Ordinary kriging 普通克里金法

阅读量:

简单克里金和普通克里金的区别仅在于,区域属性期望 c 是否已知,因此仅对普通克里金进行介绍,不对简单克里金进行重复阐述。

前提假设

普通克里金插值的假设条件为,空间属性 z 是均一的。对于空间任意一点 (x,y),都有同样的期望 c 与方差 σ2

即对任意点 (x,y) 都有 \(E[z(x,y)]=E[z]=c\)

Var[z(x,y)]=σ2

换一种说法:任意一点处的值 z(x,y),都由区域平均值 c 和该点的随机偏差 R(x,y) 组成,即 \(z(x,y)=E[z(x,y)]+R(x,y)]=c+R(x,y)\)

其中 R(x,y) 表示点 (x,y) 处的偏差,其方差均为常数 \(Var[R(x,y)]=\sigma^2\)

公式定义

普通克里金法采用加权方法估计空间点属性值,根据 n 个空间位置(n 个采样点)[(x1,y1),(x2,y2),,(xn,yn)] 的属性观测值 [z1,z2,,zn] 估计空间点 (x0,y0) 处的属性 z0 的估计值 z^0 为:\(\hat{z}_0=\sum^n_{i=1}\lambda_iz_i\)

其中 z^0 是点 (x0,y0) 处的估计值,即 z0=(x0,y0)λi 为空间点 (xi,yi) 的权重系数,其向量为 λλ=[λ1,λ2,,λn]

估计值 z^0 为真实值 z0 的最佳线性无偏估计(Best Linear Unbiased Estimation, BLUE),即 z^0z0 [[ Unbiased estimate 无偏估计 |无偏估计 ]] 且两者差值的方差最小:\(E(\hat{z}_0-z_0)=0\)

minλJ=Var(z^0z0)=minλVar(i=1nλiziz0)

无偏约束条件

#待整理笔记

反向链接

到头儿啦~

局部关系图


评论
  • 按正序
  • 按倒序
  • 按热度
Powered by Waline v2.15.8