Mit der Geostatistical Analyst-Lizenz verfügbar.
Um ein empirisches Semivariogramm zu erstellen, bestimmen Sie die quadrierte Differenz zwischen den Werten für alle Positionspaare. Wenn diese mit der Hälfte der quadrierten Differenz auf der Y-Achse und der Entfernung zwischen den Positionen auf der X-Achse geplottet werden, spricht man von einer Semivariogrammwolke. Die folgende Szene veranschaulicht die Paarbildungen zwischen einer Position (dem roten Punkt) und 11 anderen Positionen.
Eines der Hauptziele der Variografie besteht darin, die räumliche Abhängigkeit, die auch als räumliche Autokorrelation bezeichnet wird, zu erkunden und zu quantifizieren. Die räumliche Autokorrelation quantifiziert die Annahme, dass sich näher beieinander liegende Dinge ähnlicher sind als weiter voneinander entfernt liegende Dinge. Aus diesem Grund weisen Positionspaare, die sich näher sind (ganz links auf der X-Achse der Semivariogrammwolke), ähnlichere Werte auf (unten auf der Y-Achse der Semivariogrammwolke). Je weiter Positionspaare auseinander liegen (weiter rechts auf der X-Achse der Semivariogrammwolke), desto unähnlicher werden sie und weisen eine höhere quadrierte Differenz auf (weiter oben auf der Y-Achse der Semivariogrammwolke). Die folgende Abbildung zeigt eine typische Semivariogrammwolke zusammen mit der blauen Linie, die am besten zu den Punkten passt. Diese blaue Linie wird als Semivariogramm bezeichnet.
Im Hinblick auf die Rechenleistung (Berechnungszeit und Speicherbeschränkungen) wählt Geostatistical Analyst nach dem Zufallsprinzip 5.000 Beobachtungen für die strukturelle Analyse und die Anpassung des Semivariogramm-Modells aus (dadurch ergeben sich rund 12,5 Millionen Punktpaare), wenn das Eingabe-Dataset mehr als 5.000 Beobachtungen aufweist. Die zufällige Stichprobe hat in der Regel keine Auswirkungen auf das resultierende Modell (die Oberfläche), da alle Daten für die Generierung der vorhergesagten Werte verwendet werden. Wenn das Dataset jedoch einige sehr große Werte enthält, können diese in der Teilmenge, die zum Generieren der empirischen Semivariogramm-/Kovarianzwerte verwendet wird, enthalten sein oder nicht. Folglich kann das geschätzte Semivariogramm-Modell von einem Semivariogramm-Modell abweichen, das unter Verwendung des gesamten Datasets geschätzt wurde.