Доступно с лицензией Geostatistical Analyst.
Следующие термины и концепции многократно встречаются в геостатистике и в модуле Geostatistical Analyst.
| Термин | Описание |
|---|---|
Перекрестная проверка | Метод для оценки точности интерполяционной модели. В Geostatistical Analyst перекрестная проверка пропускает одну точку и использует остальные точки для интерполяции значения в этом положении. Потом эта точка возвращается в набор данных, а другие удаляются. Это делается для всех опорных точек в наборе данных, и в результате предоставляется пара ожидаемых и известных значений, которые могут использоваться для оценки качества модели. Результаты, как правило, выводятся со средними и среднеквадратическими ошибками. |
Детерминированные методы | В Geostatistical Analyst детерминированные методы – это методы, которые создают поверхности по измеренным точкам на основании степени общности (например, метод обратных взвешенных расстояний) или степени сглаживания поверхности (например, радиальные базиснаые функции). Они на дают предоставляют меру неопределенности (ошибок) интерполяции. |
Геостатистический слой | Результаты работы множества инструментов геообработки в наборе инструментов Geostatistical Analyst хранятся в виде поверхности, которая называется геостатистическим слоем. Геостатистические слои используются для создания карт результатов, просмотра и исправления значений параметров метода интерполяции, создания других типов геостатистических слоев (например, карт ошибок интерполяции ) и экспорта результатов в растровый или векторный (изолинии, контура с заливкой и точки) формат. |
Геостатистические методы | В Geostatistical Analyst геостатистические методы – это методы, основанные на статистических моделях, которые включают автокорреляцию (статистические отношения между измеренными точками). Такие методы имеют возможность создавать поверхности интерполяции, а также измерять неопределенность (ошибки), связанную с интерполяцией. |
Интерполяция | Процесс, которые использует измеренные значения в известных опорных точках для прогнозирования (оценки) значения для тех точек, где измерения не проводились. Geostatistical Analyst предоставляет несколько методов интерполяции, которые различаются базовыми допущениями, требованиями к данным и возможностью создавать различные типы выходных данных (например, карты проинтерполированных значений, а также карты ошибок (неопределенности), связанных с интерполяцией). |
Ядро | Весовая функция, используемая несколькими методами интерполяции в Geostatistical Analyst. Обычно, более высокие веса присваиваются значениям опорных точек, находящихся вблизи интерполируемого местоположения, а меньшие веса - значениям опорных точек, расположенных на большем расстоянии. |
Кригинг | Набор методов интерполяции, полагающихся при выполнении интерполяции на модели вариограммы пространственной автокорреляции, учитывающие ошибки, связанные с интерполяцией и другую информацию, касающуюся распределение возможных значений для каждого местоположения в изучаемой области (посредством карт квантилей и карт вероятностей или с помощью геостатистического моделирования, предоставляющего набор возможных значений для каждого местоположения). |
Окрестность поиска | Большинство методов интерполяции использует локальный набор данных для выполнения интерполяции. Представьте скользящее окно: для выполнения интерполяции в центре окна используются только данные в окне. Это делается потому, что имеется избыточная информация в опорных точках, удаленных от положения, где необходимо выполнить интерполяцию и уменьшить расчетное время, требуемое для создания проинтерполированных значений для всей исследуемой области. Выбор окрестности (количество ближайших опорных точек и их пространственная конфигурация в окне) повлияет на интерполируемую поверхность, поэтому выбор нужно осуществлять осторожно. |
Вариограмма | Функция, описывающая различия (дисперсию) между опорными точками, отстоящими на различное расстояние. Обычно, вариограмма показывает низкую дисперсию для малых различий и большую дисперсию для большего расстояния разделения, указывая на то, что данные пространственно автокоррелированы. Вариограммы, оцененные по опорным данным, являются эмпирическими вариограммами. Они представляются как набор точек на графике. Функция подобрана к этим точкам и называется моделью вариограммы. Модель вариограммы является главным компонентов в кригинге (полнофункциональный метод интерполяции, позволяющий вычислять прогнозируемые значения, ошибки, связанные с интерполяцией и предоставлять информацию о распределении возможных значений для каждого положения в исследуемой области). |
Имитация | В геостатистике имитацией называется метод, который расширяет возможности кригинга посредством создания множества возможных версий интерполируемой поверхности (кригинг же создает только одну поверхность). Набор интерполируемых поверхностей предоставляет возможность использовать сведения, которые могут применяться для описания неопределенности интерполируемого значения для конкретного положения, неопределенности для набора интерполируемых значений в области интереса или набора интерполируемых значений, которые могут использоваться в качестве входных данных для второй модели (физические, экономические и т.п.) для оценки рисков и принятия более обоснованных решений. |
Пространственная автокорреляция | Природное явление зачастую представляет собой пространственную автокорреляцию: значения близких друг к другу опорных точек более схожи, чем значения точек, находящихся далеко друг от друга. Некоторым методам интерполяции необходима явная модель пространственной автокорреляции (например, кригинг), другие основаны на предполагаемой степени пространственной автокорреляции без предоставления средств измерения (например, метод обратных взвешенных расстояний), а другим не требуется никаких представлений о пространственной автокорреляции в наборе данных. Обратите внимание, что при наличии пространственной автокорреляции, традиционные статистические методы, основанные на автономности наблюдений, могут быть неблагонадежными. |
Преобразование | Преобразование данных выполняется с применением функции (логарифмической, Box-Cox, арксинуса, нормальных меток) к данным для изменения формы их распределения и/или стабилизации дисперсии (уменьшение отношений между средним и дисперсией, например, так чтобы изменчивость данных увеличивалась по мере увеличения среднего значения). |
Проверка | Проверка подобна перекрестной проверке, но вместо использования того же набора данных для построения и оценки модели, используется два набора данных: один для построения модели, другой – для независимого тестирования ее качества. Если доступен только один набор данных, то инструмент Поднабор пространственных объектов может использоваться для произвольного разбиения поднаборов на обучающий и тестовый. |