MerQuR+Başvuru Kitabı

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.

Z(\mathbf s)=m+Y(\mathbf s),\qquad \mathrm{Cov}\big(Y(\mathbf s),Y(\mathbf s+\mathbf h)\big)=C(h)=c_0\,\mathbf 1_{h=0}+c_1\,[1-\gamma_1(h)]
  • 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):

\min_{c_0,c_1,a}\ \sum_k w_k\Big(\hat\gamma(h_k)-\big[c_0\mathbf 1_{h_k>0}+c_1\gamma_1(h_k;a)\big]\Big)^2,\qquad w_k=\frac{N_k}{h_k^{2}}\ \ (\text{KODBLOK101X, varsayılan})
  • 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_yontemi ağırlığı seçer: 7 N_k/h_k^2, 1 N_k, 2 N_k/\hat\gamma(h_k)^2 (Cressie), 6 ağırlıksız.

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:

\widehat Z_{SK}(\mathbf s_0)=m+\mathbf c_0^{\top}\mathbf C_{dd}^{-1}(\mathbf z-m\mathbf 1),\qquad \sigma^2_{SK}(\mathbf s_0)=C(0)-\mathbf c_0^{\top}\mathbf C_{dd}^{-1}\mathbf c_0
  • 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 S_g=\widehat{\mathbf z}_{SK}+\big(\mathbf U_g-\boldsymbol\Lambda^{\top}\mathbf U_d\big),\qquad \boldsymbol\Lambda=\mathbf C_{dd}^{-1}\mathbf C_{dg},\ \ \widehat{\mathbf z}_{SK}=m+\boldsymbol\Lambda^{\top}(\mathbf z-m\mathbf 1)
  • (\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

z_j=\frac{\bar S_j-\widehat Z_{SK,j}}{\sigma_{SK,j}/\sqrt{n_s}}

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. nmax ve maxdist komşuluğu kısıtlar; benzetim ortalaması basit kriging'e tam yakınsamaz (en büyük |z|=6{,}76; B2). Daha büyük nmax yakınsamayı iyileştirir ama süre uzar.
  • Ölçek. donusum = log ise 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; mat seçildiğinde 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). kulcesiz çalıştırması 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 tryCatch içindedir; 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).