözlem aralığını üstten aşar ve ızgara düğümü sırası expand.grid ile predict çıktısında aynıdır (şekil yönü doğrudur).
187.6.1 Doğrulama: MerQuR+, Python ve R
| Büyüklük | MerQuR+ | Python (bağımsız) | R (bağımsız) | En büyük fark | Ölçüt | |
|---|---|---|---|---|---|---|
| ornek: log(Zn), külçe | 0,05141798 | 0,05141798 | 0,05141798 | 3,4e−15 | 1e−6 | ✓ |
| ornek: log(Zn), Exp kısmi eşik | 0,17556219 | 0,17556219 | 0,17556219 | 4,2e−14 | 1e−6 | ✓ |
| ornek: log(Zn)–log(Cd), külçe | 0,09190848 | 0,09190848 | 0,09190848 | 4,3e−15 | 1e−6 | ✓ |
| ornek: log(Zn)–log(Cd), Exp kısmi eşik | 0,24542024 | 0,24542024 | 0,24542024 | 2,4e−14 | 1e−6 | ✓ |
| ornek: log(Zn)–log(Pb), külçe | 0,04528367 | 0,04528367 | 0,04528367 | 2,1e−15 | 1e−6 | ✓ |
| ornek: log(Zn)–log(Pb), Exp kısmi eşik | 0,18407011 | 0,18407011 | 0,18407011 | 2,2e−14 | 1e−6 | ✓ |
| ornek: log(Zn)–log(Cu), külçe | 0,02912806 | 0,02912806 | 0,02912806 | 3,0e−15 | 1e−6 | ✓ |
| ornek: log(Zn)–log(Cu), Exp kısmi eşik | 0,10438748 | 0,10438748 | 0,10438748 | 3,8e−14 | 1e−6 | ✓ |
| ornek: log(Cd), külçe | 0,39996573 | 0,39996573 | 0,39996573 | 1,8e−14 | 1e−6 | ✓ |
| ornek: log(Cd), Exp kısmi eşik | 0,47893816 | 0,47893816 | 0,47893816 | 4,6e−14 | 1e−6 | ✓ |
| ornek: log(Cd)–log(Pb), külçe | 0,06425412 | 0,06425412 | 0,06425412 | 3,2e−15 | 1e−6 | ✓ |
| ornek: log(Cd)–log(Pb), Exp kısmi eşik | 0,25525359 | 0,25525359 | 0,25525359 | 5,0e−14 | 1e−6 | ✓ |
| ornek: log(Cd)–log(Cu), külçe | 0,09441635 | 0,09441635 | 0,09441635 | 1,5e−15 | 1e−6 | ✓ |
| ornek: log(Cd)–log(Cu), Exp kısmi eşik | 0,13073936 | 0,13073936 | 0,13073936 | 1,9e−14 | 1e−6 | ✓ |
| ornek: log(Pb), külçe | 0,04770893 | 0,04770893 | 0,04770893 | 3,9e−15 | 1e−6 | ✓ |
| ornek: log(Pb), Exp kısmi eşik | 0,21323027 | 0,21323027 | 0,21323027 | 3,7e−14 | 1e−6 | ✓ |
| ornek: log(Pb)–log(Cu), külçe | 0,02369778 | 0,02369778 | 0,02369778 | 3,9e−15 | 1e−6 | ✓ |
| ornek: log(Pb)–log(Cu), Exp kısmi eşik | 0,10267516 | 0,10267516 | 0,10267516 | 3,0e−15 | 1e−6 | ✓ |
| ornek: log(Cu), külçe | 0,04577523 | 0,04577523 | 0,04577523 | 4,2e−15 | 1e−6 | ✓ |
| ornek: log(Cu), Exp kısmi eşik | 0,07827374 | 0,07827374 | 0,07827374 | 4,0e−15 | 1e−6 | ✓ |
| ornek: LOO tek değişkenli, RMSE | 0,37765088 | 0,37765092 | 0,37765088 | 3,9e−8 | 1e−6 | ✓ |
| ornek: LOO tek değişkenli, ME | −0,00312395 | −0,00312395 | −0,00312395 | 2,3e−9 | 1e−5 | ✓ |
| ornek: LOO tek değişkenli, MSDR | 1,08212257 | 1,0821224 | 1,08212257 | 1,6e−7 | 1e−6 | ✓ |
| ornek: LOO eş-kriging, RMSE | 0,10497574 | 0,10497574 | 0,10497574 | 5,0e−14 | 1e−6 | ✓ |
| ornek: LOO eş-kriging, ME | −5,327254·10−4 | −5,327254·10−4 | −5,327254·10−4 | 2,8e−15 | 1e−6 | ✓ |
| ornek: LOO eş-kriging, MSDR | 1,04380709 | 1,04380709 | 1,04380709 | 3,0e−13 | 1e−6 | ✓ |
ornek: LOO eş-kriging, RMSE (taban R solve ile) |
0,10497574 | 0,10497574 | 0,10497574 | 5,0e−14 | 1e−6 | ✓ |
| gridsiz: log(Zn), külçe | 0,10702411 | 0,10702411 | 0,10702411 | 3,4e−14 | 1e−6 | ✓ |
| gridsiz: log(Zn), Sph kısmi eşik | 0,7189832 | 0,7189832 | 0,7189832 | 1,5e−14 | 1e−6 | ✓ |
| gridsiz: log(Cd), külçe | 0,60095849 | 0,60095849 | 0,60095849 | 1,3e−14 | 1e−6 | ✓ |
| gridsiz: log(Cd), Sph kısmi eşik | 1,55690778 | 1,55690778 | 1,55690778 | 6,4e−14 | 1e−6 | ✓ |
| gridsiz: log(Pb), külçe | 0,09164022 | 0,09164022 | 0,09164022 | 8,0e−16 | 1e−6 | ✓ |
| gridsiz: log(Pb), Sph kısmi eşik | 0,62004264 | 0,62004264 | 0,62004264 | 4,2e−14 | 1e−6 | ✓ |
| gridsiz: log(Cu), külçe | 0,09254731 | 0,09254731 | 0,09254731 | 3,1e−16 | 1e−6 | ✓ |
| gridsiz: log(Cu), Sph kısmi eşik | 0,27776224 | 0,27776224 | 0,27776224 | 4,1e−14 | 1e−6 | ✓ |
| gridsiz: LOO tek değişkenli, RMSE | 0,39180158 | 0,39180227 | 0,39180158 | 6,9e−7 | 1e−6 | ✓ |
| gridsiz: LOO tek değişkenli, ME | −2,056955·10−5 | −2,062938·10−5 | −2,056955·10−5 | 6,0e−8 | 1e−5 | ✓ |
| gridsiz: LOO tek değişkenli, MSDR | 0,81854508 | 0,81854527 | 0,81854508 | 1,9e−7 | 1e−6 | ✓ |
| gridsiz: LOO eş-kriging, RMSE | 0,11059524 | 0,11059524 | 0,11059524 | 3,1e−14 | 1e−6 | ✓ |
| gridsiz: LOO eş-kriging, ME | 1,382482·10−4 | 1,382482·10−4 | 1,382482·10−4 | 1,1e−14 | 1e−6 | ✓ |
| gridsiz: LOO eş-kriging, MSDR | 0,93746262 | 0,93746262 | 0,93746262 | 3,2e−13 | 1e−6 | ✓ |
gridsiz: LOO eş-kriging, RMSE (taban R solve ile) |
0,11059524 | 0,11059524 | 0,11059524 | 3,1e−14 | 1e−6 | ✓ |
| gridsiz: ızgara kestirimi, en küçük | 4,77637634 | 4,77637634 | 4,77637634 | 4,5e−14 | 1e−6 | ✓ |
| gridsiz: ızgara kestirimi, en büyük | 7,55292375 | 7,55292375 | 7,55292375 | 5,6e−14 | 1e−6 | ✓ |
| gridsiz: ızgara kestirimi, kestirim varyansı ortalaması | 0,44395153 | 0,44395153 | 0,44395153 | 2,2e−14 | 1e−6 | ✓ |
Ölçütü karşılayan: 45/45. Bağımsız Python: kendi deneysel (çapraz) variogram, N_j/h_j² ağırlıklı doğrusal EKK, özdeğer düzeltmesi, evrensel eş-kriging (bilinmeyen değişkene özgü trend) LOO. Bağımsız R: gstat'ı şablon dışından doğrudan çağırma ve taban R solve ile LOO. Tek değişkenli kriging için 3 parametreli doğrusal olmayan uydurma iki çözücüde ayrı yakınsar; ortalama hata sütununda ölçüt 10−5.
Ek denetim: gau çalıştırması (logaritmasız çinko, kadmiyum, kurşun, bakır; Gauss model, aralık 600 m): özdeğer sıfıra çok yakın çıktığı için cd=1 gstat tarafından yasal sayılmaz; şablon cd=1{,}01'e geçer ve bağımsız Python ve R ile aynı eş-kriging RMSE 48{,}6110 (ME 0{,}2043) verir.
187.7 Çıktıyı okuma
Örnek ayarın konsol satırları ve tabloları (q1_ek_ornek; LMC tablosu kısaltılmıştır):
Eş-kriging: 155 gözlem; birincil log_zinc; ikincil log_cadmium, log_lead, log_copper; variogram modeli Exp; aralık 300 (sabit).
variogram bilesen kismi_esik aralik
log_zinc Nug 0.0514180 0
log_zinc Exp 0.1755622 300
log_zinc.log_cadmium Nug 0.0919085 0
log_zinc.log_cadmium Exp 0.2454202 300
log_zinc.log_lead Nug 0.0452837 0
log_zinc.log_lead Exp 0.1840701 300
log_cadmium Nug 0.3999657 0
log_cadmium Exp 0.4789382 300
...
yontem RMSE ortalama_hata MSDR
tek değişkenli kriging 0.3776509 -0.0031240 1.0821226
eş-kriging 0.1049757 -0.0005327 1.0438071
Şekil 187.1. Şablonun çizdiği kestirim yüzeyi (`gridsiz`, 20\times20 ızgara): noktalar veri konumları; mor tonlar \ln çinko kestirimidir.

Şekil 187.2. Doğrudan (köşegen) ve çapraz (köşegen dışı) variogramlar ve uydurulan LMC (`gridsiz`).

| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| Özet satırı | Gözlem sayısı, değişkenler, model, aralık; cd>1 ise not. | Aralık "(sabit)" ve ortak. |
| LMC tablosu | Her doğrudan ve çapraz variogramın külçe ve yapısal kısmi eşiği. | Çapraz kısmi eşikler ilişkinin yönünü ve gücünü verir; her matris yarı pozitif tanımlıdır. |
| Çapraz doğrulama | RMSE, ortalama hata, MSDR; tek değişkenli kriging, eş-kriging (ikincil aynı konumda bilinir) ve eş-kriging (konumdaki bütün değişkenler dışarıda). | RMSE küçük iyi; ME 0'a yakın; MSDR 1'e yakın olmalıdır. Ölçülmemiş yeni bir nokta için son satır okunur (187.4.3). |
| Izgara özeti | En küçük/büyük kestirim ve ortalama kestirim varyansı. | Trend varken yoktur. |
| Variogram şekli | Deneysel noktalar ve uydurulan model, 10 (4\times4 simetrik) panel. | Model eğrisi noktalardan çok uzaksa aralık ya da modeli değiştirin. |
Rapor cümlesi (örnek ayar): "Meuse taşkın ovasında 155 toprak örneğinde \ln çinko, \ln kadmiyum, \ln kurşun ve \ln bakırla birlikte evrensel eş-kriging ile kestirilmiştir (üstel LMC, aralık 300 m, nehir uzaklığının karekökü trend; gstat 2.1-6). Birini dışarıda bırakma RMSE'si tek değişkenli krigingde 0{,}378, ikincil değişkenlerin aynı konumda ölçüldüğü eş-krigingde 0{,}105'tir."
187.8 Sık hatalar ve tuzaklar
- Çapraz doğrulama kazancının abartılması. Eş-krigingin RMSE'sinin üçte bire düşmesi (ikinci satır), ikincil değişkenin hedef konumda bilinmesinden gelir; ölçülmemiş bir konumdaki kestirim için üçüncü satırı (konumdaki tüm değişkenler dışarıda) okuyun.
- Aralığın bilinçsiz seçimi. Tek sabit ortak aralıktır; 0 bırakmak kesmeyle aynı sayıyı seçer (
gridsiz: 1596,62 m). Üstel modelde bu aralık etkin aralığın 1/3'üdür. - Aralığın kısmi eşikleri değiştirmesi. Aralık değişince bütün kısmi eşikler değişir; sayıları farklı aralıkların arasında karşılaştırmayın.
- Pozitif tanımlılık hatası. Model kısmi eşik matrisleri pozitif yarı tanımlı olmalıdır; şablon özdeğer denetimini bağıl eşikle (en büyük özdeğerin 10^{-8} katı) yapar ve her çarpanda gstat'ın modeli yasal sayıp saymadığını bir kestirimle sınar; çarpan 1,25'e dek denenir. Hiçbiri olmazsa gstat'ın iletisiyle birlikte durur: bir ikincil değişkeni çıkarın ya da logaritma alın.
- Eksik satırlar atılır, sayısı yazılmaz. Kalan gözlem sayısı ilk satırdadır.
- Yinelenen konumlar. Durur; gözlemleri birleştirin.
- Koordinat birimi. Metre gibi projeksiyonlu birim varsayılır; derece koordinatlarda aralık anlamsızlaşır (B6).
- Izgaranın kapsamı. Dikdörtgen veri dışı bölgeleri de içerir ve kestirim gözlem aralığını aşabilir (B5).
- Başlıkta söylenen varyans haritası çizilmez. Yalnız ortalama kestirim varyansı yazılır (B4).
- Trend ve ızgara birlikte. Trend seçilirse ızgara çizilmez (yalnız çapraz doğrulama ve LMC).
187.9 Uzman soruları
S1. Eş-kriging neden her zaman tek değişkenli krigingden iyi değildir?
Eş-kriging, birincil değişkenin konumunda ikincil ölçümler varsa ya da birincil çok seyrekse kazanç getirir. Birincil ve ikincil aynı noktalarda ölçülmüş ve ikincil birincilin konumunda yokken kestirim yapılıyorsa kazanç küçüktür: örnekte konumdaki dört değişken çıkarıldığında RMSE tek değişkenliyle eşitlenir (0,3786 ve 0,3777). Aynı konumda ikincil ölçümün varlığı ise (eş konumlu) kestirimi büyük ölçüde iyileştirir (0,105).
S2. Neden tek ortak aralık?
LMC tüm doğrudan ve çapraz variogramları aynı yapısal bileşenlerin ağırlıklı toplamı olarak yazar; bileşenlerin aralığı ortak olduğunda kısmi eşik matrislerinin pozitif yarı tanımlılığı kontrol edilebilir ve eş-kriging denklemleri çözülebilir. Farklı aralıklar için birden çok yapı gerekir; şablon tek yapı (külçe + bir model) sunar.
S3. Kısmi eşik matrisi negatif özdeğer taşırsa ne olur?
fit.lmc negatif özdeğerleri sıfırlar (en yakın yarı pozitif tanımlı matris); köşegen cd ile çarpılarak kesin pozitif tanımlı hâle getirilir. Şablon cd=1;\ 1{,}01;\ 1{,}05;\ 1{,}1;\ 1{,}25 sırasını dener ve kullanılan çarpanı notla bildirir (120). cd ne kadar büyükse köşegen o kadar şişer (doğrudan variogramlar daha büyük, çapraz ilişki görece küçük kalır).
S4. Üstel ile küresel model aynı veride neden farklı kısmi eşik verir?
Kısmi eşikler aralık sabit tutulurken en küçük karelerle uydurulur; modelin biçimi ve aralık değişince \gamma_1(h_k) ve dolayısıyla çözüm değişir. Üstel modelde aralık 300 m (etkin aralık \approx900 m), küresel modelde 1596{,}62 m'dir; ornek ve gridsiz çalıştırmalarında külçe 0{,}0514 ve 0{,}1070 olur (iki çalıştırmada trend de farklıdır).
S5. MSDR 1'den neden sapar?
MSDR, kriging varyansının gerçek hata varyansını doğru yansıtıp yansıtmadığını gösterir. Eş-krigingde 1{,}044, tek değişkenlide 1{,}082 (örnek); 1'den büyük değerler varyansın hafif küçümsendiğini, küçük değerler (gridsiz: 0{,}725 ve 0{,}937) abartıldığını gösterir. Bu, variogram modeli ve ortak aralık seçiminin yansımasıdır.
S6. Evrensel ve sıradan eş-kriging farkı nedir?
Trend yoksa her değişken sabit ama bilinmeyen bir ortalama taşır (sıradan); trend verilmişse her değişkenin kendi doğrusal trend katsayıları bilinmez (evrensel). İkinci durumda kestirim varyansına trend katsayısı belirsizliği eklenir (187.4.3'te \mathbf u^{\top}(\cdot)^{-1}\mathbf u terimi).
S7. Başka bir paket ya da tanım farkı sonucu değiştirir mi?
Evet. Variogram uydurmasında ağırlık seçimi (fit.method: burada N_k/h_k^2), sınıf sayısı ve kesme, aralığın sabit mi serbest mi olduğu kısmi eşikleri değiştirir. Geleneksel eş-kriging kitapları ayrıca ikincil değişkeni yardımcı değişken olarak kullanan ve aralığı da uyduran modelleri kullanır. Şablonun sonucu bu tercihlere bağlıdır; farklı programla karşılaştırırken deneysel variogram ayarlarını eşitleyin.
187.10 Kaynaklar
- Cressie, N. A. C. (1985). Fitting variogram models by weighted least squares. Journal of the International Association for Mathematical Geology, 17(5), 563–586. https://doi.org/10.1007/BF01032109
- Cressie, N. A. C. (1993). Statistics for spatial data (revize edilmiş baskı). Wiley. https://doi.org/10.1002/9781119115151
- Bivand, R. S., Pebesma, E., & Gómez-Rubio, V. (2013). Applied spatial data analysis with R (2. baskı). Springer. https://doi.org/10.1007/978-1-4614-7618-4
- Pebesma, E. J. (2004). Multivariable geostatistics in S: The gstat package. Computers & Geosciences, 30(7), 683–691. https://doi.org/10.1016/j.cageo.2004.03.012
- Wackernagel, H. (2003). Multivariate geostatistics: An introduction with applications (3. baskı). Springer. https://doi.org/10.1007/978-3-662-05294-5
- Yazılım kaydı: gstat 2.1-6 (Pebesma, 2004), sp 2.2-3 (Pebesma ve Bivand, 2005), R 4.5.3 (şablon çalıştırmasının yazılım kaydından).