188. Jeoistatistiksel benzetim: koşullu ve koşulsuz Gauss benzetimi
Şablon kimliği: kosullu_benzetim · Kategori: uzamsal · Dil: R · Dosya: pro/sablonlar/uzamsal/kosullu_benzetim.R (satır 1–299; üstbilgi 1–156) · Örnek veri: _ornek/meuse_cinko.csv · Paketler: gstat 2.1-6 (R 4.5.3)
188.1 Ne işe yarar
Nokta verisinden (x,\,y,\,\text{değer}) bir Gauss rastgele alanının gerçekleşmelerini düzenli bir ızgara üzerinde üretir. Kriging tek bir "en iyi" yüzey verir ve alanı olduğundan düzgün gösterir; benzetim ise aynı uzamsal ilişki yapısına sahip çok sayıda olası yüzey üretir. Böylece yüzeyden türetilen bir niceliğin (bir eşik aşımı, bir alan ortalaması, bir kümenin bağlantısı) belirsizliği doğrudan gerçekleşmelerin dağılımından okunur. Gerçekleşmeler veriye koşullu olabilir (veri konumlarında gözlenen değerleri korur) ya da koşulsuzdur.
- m: ortalama; basit kriging için sabit ve bilinen alınır (örneklem ortalaması).
- C(h): kovaryans işlevi; c_0 külçe, c_1 kısmi eşik, \gamma_1 normalleştirilmiş model yarı değişintisi (küresel, üstel, Gauss ya da Matérn).
- h: iki konum arasındaki Öklid uzaklığı.
Ne zaman kullanılır?
- Yüzeyden türetilen bir niceliğin belirsizliği isteniyorsa (ör. "çinko 500 mg/kg'ı aşan alan oranı").
- Kriging yüzeyinin fazla düzgün olması istenmiyor, gerçeğe benzer değişkenlik gerekiyorsa.
- Değişken yaklaşık normal dağılıyorsa (gerekirse logaritma dönüşümüyle).
Ne zaman kullanılmaz?
- Yalnız en iyi kestirim ve kriging varyansı isteniyorsa: tek değişkenli kriging (bu bölümün "kriging ortalaması" sütunları) ya da Bölüm 187
es_kriging. - İlişkili ikincil değişkenlerden yararlanılacaksa: Bölüm 187
es_kriging(benzetim eş-kriging için ayrı yoktur). - Alan verisi (komşuluk): Bölüm 186
alansal_bayes_car. - Zaman da boyutsa: Bölüm 193
uzay_zaman_kriging. - Değişken kesikli, aşırı çarpık ya da çok-modlu ise ve dönüşüm Gauss'a yaklaştıramıyorsa: Gauss benzetimi uygun değildir.
Temel programla ilişki. Temel programda jeoistatistik, variogram ve benzetim yoktur. Bu şablon yeni bir yöntem getirir.
188.2 Şablonun girdileri
Form, üstbilgideki 19 [[param]] bloğundan kurulur (kosullu_benzetim.R:10–155). Türlerin anlamı ve ortak denetim Bölüm 1.2'dedir. x, y ve z sayısal rollerdir: 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 |
|---|---|---|---|---|
X koordinatı · x; Y koordinatı · y |
sayısal sütun · Değişkenler | — | farklı sütunlar | Konum (10–19, 161–162). |
Değişken · z |
sayısal sütun · Değişkenler | — | sayısal sütun | Benzetilen değişken (20–24). |
Dönüşüm · donusum |
seçim · Model | yok |
yok, log |
Doğal logaritma (25–31, 164–167). |
Variogram modeli · model |
seçim · Model | Sph |
Sph, Exp, Mat, Gau |
Külçe + bu model (32–38). |
Variogram parametreleri · variogram |
seçim · Model | uydur |
uydur, verilen |
Veriden uydur ya da aşağıdakileri kullan (39–45, 176–192). |
Kısmi eşik · kismi_esik |
ondalık · Model | 1 | \ge0 | Yalnız verilen (46–53, 190). |
Menzil · menzil |
ondalık · Model | 1 | \ge0 | Yalnız verilen; gstat tanımı (54–61, 190). |
Külçe · kulce |
ondalık · Model | 0 | \ge0 | Yalnız verilen (62–69, 190). |
Ortalama · ortalama |
seçim · Model | bilinen |
bilinen, bilinmeyen |
Basit ya da sıradan kriging (70–76, 201, 204–205). |
Yöntem · yontem |
seçim · Model | lu |
lu, sgs |
LU (Cholesky) ya da ardışık Gauss (77–83, 208). |
Koşullu · kosullu |
onay · Seçenekler | açık | — | Veriye koşullama (84–89, 200). |
En çok komşu · nmax |
tamsayı · Seçenekler | 30 | 4–1000 | Yalnız sgs (90–97, 235–237). |
Izgara · izgara |
tamsayı · Çıktı | 20 | 2–60 | Kenar başına düğüm (98–105, 196–197). |
Gerçekleşme sayısı · nsim |
tamsayı · Seçenekler | 100 | 2–5000 | n_s (106–113, 199). |
Matérn \kappa · kappa |
ondalık · Model | 0,5 | 0,05–10 | Yalnız Matérn (114–122, 175). |
Uydurma ağırlıkları · uydurma_yontemi |
seçim · Gelişmiş | 7 |
7, 1, 2, 6 |
fit.variogram(fit.method=) (123–130, 183–184). |
Deneysel variogram kesmesi · vg_kesme |
ondalık · Gelişmiş | 0 | \ge0 | 0: köşegenin 1/3'ü (131–138, 178). |
Sınıf genişliği · vg_aralik |
ondalık · Gelişmiş | 0 | \ge0 | 0: kesme/15 (139–146, 179). |
En büyük komşu uzaklığı · maxdist |
ondalık · Gelişmiş | 0 | \ge0 | Yalnız sgs; 0 sınırsız (147–155, 234). |
Şablonun kendi denetimleri (mq_hata):
| Koşul | İleti (özet) | Satır |
|---|---|---|
| Veri açık değil | "Önce Veri sekmesinde bir veri açın." | 160 |
| X, Y ve değişken üç farklı sütun değil | "X, Y ve değişken farklı sütunlar olmalı." | 161 |
| Logaritma ve z\le0 | "Logaritma dönüşümü için değişken pozitif olmalı." | 165 |
| Tam gözlem <10 | "Benzetim için en az 10 tam gözlem gerekli." | 168 |
| Koordinatlar sabit ya da değişken sabit | "Koordinatlar sabit…" / "Değişken sabit." | 169–170 |
| Bilinmeyen ortalama ve LU | "Bilinmeyen ortalama yalnız ardışık Gauss benzetimiyle sunulur." | 172 |
| Deneysel variogram <3 sınıf | "Deneysel variogram için yeterli nokta çifti yok." | 181 |
| Variogram uydurulamadı (tekil, negatif eşik, menzil \le0) | "Variogram modeli uydurulamadı; parametreleri elle verin…" | 185–187 |
verilen ve eşik ya da menzil \le0 |
"Kısmi eşik ve menzil pozitif olmalı." | 189 |
| Kriging hesaplanamadı | "Kriging hesaplanamadı: …" | 206 |
| Kovaryans matrisi pozitif tanımlı değil | "Kovaryans matrisi pozitif tanımlı değil; ızgarayı küçültün ya da külçe ekleyin." | 215 |
| Veri kovaryansı tekil | "Veri kovaryans matrisi tekil…" | 219 |
| Ortak kovaryans pozitif tanımlı değil | "Ortak kovaryans matrisi pozitif tanımlı değil…" | 224 |
| Ardışık benzetim hatası | "Benzetim yapılamadı: …" | 239 |
Eksik değerli satırlar sessizce atılır (163); çakışan koordinatlar da (yalnız ilk satır kalır) sessizce atılır (171). Kullanılan gözlem sayısı, değişken (logaritma ise log(...)), atılan yinelenen koordinat sayısı ve kullanılan ortalama "Veri: n = … gözlem; değişken …; ortalama … (…)" satırında yazılır. Tohum: benzetim rastgeledir ve şablonda tohum alanı yoktur; sonuç çalıştırmanın tohumuna bağlıdır (Bölüm 1.3: Kod panelindeki Tohum alanı ya da sonuç kartının "Tohum" satırı). Aynı veri, ayar ve tohumla sonuç yinelenir.
Örnek ayar (ornek_param, satır 9): x = x, y = y, z = zinc, donusum = log, model = Sph, variogram = uydur, ortalama = bilinen, yontem = lu, kosullu = açık, izgara = 10, nsim = 200.
188.3 Örnek veri
meuse_cinko.csv, Meuse nehri taşkın ovasındaki 155 toprak örneğinin konumu ve çinko derişimidir (gstat paketinin meuse verisi; Pebesma, 2004). Sütunlar x, y (Hollanda ulusal projeksiyonu, metre), zinc (mg/kg) ve lzn (kullanılmayan, \ln çinko). Eksik değer yoktur.
| Değişken | Rol | Tür (veri sekmesinin algıladığı) | Özet |
|---|---|---|---|
x |
X koordinatı | sayısal | 178 605–181 390 m |
y |
Y koordinatı | sayısal | 329 714–333 611 m |
zinc |
değişken | sayısal | 113–1839 mg/kg; \ln ort. 5,8858, sd 0,7219 |
lzn |
kullanılmaz | sayısal | \ln(çinko) |
Hiçbir rolde kategorik değişken yoktur; düzey sırası bu bölümü etkilemez.
Bu bölümde kullanılan çalıştırmalar (q1_kb_…): ornek (örnek ayar, tohum 1) ve ornek_s2 (tohum 2); verilen (variogram verilen: külçe 0{,}05066243, kısmi eşik 0{,}5906078, menzil 897{,}0209; 2000 gerçekleşme); sgs (ardışık, koşullu, 1000), sgs_bilinmeyen (ardışık, bilinmeyen ortalama); kosulsuz_lu (koşulsuz LU, 2000), kosulsuz_sgs_bilinmeyen; kulcesiz (külçe 0); exp, mat (\kappa=1{,}5); kk_dereceli (ızgara 60\times60=3600 düğüm, 2 gerçekleşme); hata çalıştırmaları h_bilinmeyen_lu, h_ayni (y = x).
188.4 Yöntem: formüller ve hesap adımları
Hesap sırası: veri alınır, logaritma uygulanır, denetimler yapılır (162–172); variogram uydurulur ya da verilir (175–193); ızgara ve ortalama kurulur (196–201); kriging ortalaması ve varyansı hesaplanır (204–206); LU ya da ardışık yöntemle gerçekleşmeler üretilir (208–241); düğüm istatistikleri ve özet yazılır (243–266); haritalar ve variogram şekli çizilir (268–281).
188.4.1 Variogramın uydurulması
variogram = uydur ise deneysel yarı değişinti \hat\gamma(h_k)=\dfrac{1}{2N_k}\sum_{(i,j)\in k}(z_i-z_j)^2 hesaplanır (kesme: köşegenin 1/3'ü; sınıf genişliği kesme/15; 178–180). Model, külçe dahil üç parametreyle \big(c_0,\,c_1,\,a\big) ağırlıklı en küçük karelerle uydurulur (fit.variogram; Cressie, 1985):
- N_k: k. sınıftaki nokta çifti sayısı; h_k: sınıfın ortalama uzaklığı.
- a: menzil parametresi (gstat tanımı; üstelde etkin menzil 3a; küresel modelde a eşiğe ulaşılan uzaklıktır).
uydurma_yontemiağırlığı seçer:7N_k/h_k^2,1N_k,2N_k/\hat\gamma(h_k)^2 (Cressie),6ağırlıksız.
Başlangıç değerleri: toplam varyans s^2, menzil =\max h_k/2, külçe =s^2/10 (182). Uydurma tekil, negatif kısmi eşikli ya da menzil \le0 ise durur (185–187). verilen seçilirse üç değer doğrudan girilir (190). Matérn modelinde düzgünlük \kappa sabittir (kestirilmez; 175, 182, 190).
Koddaki tercih
Şablon modelde her zaman bir külçe bileşeni bulundurur (vgm(psill, model, range, nugget)). Üç parametre (külçe, eşik, menzil) birlikte kestirilir; gstat'ın varsayılan algoritması doğrusal olmayan ağırlıklı en küçük karelerdir ve yerel çözümde kalabilir. Aynı veri ve model için farklı başlangıç değerleri ya da ağırlık seçeneği farklı parametre üretebilir.
188.4.2 Basit ve sıradan kriging
Düğüm \mathbf s_0 için kovaryans vektörü \mathbf c_0=(C(\|\mathbf s_i-\mathbf s_0\|))_i ve veri kovaryansı \mathbf C_{dd} (C(0)=c_0+c_1, yani külçe dahil toplam eşik) ile basit kriging:
- m=\bar z: örneklem ortalaması (şablonda "bilinen" ortalama; 198).
- \sigma^2_{SK}: kriging varyansı; külçe kestirimin içinde kalır (veri konumlarında bile c_0'dan küçük olmaz).
bilinmeyen seçilirse gstat ortalamayı sıradan kriging ile (genel en küçük kareler) kestirir; varyansa ortalama belirsizliği eklenir (205–206).
188.4.3 LU (Cholesky) benzetimi
Koşulsuz: \mathbf C_{gg}=\mathbf L\mathbf L^{\top} (Cholesky; köşegene 10^{-10}C(0) eklenir, 214) ve \mathbf S=m\mathbf 1+\mathbf L\,\mathbf u, \mathbf u\sim\mathrm N(\mathbf 0,\mathbf I) (231). Koşullu benzetim (Davis, 1987) veri ve ızgara noktalarının ortak kovaryans matrisinden koşulsuz bir gerçekleşme çeker ve kriging artıklarıyla koşullar:
- (\mathbf U_d,\mathbf U_g): veri ve ızgara noktalarının ortak koşulsuz gerçekleşmesi, ortak kovaryans \mathbf C_{all}'ın Cholesky çarpanıyla (222–227).
- \boldsymbol\Lambda: basit kriging ağırlıkları (220); \widehat{\mathbf z}_{SK} basit kriging kestirimi (228).
- \mathbf U_g-\boldsymbol\Lambda^{\top}\mathbf U_d: koşulsuz benzetimin kriging artığı; veri konumunda yok olur.
Bellek ve süre \big(n+k^2\big)^2 ile artar; k=60 için 3755\times3755 matris gerekir. ortalama = bilinmeyen LU ile reddedilir (172).
188.4.4 Ardışık Gauss benzetimi
gstat::predict(nsim = n_s) her gerçekleşmede ızgara düğümlerini rastgele bir yolda gezer; her düğüm için yerel komşuluktaki (en çok nmax nokta, maxdist içinde) veri ve daha önce benzetilmiş düğümlerle (basit ya da sıradan) kriging yapar ve koşullu normalden bir değer çeker (233–240). Yerel komşuluk, tam benzetime göre bir yaklaşıktır: komşuluk dışındaki veriler yok sayılır. Koşulsuz benzetimde kaynak veri yoktur (dummy = TRUE; 235).
188.4.5 Benzetimden kriging'e yakınsama
Koşullu benzetimde n_s gerçekleşmenin düğüm ortalaması \bar S basit kriging kestirimine, varyansı basit kriging varyansına yakınsar (Journel ve Huijbregts, 1978). Şablon her düğümde
değerini hesaplar ve \max_j|z_j|'yi raporlar (248). Bağımsız n_s gerçekleşmede \bar S_j yaklaşık \mathrm N(\widehat Z_{SK,j},\sigma^2_{SK,j}/n_s) olduğundan 100 düğümde en büyük |z|'nin 2,0–3,5 aralığında beklenmesi doğaldır; belirgin olarak 4,5'u aşan değer yöntemin kriging'e yakınsamadığını gösterir. Koşulsuz benzetimde "kriging" sütunları ortalamayı ve toplam eşiği gösterir (244–245).
188.5 Kod adım adım
| Satırlar | Ne yapar | Neden / dikkat |
|---|---|---|
| 1–156 | Üstbilgi: 19 parametre. | Yan dosyalar (aynı adlı betik eşi ve çeviri dosyaları) kitap dışıdır (Bölüm 1.1). |
| 157–173 | Dil yardımcısı, gstat; veri alınır, tam gözlem, logaritma, sabitlik, yinelenen koordinat atma; bilinmeyen ortalama ve LU denetimi. | Gözlem sayısı yazılmaz. |
| 175–194 | Deneysel variogram, başlangıç değerleri, fit.variogram ya da verilen değerler; variogram tablosu. |
Matérn \kappa sabit. |
| 197–207 | Izgara (expand.grid, x en hızlı), ortalama, kriging tahmini ve varyansı. |
Izgara veri sınır kutusudur. |
| 209–233 | LU: kovaryans yardımcısı, Cholesky, koşullu ya da koşulsuz gerçekleşmeler. | Köşegene 10^{-10} eklenir (214, 223). |
| 234–257 | Ardışık yöntem: gstat nesnesi (koşulsuz: dummy = TRUE), predict(nsim). |
Koşulsuz ve bilinmeyen ortalamada GLS ortalaması her gerçekleşmede çekilir (236–257). |
| 258–277 | Düğüm tablosu, z sapması, benzetim özeti ve tablolar. | Tablolar dönüşüm ölçeğindedir. |
| 279–299 | Üç panelli harita (kriging ortalaması, bir gerçekleşme, benzetim varyansı) ve variogram şekli. | tryCatch içinde; hata sessiz geçilir. |
Süre: örnek ayarda 3,4 s; ızgara 60\times60 ve 2 gerçekleşmede 32 s.
188.6 Elle hesap: örnek veride bağımsız yeniden hesap
Bağımsız hesaplar dogrulama/kosullu_benzetim/elle_hesap.py (numpy/scipy; gstat çağrılmaz) ve r_dogrulama.R (gstat variogram/kriging doğrudan; taban R solve) ile yapılmıştır.
Adım 1 — Variogram uydurması. Deneysel variogram (kesme =1596{,}6 m, 15 sınıf) ve üç parametreli ağırlıklı (N_k/h_k^2) doğrusal olmayan en küçük kareler (Levenberg–Marquardt) bağımsız Python'da külçe 0{,}0506604, kısmi eşik 0{,}5906058, menzil 897{,}006 verir; şablon (0{,}0506580; 0{,}5906032; 896{,}987) ve gstat vinyetinin yayımlanmış değerleri (0{,}05066; 0{,}5906; 897{,}02) ile uyuşur. Fark üç çözücünün yakınsama toleransındandır (<10^{-4} göreli).
Adım 2 — Basit kriging. Verilen model (c_0=0{,}05066243, c_1=0{,}5906078, a=897{,}0209) ve m=5{,}885776 ile 10\times10 ızgarada \mathbf C_{dd}^{-1}\mathbf C_{dg} çözülür. Düğüm ortalamalarının ortalaması 5{,}949772, kriging varyanslarının ortalaması 0{,}405759; ilk üç düğümde ortalama 6{,}350544, 6{,}459524, 6{,}345101 ve varyans 0{,}396438, 0{,}216259, 0{,}121660. Şablon ve gstat aynı değerleri verir; taban R solve ile gstat arasındaki en büyük fark 2{,}7\times10^{-15}.
Adım 3 — Benzetim. Kendi LU koşullu benzetimimle (20 000 gerçekleşme) düğüm ortalamalarının ortalaması 5{,}949877 ve benzetim varyanslarının ortalaması 0{,}406303; en büyük |z|=2{,}40. Şablonun 2000 gerçekleşmesi: 5{,}951694 ve 0{,}406566 (en büyük |z|=2{,}51). Koşulsuz LU (2000): varyans ortalaması 0{,}643903 ve toplam eşik 0{,}64127023; kriging sütunu toplam eşiği gösterir.
188.6.1 Doğrulama: MerQuR+, Python ve R
| Büyüklük | MerQuR+ | Python (bağımsız) | R (bağımsız) | En büyük fark | Ölçüt | |
|---|---|---|---|---|---|---|
| Variogram uydurması, külçe | 0,05065784 | 0,05066044 | 0,05065784 | 2,6e−6 | 1e−4 | ✓ |
| Variogram uydurması, küresel kısmi eşik | 0,59060324 | 0,59060583 | 0,59060324 | 2,6e−6 | 1e−4 | ✓ |
| Variogram uydurması, menzil | 896,98741758 | 897,00642354 | 896,98741758 | 2,1e−5 | 1e−4 | ✓ |
| Verilen model: basit kriging ortalamasının düğüm ortalaması | 5,94977192 | 5,94977192 | 5,94977192 | 1,0e−14 | 1e−6 | ✓ |
| Verilen model: basit kriging varyansının düğüm ortalaması | 0,40575906 | 0,40575906 | 0,40575906 | 2,0e−14 | 1e−6 | ✓ |
| Verilen model: veri ortalaması \mu (örneklem ortalaması) | 5,88577585 | 5,88577585 | — | 4,5e−16 | 1e−6 | ✓ |
| Verilen model: düğüm 1 kriging ortalaması | 6,35054367 | 6,35054367 | — | 4,2e−16 | 1e−6 | ✓ |
| Verilen model: düğüm 1 kriging varyansı | 0,39643793 | 0,39643793 | — | 2,2e−16 | 1e−6 | ✓ |
| Verilen model: düğüm 2 kriging ortalaması | 6,4595242 | 6,4595242 | — | 8,2e−16 | 1e−6 | ✓ |
| Verilen model: düğüm 2 kriging varyansı | 0,21625932 | 0,21625932 | — | 4,7e−16 | 1e−6 | ✓ |
| Verilen model: düğüm 3 kriging ortalaması | 6,34510079 | 6,34510079 | — | 1,3e−15 | 1e−6 | ✓ |
| Verilen model: düğüm 3 kriging varyansı | 0,12165988 | 0,12165988 | — | 9,7e−17 | 1e−6 | ✓ |
Taban R solve ile basit kriging: en büyük fark (ortalama) |
0 | 0 | 2,664535·10−15 | 2,7e−15 | 1e−6 | ✓ |
| Koşullu LU (2000): benzetim ortalamalarının ortalaması (ölçüt 0,01) | 5,95169427 | 5,94987749 | — | 3,1e−4 | 1e−2 | ✓ |
| Koşullu LU (2000): benzetim varyanslarının ortalaması (ölçüt 0,01) | 0,40656589 | 0,40630279 | — | 2,6e−4 | 1e−2 | ✓ |
| Koşulsuz LU: kriging sütunundaki toplam eşik | 0,64127023 | 0,64127023 | 0,64127023 | 0 | 1e−6 | ✓ |
| Koşulsuz LU (2000): benzetim varyansı ortalaması (ölçüt 0,02) | 0,64390318 | 0,64127023 | 0,65175781 | 7,9e−3 | 2e−2 | ✓ |
Ölçütü karşılayan: 17/17. Bağımsız Python: kendi deneysel variogram ve 3 parametreli LM uydurması, basit kriging (Cholesky), kendi 20000 gerçekleşmeli LU koşullu benzetimi. Bağımsız R: gstat variogram/fit.variogram, gstat basit kriging ve taban R solve. Variogram uydurması doğrusal olmayan olduğundan üç çözücünün yakınsama toleransı kadar (10−4) farklıdır. Benzetimden gelen büyüklükler Monte Carlo hatası içinde karşılaştırılır; SAS PROC SIM2D karşılaştırması bu ortamda çalıştırılamadı.
Not: şablonun üstbilgisi, başka bir yazılımın benzetim yordamıyla 1000 gerçekleşmeli bir karşılaştırmayı anar; bu karşılaştırma bu ortamda çalıştırılamadığından tablodaki satırlarda yer almaz. Başlıktaki yayımlanmış gstat vinyet değerleri yukarıda Adım 1'de sınanmıştır.
188.7 Çıktıyı okuma
Örnek ayarın konsol satırları ve tabloları (q1_kb_ornek; tohum 1):
Koşullu benzetim (LU), 100 düğüm × 200 gerçekleşme.
model kismi_esik menzil
Nug 0.050658 0.000000
Sph 0.590603 896.987418
olcut deger
Düğüm sayısı 100
Gerçekleşme sayısı 200
Ortalama (veri) 5.885776
Kriging ortalamalarının ortalaması 5.949768
Benzetim ortalamalarının ortalaması 5.949091
Kriging varyanslarının ortalaması 0.405756
Benzetim varyanslarının ortalaması 0.423231
En büyük |standartlaştırılmış sapma| 2.501219
x y kriging_ort kriging_var ben_ort ben_var ben_q05 ben_q95
178605.0 329714 6.35055 0.39644 6.38411 0.45065 5.28400 7.60632
178914.4 329714 6.45952 0.21626 6.49148 0.25613 5.74857 7.29879
Şekil 188.1. Kriging ortalaması, bir gerçekleşme ve benzetim varyansı (örnek ayar): artı işaretleri veri konumlarıdır.

Şekil 188.2. Deneysel variogram ve uydurulan küresel model.

| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| Variogram modeli | Nug satırı külçe, öteki yapısal bileşen ve menzil. |
Nug + yapısal kısmi eşik toplam eşiği verir (0,6413). Menzil metre cinsindendir. |
| Benzetim özeti | Veri ortalaması; kriging ve benzetim ortalamalarının ve varyanslarının düğüm ortalaması; en büyük sapma. | Koşullu benzetimde iki ortalama ve iki varyans yakın olmalıdır; sapma 3,5'tan küçük beklenir. |
| Düğüm tablosu | Kriging ortalaması ve varyansı; benzetimin ortalaması, varyansı, %5 ve %95 kantili. | Kantiller alan başına %90'lık benzetim aralığıdır; veriye yakın düğümde dar, uzakta geniştir. |
| İlk gerçekleşmeler | İlk 5 gerçekleşmenin değerleri. | Aynı düğümde gerçekleşmeler arası fark belirsizliktir. |
| Şekil | Kriging ortalaması, gerçekleşme 1, benzetim varyansı. | Gerçekleşme kriging yüzeyinden "pürüzlüdür": külçe ve gerçek değişkenlik korunur. |
Ardışık yöntem (sgs; verilen variogram, nmax = 30, 1000 gerçekleşme): benzetim ortalaması 5{,}948172, kriging 5{,}949772; benzetim varyansı 0{,}411621, kriging 0{,}405759; en büyük |z|=6{,}76 (yerel komşuluk yaklaşıklığı; bulgular B2).
Rapor cümlesi (örnek ayar): "Meuse taşkın ovasındaki 155 çinko ölçümünün doğal logaritması için küresel model (külçe 0{,}051; kısmi eşik 0{,}591; menzil 897 m; ağırlıklı en küçük kareler) uydurulmuş, 10\times10 ızgarada veriye koşullu 200 Gauss gerçekleşmesi LU ayrışımıyla üretilmiştir (gstat 2.1-6). Gerçekleşmelerin düğüm ortalaması basit kriging kestirimiyle 5{,}949 ve 5{,}949, varyansları 0{,}406 ve 0{,}423 olarak uyuşmuştur."
188.8 Sık hatalar ve tuzaklar
- Koşulsuz benzetimde bilinmeyen ortalama. Her gerçekleşmede ortalama, verinin GLS ortalama dağılımından çekilir (örnek veride GLS ortalaması 6{,}0535, varyansı 0{,}0398); kriging sütunlarında ortalama ve varyans (toplam eşik +\,0{,}0398 =0{,}6811) bu değerlerdir ve benzetim varyansı ortalaması 0{,}6819 olur.
- Ardışık benzetimin yaklaşıklığı.
nmaxvemaxdistkomşuluğu kısıtlar; benzetim ortalaması basit kriging'e tam yakınsamaz (en büyük |z|=6{,}76; B2). Daha büyüknmaxyakınsamayı iyileştirir ama süre uzar. - Ölçek.
donusum = logise bütün tablolar ve şekiller logaritma ölçeğindedir; çinko (mg/kg) ölçeğine geri dönüştürme yapılmaz ve çıktı bunu söylemez (B3). - Atılan satırlar. Eksik koordinat/değer satırları sayılmadan atılır; yinelenen koordinatların sayısı "Veri:" satırında yazılır.
- Variogram uydurmasının yerel çözümü. Başlangıç değerleri ve ağırlık seçeneği (N_k/h_k^2 varsayılan) sonucu etkiler;
matseçildiğinde külçe 0{,}0951, eşik 0{,}5674, menzil 201{,}2 olur (kappa = 1,5;exp'te külçe 0, eşik 0{,}7187, menzil 449{,}8). Modeller toplam eşiği ve menzili çok değiştirir; seçimi deneysel variogramı inceleyerek yapın. - Külçe sıfır ve LU. Veri kovaryansı tekil olabilir (çakışan noktalar ve sıfır külçe); şablon durur (219).
kulcesizçalıştırması 155 ayrık noktada çalışmıştır. - Izgara boyutu ve bellek. LU için (n+k^2)^2 matris gerekir; k=60 ve 2 gerçekleşmede 32 s sürdü; k ve gerçekleşme sayısını birlikte büyütmeyin.
- Koordinat birimi. Metre gibi projeksiyonlu birim varsayılır; derece koordinatlarda menzil anlamsızlaşır (B5).
- Izgara sınır kutusudur. Veri dışı bölgeleri de benzetir ve maskelemez (B5).
- Bilinmeyen ortalama ve LU. Birlikte seçilemez; ardışık yöntemi seçin.
- Şekil hataları sessizdir. Şekil çizimi
tryCatchiçindedir; bir hata olursa şekil yazılmaz ve uyarı verilmez.
188.9 Uzman soruları
S1. Koşullu benzetimin ortalaması neden kriging'e yakınsar?
Koşullu gerçekleşme \mathbf S=\widehat{\mathbf z}_{SK}+(\mathbf U_g-\boldsymbol\Lambda^{\top}\mathbf U_d)'dir ve ikinci terimin beklenen değeri sıfırdır; dolayısıyla \mathrm E[\mathbf S]=\widehat{\mathbf z}_{SK} ve \mathrm{Var}(\mathbf S)=\sigma^2_{SK} (Journel ve Huijbregts, 1978). Örnek veride 20 000 gerçekleşmede düğüm varyans ortalaması 0{,}4063 ve kriging varyansı 0{,}4058'dir.
S2. LU ile ardışık benzetim ne zaman farklı sonuç verir?
LU tam benzetimdir ve tüm veriyi kullanır; ardışık yöntem her düğümde yalnız nmax en yakın veriyi (ve önceki benzetilmiş düğümleri) kullanır. Geniş menzilli, güçlü uzamsal bağımlılıkta komşuluk dışındaki veri kaybolur ve benzetim momentleri kriging'e yaklaşık yakınsar (en büyük |z| 2,5'e karşı 6,8). Büyük ızgarada LU'nun belleği sınırlayıcıdır; ardışık yöntem ölçeklenir.
S3. Külçe benzetimde ne yapar?
Külçe bileşeni her düğümde bağımsız bir gürültü ekler; gerçekleşmeler bu yüzden pürüzlü ve kriging yüzeyinden "daha değişken" görünür. Kriging varyansı külçeyi içerir (C(0)=c_0+c_1). kulcesiz çalıştırmasında külçe 0'dır ve kriging varyansı ortalaması 0{,}3430, külçeli 0{,}4058'dir.
S4. Başka bir tohum sonucu ne kadar değiştirir?
ornek ve ornek_s2 (200 gerçekleşme): benzetim ortalamalarının ortalaması 5{,}9491 ve 5{,}9588, varyansların ortalaması 0{,}4232 ve 0{,}4031; kriging değerleri aynıdır. Değişim Monte Carlo hatası düzeyindedir ve n_s ile 1/\sqrt{n_s} hızıyla azalır.
S5. Dönüşüm sonrası ölçekte yorum nasıl yapılır?
Gerçekleşmeler \ln ölçeğindedir. Çinko cinsinden bir niceliği (P(\text{çinko}>500) gibi) elde etmek için her gerçekleşmeye \exp uygulayıp niceliği hesaplamak gerekir; şablon bunu yapmaz. Düğüm ortalamasının \exp'u çinko ortalaması değildir: log-normal düzeltmesi gerekir.
S6. Bilinmeyen ortalama benzetimi nasıl değiştirir?
Sıradan kriging ortalama belirsizliğini kriging varyansına ekler ve ardışık yöntemde her gerçekleşmede GLS ortalaması çekilir. Koşullu durumda düğüm ortalamalarının ortalaması 6{,}030 (bilinende 5{,}950) ve kriging varyansı 0{,}421'e (0{,}406) çıkar. Koşulsuz ardışık benzetimde de her gerçekleşmenin ortalaması GLS dağılımından çekilir.
S7. Başka bir paket ya da tanım farkı sonucu değiştirir mi?
Evet. Menzil tanımı pakete göre değişir: gstat'ta üstel modelde a etkin menzilin 1/3'üdür; bazı paketler etkin menzili verir. Uydurma ağırlıkları ve kesme de sonucu değiştirir. Benzetim algoritması (LU, ardışık, turning bands, simulated annealing) ve rastgele sayı üreteci gerçekleşmeleri değiştirir; yalnız istatistiksel özellikleri (ortalama, varyans, variogram) aynı olmalıdır.
188.10 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
- Davis, M. W. (1987). Production of conditional simulations via the LU triangular decomposition of the covariance matrix. Mathematical Geology, 19(2), 91–98. https://doi.org/10.1007/BF00898189
- Journel, A. G., & Huijbregts, C. J. (1978). Mining geostatistics. Academic Press.
- 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
- 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
- Yazılım kaydı: gstat 2.1-6 (Pebesma, 2004), R 4.5.3 (şablon çalıştırmasının yazılım kaydından).