Mit der Geostatistical Analyst-Lizenz verfügbar.
Bevor Sie das Werkzeug "Moving Window Kriging" ausführen, muss ein geostatistischer Layer mithilfe einer anderen Kriging-Methode als dem CoKriging und dem Empirical Bayesian Kriging erstellt werden.
Die Kriging-Parameter können angepasst werden, oder Sie lassen die anfänglichen Standardwerte, die automatisch durch die Kriging-Methode festgelegt werden, unverändert bestehen. Das Werkzeug "Moving Window Kriging" wird verwendet, um den Bereich, das Nugget und die Partial Sill-Semivariogramm-Parameter basierend auf einer kleineren Nachbarschaft neu zu berechnen.
Wenn die Daten nicht stationär sind, können Sie ein heterogenes Semivariogramm schätzen. Mit anderen Worten können Sie ein bewegliches Fenster verwenden, dessen Mittelpunkt auf der vorherzusagenden Position liegt, und für jede lokale Nachbarschaft ein Semivariogramm erstellen.
Die Vorhersage kann an jedem Punkt in dem Untersuchungsgebiet sequenziell zugeordnet werden, während sich das Fenster durch das Untersuchungsgebiet bewegt (Abbildung 1). In diesem Beispiel sind die Daten in Drehung isotrop oder unveränderlich. Um alle Positionen in dem Untersuchungsgebiet vollständig zuzuordnen, werden für jede vorherzusagende Position Semivariogramme berechnet. Es wird vorausgesetzt, dass die Daten innerhalb jeder Nachbarschaft lokal stationär sind, sodass die Annahmen des Kriging-Algorithmus nicht verletzt werden.
Während sich das Fenster durch das Untersuchungsgebiet bewegt, werden mithilfe benachbarter Punkte neue Semivariogramme berechnet. An Position s1 werden die blauen und grünen Punkte räumlich korreliert oder innerhalb der Bereichsentfernung, wie durch den Radius des Kreises angegeben, auf dem betreffenden Punkt zentriert. An Position s2 werden die grünen und roten Punkte räumlich korreliert, und an Position sn werden die gelben Punkte räumlich korreliert. Dank dieser Methode können Sie sehen, wie sich die räumliche Struktur der Daten im gesamten Untersuchungsgebiet ändert. Wenn sich das Semivariogramm in verschiedenen Fenstern nicht sehr verändert, ist das ein Hinweis darauf, dass die Daten nahezu stationär sind, sodass es angemessen ist, stationäre Kriging-Modelle zu verwenden. Wenn sich das Semivariogramm jedoch von einem beweglichen Fenster zum nächsten signifikant verändert, bedeutet das, dass die Daten nicht stationär sind, sodass es nicht angemessen ist, stationäre Kriging-Modelle zu verwenden.
