Доступно с лицензией Geostatistical Analyst.
Три метода кригинга — ординарный, простой и универсальный — используют модели измерений погрешностей. Погрешность измерения возникает, когда в одном и том же месте возможно провести несколько различных наблюдений. Например, вы можете взять пробу из земли или воздуха и разделить ее на несколько подвыборок для измерения. Возможно, вы захотите сделать это, если приборы, которыми измеряются образцы, имеют некоторые различия. В качестве другого примера вы можете отправить несколько проб почвы для анализа в разные лаборатории. Могут быть и другие случаи, когда изменение точности прибора будет задокументировано. В этом случае вы можете захотеть ввести в модель известное отклонение измерения.
Модель погрешности измерений
Модель погрешности измерений это
Z(s) = µ(s) + ε(s) + δ(s),где δ(s) - погрешность измерения, а µ(s) и ε(s) - среднее значение и случайное изменение. В этой модели эффект самородка складывается из дисперсии ε(s) (называемой микромасштабной вариацией) плюс дисперсии δ(s) (называемой ошибкой измерения). В Дополнительный модуль ArcGIS Geostatistical Analyst вы можете указать долю предполагаемого эффекта самородка в виде микромасштабной вариации и вариаций измерений, оценить в Geostatistical Analyst погрешность измерений, если у вас есть несколько измерений для каждого местоположения, или ввести значение вариации измерений. Когда погрешность измерения отсутствует, кригинг является точным методом интерполяции, что означает, что если вы прогнозируете в том месте, где были собраны данные, прогнозируемое значение совпадает с измеренным значением. Однако при наличии ошибок измерений требуется предсказать отфильтрованное значение, µ(s0) +ε(s0), которое не содержит элемента ошибки измерения. В местах сбора данных отфильтрованное значение отличается от измеренного значения.
В более ранних версиях ArcGIS отклонение измерений по умолчанию составляло 0 процентов, поэтому кригинг по умолчанию был точным методом интерполяции. В ArcGIS 10 и более поздних версиях вариация измерений по умолчанию установлена на 100 процентов, поэтому прогнозы по умолчанию для измеренных местоположений будут основаны на пространственной корреляции данных и измеренных значений в близлежащих местоположениях. Погрешность измерения может быть вызвана многими причинами, включая неопределенность в измерительном устройстве, местоположении и интеграции данных. На практике абсолютно точные данные встречаются крайне редко.
Эффект модели
Результатом выбора моделей погрешностей измерений является то, что конечная карта может быть более гладкой и иметь меньшие стандартные ошибки, чем точная версия кригинга. Это проиллюстрировано примером на изображениях ниже, на котором показаны точный кригинг и сглаженный кригинг, когда есть только два местоположения данных (в точках 1 и 2) со значениями -1 и 1 для модели без изменений в измерениях и для модели, где эффект самородка проявляется в изменении всех измерений.
