Vairāk

Parastā kriginga rezultātā rodas dīvaina telpiskā interpolācija

Parastā kriginga rezultātā rodas dīvaina telpiskā interpolācija


Es izmantoju parasto Krigingu, lai interpolētu telpisko datu kopu. Es strādāju pie dažādām kopām, kas attēlo dažādas mērīšanas dienas. Man ir labi rezultāti, ja neskaita viens konkrēts komplekts. Publicēs dažus piemērus:

Labas interpolācijas:

Dīvaina interpolācija:

Kas varētu izraisīt šo uzvedību? Kāpēc gandrīz visā kartē tas iet gaiši zilā krāsā, bez telpiski paplašinošiem kritumiem un augstumiem (kas ir diezgan kopīgi!)? Kādi parametri ir jālabo vai kāda varētu būt datu kopas kļūda?

Es redzu diezgan acīmredzamu modeli, jo vērtības mēdz būt augstas augšējā labajā stūrī, bet to neatspoguļo interpolējošā virsma.

Domas:

Manā kodā varētu būt kāda kļūda, taču, kā jau minēts, tas labi der visiem pārējiem komplektiem, izņemot šo. Esmu mēģinājis izmantot dažādas variogrammas, bet rezultāti joprojām ir muļķīgi. No otras puses, citi algoritmi (piemēram, apgrieztais attālums) nerada nekādas problēmas.

Cita informācija:

Es izmantoju R, bet, ja nepieciešams, varu pāriet uz ĢIS. R ļaudīm es tikai zvanu:

kriging <- autoKrige (vērtība ~ 1, finalDataset, new_data = DEM)

noautomiepakojums.

Datu paraugi

Es augšupielādēju darba lietu un problemātisko (cerams).


Īsumā, problēma ir neatbilstība starp datu uzvedību un dažiem (stingriem) pieņēmumiem, ko jūs netieši izdarāt.

Diagnoze

Spēcīgākais no tiem ir tas, ka dati ir viena otrās kārtas stacionāra procesa realizācija. Tie acīmredzami nav, kā jūs varat pateikt, salīdzinot reģionu tuvumā (450000, 5075000) augšējā "kaklā" (ko es saukšu par "reģionu X") ar citiem kartes reģioniem. Visos citos reģionos jebkura atbalsta atbalsta kaimiņiem parasti ir salīdzināmas vērtības. Tomēr reģionā X ir daudz savvaļas svārstību starp augstām un zemām vērtībām nelielos attālumos. (Tas liecina par spēcīgām izmaiņām otrās kārtas struktūrā.) Šīs svārstības īsā laika posmā uzpūs daļējās dispersijas aplēses, liekot automātiskajam variogrammas novērtētājam secināt, ka diapazons ir īss. Maz ticams, ka šis diapazons būs lielāks par tipisko attālumu starp augšējo un apakšējo galējo punktu. Tas ir aptuveni kartē redzamo krāsaino punktu rādiuss.

Viena parastā Kriginga īpašība ir tāda, ka tad, kad visi izlases punkti atrodas ārpus variogrammas diapazona, tā novērtējums būs apkārtnes vidējais. Acīmredzot esat izmantojis diezgan lielu apkārtni-iespējams, visu datu kopu. Tā rezultātā daudzas no kriged vērtībām ir vienādas ar datu kopas vidējo vērtību, kas parādīta ciāna krāsā. Krīģētās vērtības mainīsies tikai no tīkla šūnām datu punkta diapazonā.

Turklāt kaut kādā veidā automātiskā pielāgošana gandrīz neietvēra tīrradņa efektu. Tas, iespējams, bija saistīts ar pārējās datu kopas iemaksu sajaukšanu, kur telpiskās variācijas ir lokāli mazas un gludas. Jo īpaši ir cieši izvietotu punktu kopas (piemēram, gar kreiso vidējo robežu), kas īsā laikā novirzītu variogrammu uz leju līdz nullei. Ievērojamas tīrradņa efekta neesamība liek krīged virsmai iziet cauri datu punktiem.

Šie divi variogrammas raksturlielumi-neliels diapazons un mazs vai neeksistējošs tīrradnis-izraisa acned, vairāku vēršu acs modeļa parādīšanos, jo kritizētajām vērtībām vienmērīgi jāmainās no ciāna fona uz katru datu vērtību ļoti īsos attālumos. katrs datu atbalsts.


Ieteikumi

Ja mainītu variogrammas parametrus, jūs galu galā izlīdzinātu X reģiona atšķirības. Tas slēptu interesantas un, iespējams, nozīmīgas datu uzvedības izmaiņas reģionā X.

Sarežģītāka pieeja var apvienot dažus no šiem elementiem:

  • Rūpīga, uzraudzīta variogrāfija, ieskaitot variogrammas savstarpēju validāciju un virziena un jauktu variogrammu izmantošanu.

  • Pētījuma zonas sadalīšana priekšroka identificējami stacionāras uzvedības reģioni.

  • Krigings kopā ar citiem mainīgajiem.

  • Universāls krigings, lai iekļautu paskaidrojošus kovariātus.

  • Sākotnējā izpētes datu analīze, lai pārbaudītu visu datu pamatotību, īpaši X reģionā.

  • Sarežģītāku telpiskās kovariācijas modeļu pieņemšana.

Tā kā pieejamā informācija ir ierobežota, būtu bezatbildīgi ieteikt kādu konkrētu rīcību, jo tas būtu atkarīgs no tā, kāpēc jūs krigojat, ko attēlo dati un kā jūs plānojat interpretēt kartes.


Jūs teicāt, ka izmantojāt “R”, bet R nav ģeostatiska programma, tā vairāk atgādina programmēšanas valodu. Tomēr R ir ģeostatiski "iepakojumi", piem. gstat. Kuru iepakojumu jūs izmantojāt?

Sānu piezīmes 1. Izlīdzinošo splinu var atkārtot, izmantojot kodrigingu, parastais krigings un universālais krigings ir līdzvērtīgi radiālās bāzes funkcijas interpolācijai, un interpolācija ar splinu ir īpašs RBF gadījums

  1. Meklēšanas kaimiņos jums nav vajadzīgas vai vēlaties vairāk par 15-20 datu atrašanās vietām, tas var pasliktināt rezultātus un/vai novest pie slikti kondicionētām kriginga matricām.

  2. Ja variogramma mainās dažādos reģionos, jūs pārkāpjat pamatpieņēmumu par krigingu, t.i., raksturīgo stacionaritāti. Jums var būt nepieciešams sadalīt reģionu apakšreģionos un veikt analīzi atsevišķi katram apakšreģionam.

  3. Visticamāk, jums ir jāveic vairāk izpētes statistiskā analīze gan pirms variogrammas modelēšanas un kriginga, gan pēc tam. Paļauties uz automātisku variogrammas uzstādīšanas kārtību nav laba ideja, ja jums nav labāka izpratne par jūsu datiem.


Spatiotemporālais BME raksturojums un jūras virsmas hlorofila kartēšana Česapīkas līcī (ASV), izmantojot Palīgjūras virsmas temperatūras datus

SST ieviešana var palīdzēt uzlabot BME tālvadības SSCC precizitāti un pārklājumu.

Modelēšana vietējā mērogā ir nepieciešama, lai attēlotu SSCC-SST attiecības.

SSCC samazināšanās tendence tika konstatēta no Česapīkas līča (CPB) augšējā uz ārējo līci.

SSI ir noderīgi, lai izpētītu SSCC telpiskās un laika īpašības.


Globālo jonosfēras karšu reāllaika interpolācija, izmantojot retu attēlojumu

Šajā rakstā mēs piedāvājam metodi vertikālā kopējā elektronu satura (VTEC) reālā laika globālās jonosfēras kartes (RT-GIM) ģenerēšanai no GNSS mērījumiem. Interpolācijas nepieciešamība izriet no tā, ka jonosfēras caurdurtpunkta (IPP) mērījumi no satelītiem uz stacijām nav vienmērīgi sadalīti pa jonosfēru, atstājot neaizpildītas spraugas okeānos vai polos. Mūsu piedāvātā metode ir balstīta uz augstas kvalitātes vēsturiskas datubāzes izmantošanu pēcapstrādātiem GIM, kas ietver vairāk nekā divus saules ciklus, aprēķina GIM pēc svērtas superpozīcijas datu bāzes apakškopā ar saderīgu saules stāvokli. Lineārā GIM kombinācija datu bāzē tika iegūta, samazinot ( ell _2 ) attālumu starp VTEC mērījumiem IPP un VTEC no datu bāzes, pievienojot ( ell _1 ) sodu par svariem, lai nodrošinātu rets risinājums. Šajā procesā tiek izmantots Saules fiksēts ģeomagnētiskais atskaites rāmis. Šī metode izmanto atomu sadalīšanās/vismazākās absolūtās saraušanās un atlases operatoru (LASSO), kas tiks apzīmēts kā GIM atomu sadalīšanās interpolators (ADIGIM). Tā kā aprēķins tiek veikts milisekundēs, interpolācija tiek veikta reālā laikā. Šajā darbā tika izstrādāti divi produkti, kas apzīmēti kā UADG un UARG, UADG reāllaikā un UARG ar 24 stundu latentumu, lai gūtu labumu no lielāka staciju skaita pieejamības. Kā atsauce tika izmantoti altimetra JASON3 VTEC mērījumi. Interpolēto RT-GIM kvalitāti no 2019. Ķīnas Zinātņu akadēmija (CAS), Katalonijas Politehniskā universitāte (UPC) un citi. RT ADIGIM veiktspēja izrādījās labāka, gandrīz tikpat laba kā ātrie vai pēdējie GIM, kas aprēķināti retrospektīvi, ar stundu vai dienu aizkavēšanos. Turklāt ne-RT ADIGIM kvalitāte ir tikpat laba vai labāka nekā vairumam GIM produktu. Okeāna reģioni ir iekļauti novērtējumā, kas parādīja, ka ADIGIM interpolācija dod vislabāko novērtējumu (minēts JASON3). Izstrādātā metode UADG veidos nākamās paaudzes UPC RT-GIM, kā arī UARG uzlabos pašreizējā produkta UQRG (pašreizējais UPC ātrās GIM produkts, kas aprēķināts retrospektīvi), pateicoties tās papildinošajai informācijai.

Šis ir abonementa satura priekšskatījums, kuram var piekļūt, izmantojot jūsu iestādi.


Lapu mitruma ilguma laika un telpiskās mainības modelēšana Brazīlijā

Lapu mitruma ilgums (LWD) ir atzīts par ļoti svarīgu labības un meža slimību nosacījumu, taču nepārprotami pastāv literatūrā ievērojama atšķirība par laika modeļiem LWD prognozēšanai plašos reģionos no standarta meteoroloģiskajiem datiem. Šī pētījuma mērķis bija izstrādāt ikmēneša LWD modeļus, pamatojoties uz attiecību starp relatīvā mitruma stundām (RH) ≥ 90 % un vidējo RH Brazīlijai un pamatojoties uz šiem modeļiem, lai raksturotu LWD laika un telpisko mainīgumu visā valstī. Divas dažādas relatīvā mitruma datu bāzes, kas ir viena stundā (RHh) un vēl reizi mēnesī (RHm), tika izmantoti. Lai izstrādātu LWD modeļus, tika atlasītas 58 automātiskas meteostacijas visā valstī. Tika sagatavotas mēneša LWD kartes visai valstij, un tam - RHm no 358 parastajām laika stacijām tika interpolētas, izmantojot ģeostatistikas metodes. RHm un LWD parādīja sigmoidālu saistību ar noteikšanas koeficientu virs 0,84 un bija ļoti nozīmīgi (lpp & lt 0,0001). Saistībā ar LWD ikmēneša modeļu validāciju tika sasniegts ļoti labs sniegums visiem mēnešiem ar ļoti augstu precizitāti ar r no 0,92 līdz 0,96. Attiecībā uz kļūdām vidējā kļūda parādīja nelielu pārvērtēšanas tendenci februārī (0,29 stundas dienā –1), maijā (0,31 stunda –1), jūlijā (0,14 stundas dienā –1) un augustā (0,34 stundas dienā –1), tā kā pārējos mēnešos tendence bija nepietiekami novērtēta, piemēram, janvāris (–0,27 h diena –1) un marts (–0,25 h diena –1). Pat kā pirmā pieeja, šeit sniegtie rezultāti ir liels progress Brazīlijas LWD klimatoloģijā un ļaus izstrādāt pētījumus, kas saistīti ar kultūraugu un meža slimību kontroles plāniem.

Šis ir abonementa satura priekšskatījums, kuram var piekļūt, izmantojot jūsu iestādi.


Ģeostatistiskas simulācijas metodes izstrāde, lai informētu par jaunu monitoru daudzumu un izvietojumu gaisa paraugu ņemšanas papildu kampaņai

Izlases kampaņas plānošana ir būtisks gaisa piesārņojuma iedarbības pētījumu aspekts. Gan monitora numuru, gan atrašanās vietu izvēle ir svarīga, lai maksimāli palielinātu izmērīto informāciju, vienlaikus samazinot neobjektivitāti un izmaksas. Mēs izstrādājām uz ģeostatistiku balstītu divpakāpju metodi, izmantojot izmēģinājuma NO2 paraugi no Lanžou, Ķīna, lai uzlabotu lēmumu pieņemšanu paraugu izstrādē, ieskaitot monitoru skaitu un telpisko modeli. Vispirms mēs novērtējam, kā papildu monitori maina prognozēšanas precizitāti, samazinot kriginga dispersiju. Tas tika novērtēts Montekarlo veidā, mūsu esošajām vietnēm pievienojot līdz 50 jauniem monitoriem ar noteiktām koncentrācijām, pamatojoties uz nosacīti simulētu NO2 virsmas. Pēc vairāku papildu paraugu vietu noteikšanas otrajā posmā tiek novērtēts to potenciālais izvietojums, izmantojot līdzīgu Montekarlo shēmu. Novērtējumi ir balstīti uz prognozēšanas precizitāti un precizitāti. Analīzē tiek ņemtas vērā arī izmaksas. Tika noteikts, ka esošajai Lanzhou NO pievienojot 28 atrašanās vietas2 izlases kampaņa aptvēra 73,5% no kopējā kritiskās dispersijas uzlabojuma, un tā rezultātā tika prognozētas vidēji 10,9 μg/m 3 robežās no izmērītajām vērtībām, vienlaikus izmantojot 56% no potenciālā budžeta. Papildu monitoru vietnes nelineāri uzlaboja kriginga dispersiju. Šī metodes izstrāde ļauj veikt informētu paraugu ņemšanu, kvantitatīvi prognozējot uzlabojumus (precizitāti un precizitāti) pret monitora izvietošanas izmaksām.


2.4 Sniega blīvuma informācijas izmantošana un validācija

Atvasinātā sniega blīvuma informācija tiek izmantota sākotnējās GSv3.0 SWE izguves pēcapstrādei. SWE izguves pēcapstrāde nozīmē, ka iegūtās SWE vērtības tiek mērogotas ar dinamiskā un nemainīgā sniega blīvuma attiecību:

kur ρnemainīgs ir 240 kg m −3. Mērogošana tiek veikta katram pikselam apgabalā, kuram ir pieejami dinamiskie blīvumi. Reģioniem, kas atrodas ārpus dinamiskā sniega blīvuma informācijas, tiek saglabāts nemainīgā blīvuma apsvērums.

Iegūtie sniega blīvumi un pēcapstrādātās SWE datu kopas tika validētas, izmantojot neatkarīgus validācijas datus. Lai nodrošinātu neatkarīgu savstarpēju validāciju, validācijas vietas tika atdalītas no datiem, kas izmantoti sniega blīvuma lauku ģenerēšanai. Saknes vidējā kvadrāta kļūda (RMSE), neobjektivitāte, korelācijas koeficienti un vidējā absolūtā kļūda (MAE) ir četri statistiskie rādītāji, ko izmanto, lai novērtētu veiktspēju.


INTEREŠU KONFLIKTS

Jianchao Liang: Konceptualizācija (vienāds) datu pārraudzība (vadošais) formālā analīze (vadošais) izmeklēšana (vadošais) metodoloģija (vadošais) resursi (vadošais) programmatūra (svina) validācija (vienāda) vizualizācija (svina) rakstīšana-oriģināls uzmetums (vadošais). Huijian Hu: Konceptualizācija (vienāds) finansējuma iegūšana (vadošā) uzraudzība (vienāds). Zhifeng Ding: Formāla analīze (atbalsta) finansējuma iegūšanas (atbalsta) programmatūra (atbalsta) apstiprināšana (atbalstoša) rakstīšana-oriģināls projekts (atbalsta). Ganvena meli: Formāla analīze (atbalstoša) izmeklēšana (atbalstoša) vizualizācija (atbalstīšana). Žiksins Džou: Formāla analīze (atbalsta) finansējuma iegūšanas (atbalsta) programmatūra (atbalsta). Paras Bikram Singh: Rakstīšana - oriģināls melnraksts (atbalstošs). Zhixiang Zhang: Konceptualizācija (vienāds) finansējuma iegūšanas (atbalsta) uzraudzība (vienāds). Shengnan Ji: Konceptualizācija (atbalsta) finansējuma iegūšana (vadošā) uzraudzība (atbalstīšana).


Skatīties video: leņķa bisektrise