Upload
rodney
View
66
Download
0
Embed Size (px)
DESCRIPTION
GEOSTATYSTYKA I ANALIZA PRZESTRZENNA Wykład dla III roku Geografii specjalność - geoinformacja. Alfred Stach Instytut Geoekologii i Geoinformacji Wydział Nauk Geograficznych i Geologicznych UAM. Kriging składowych ( F actorial K riging = FK ). Problem. - PowerPoint PPT Presentation
Citation preview
GEOSTATYSTYKAI ANALIZA
PRZESTRZENNAWykład dla III roku Geografii
specjalność - geoinformacja
Alfred StachInstytut Geoekologii i Geoinformacji
Wydział Nauk Geograficznych i Geologicznych UAM
Kriging składowych
(Factorial Kriging = FK)
• Obserwowana zmienność przestrzenna większości parametrów charakteryzujących ciągłe cechy środowiska przyrodniczego i społeczno-ekonomicznego jest często efektem działania kilku różnych procesów (czynników genetycznych)
• Czy istnieje możliwość ich identyfikacji i niezależnego od siebie oszacowania?
• Dawałoby to szansę na lepszą, genetyczną, interpretację zjawisk, a także miałoby w wielu przypadkach ważne praktyczne zastosowania
Problem
• Zawartość w glebach składnika „X” jest związana:– z tłem geochemicznym (budową geologiczną) -
udziałem „X” w skałach podłoża i ich produktach wietrzenia,
– ze strukturą użytków i typem agrotechniki – ponieważ składnik „X” występuje w nawozach i środkach ochrony roślin,
– z cyrkulacją atmosferyczną i rzeźbą terenu – składnik „X” występuje w atmosferycznych zanieczyszczeniach przemysłowych
– z siecią drogową – „X” jest także w spalinach• Najczęściej jednak dopiero szukamy
wyjaśnienia zmienności przestrzennej „Y”
Przykład
Analogia – filtrowanie zapisu dźwiękowego
Składowe przestrzenne:
dekompozycja seriipomiarowej
trend cykle
szum
autokorelacja
Składowa deterministyczna
Składowa losowa
• Dekompozycja zależy od skali analizy.
• Zmienność „regularna” w jednej skali jest „szumem” w innej
Stanowisko na terasie Odry w okolicach Głogowa
7 8 7 9 8 0 8 1 8 2 8 3 8 4 8 5 8 6
0 m 5 0 m 1 0 0 m 1 5 0 m H i p s o m e t r i a t e r e n u
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
0 m 50 m 100 m 150 m Spadki
Stanowisko na terasie Odry w okolicach Głogowa
3 8 % 4 2 % 4 6 % 5 0 % 5 4 % 5 8 %
0 m 4 0 m 8 0 m 1 2 0 m
- 1 6 % - 1 2 % - 8 % - 4 % 0 % 4 % 8 % 1 2 % 1 6 % 2 0 % 2 4 %
0 m 4 0 m 8 0 m 1 2 0 m
3 0 % 3 5 % 4 0 % 4 5 % 5 0 % 5 5 % 6 0 % 6 5 % 7 0 %
0 m 4 0 m 8 0 m 1 2 0 m
f r a k c j a p i a s k up o w i e r z c h n i aT R E N D
f r a k c j a p i a s k up o w i e r z c h n i aR E S Z T Y
f r a k c j a p i a s k up o w i e r z c h n i aS U M A
3 2 % 3 6 % 4 0 % 4 4 % 4 8 % 5 2 % 5 6 %
0 m 4 0 m 8 0 m 1 2 0 m
- 2 5 % - 2 0 % - 1 5 % - 1 0 % - 5 % 0 % 5 % 1 0 % 1 5 %
0 m 4 0 m 8 0 m 1 2 0 m
2 5 % 3 0 % 3 5 % 4 0 % 4 5 % 5 0 % 5 5 % 6 0 % 6 5 % 7 0 %
0 m 4 0 m 8 0 m 1 2 0 m
f r a k c j a p y ł up o w i e r z c h n i aT R E N D
f r a k c j a p y ł up o w i e r z c h n i aR E S Z T Y
f r a k c j a p y ł up o w i e r z c h n i aS U M A
• Złożony (zagnieżdżony) model semiwariogramu składa się z więcej niż jednej elementarnej funkcji matematycznej tzw. struktury
• Każda struktura może odzwierciedlać osobny proces
• Pojedyncze struktury wiariogramu (funkcje) są addatywne (sumują się)
• Są one nieskorelowane ze sobą – są niezależnymi funkcjami ortogonalnymi
Semiwariogram zagnieżdżony:tzw. „liniowy model regionalizacji”
• Założenie, że semiwariogram Z(x) jest zagnieżdżoną kombinacją S indywidualnych semiwariogramów:
Semiwariogram zagnieżdżony:tzw. „liniowy model regionalizacji”
1 2( ) ( ) ( ) ( )s h h h h
1
( ) ( ),S
k k
k
b g
h h
Przy założeniu, że procesy są ze sobą nieskorelowane, liniowy model regionalizacji S elementarnych semiwariogramów, ma postać:
a każdy proces ma swój własny semiwariogram
bk g k(h)
Idea: Georges Matheron, rok 1982
Analiza krigingowa zmiennych
zregionalizowanych
Każdy składnik zmienności jest traktowany po kolei jako sygnał
Szum na jednym poziomie zmienności jest uznawany jako informacja (sygnał) na innym poziomie
Opiera się na koncepcji, że Z(x) może zostać zdekomponowany na dwa lub więcej niezależnych „procesów”
Dla cechy z trzema składowymi włączając w to nugget relacja ma następującą formę:
Analiza krigingowa =Kriging składowych (factorial kriging)
1 2 3( ) ( ) ( ) ( ) .Z Z Z Z x x x x
Kriging składowych – factorial kriging
Dekompozycja modelu
Strukturalny współczynnik korelacji
Właściwości gleb na profiluleśnym i pastwiskowym
Semiwariogramy empiryczne i modele pH gleby
Stok pastwiskowy - semiwariogramy
Strukturalny współczynnik korelacji
Kriging składo-wych
Dane ze strefy czołowomorenowej lodowca Horbye: zmienne b3n_02
0 200 400 600 800 1000 1200
W - E (m)
0
200
400
600
800
1000
S -
N (
m)
134 to 168 168 to 179 179 to 185 185 to 191 191 to 198 198 to 284.1
35
281
513833
9521132
134814171508
164616721690
16211720
1711169716351590
0 100 200 300 400 500 600 700 800
Distance (m)
0
100
200
300
Variogram : b3n_02
Variogram Model - Fitting Window
IsatisDane/Punkty- Variable #1 : b3n_02Experimental Variogram : in 1 direction(s)D1 : Angular tolerance = 90.00 Lag = 45.00m, Count = 18 lags, Tolerance = 50.00%Model : 3 basic structure(s)S1 - Nugget effect, Sill = 115.8S2 - Spherical - Range = 110.00m, Sill = 124.6S3 - Spherical - Range = 570.00m, Sill = 73.74
admin
May 13 2008 11:23:08
Horbye_proba
Dane ze strefy czołowomorenowej lodowca Horbye: zmienna b3n_02
Oryginalny obraz satelitarny Estymacja OK
0 200 400 600 800 1000 1200
W - E (m)
0
200
400
600
800
1000
S -
N (
m)
0 200 400 600 800 1000 1200
W - E (m)
0
200
400
600
800
1000
N - S
(m)
140 160 180 200 220 240 260 280
0 200 400 600 800 1000 1200
X (m)
0
100
200
300
400
500
600
700
800
900
1000
Y (m)
N/A
20
15
10
5
0
-5
-10
-15
-20
Dane ze strefy czołowomorenowej lodowca Horbye (zmienna b3n_02): wynik obliczeń FK
Estymacja OK Trend (średnia lokalna)
NuggetSkładowa 1 i Składowa 2
0 200 400 600 800 1000 1200
X (m)
0
100
200
300
400
500
600
700
800
900
1000
Y (m)
Powierzchnia trendu
N/A
220
215
210
205
200
195
190
185
180
175
170
165
160
0 200 400 600 800 1000 1200
X (m)
0
100
200
300
400
500
600
700
800
900
1000
Y (m)
N/A
70
60
50
40
30
20
10
0
-10
-20
-30
-40
0 200 400 600 800 1000 1200
X (m)
0
100
200
300
400
500
600
700
800
900
1000
Y (m)
-17 / - 14
-13 / -11
-10 / -8
-7 / -5
-4 / -1
0
1 / 2
3 / 5
6 / 8
9 / 11
12 / 14
0 200 400 600 800 1000 1200
X (m)
0
100
200
300
400
500
600
700
800
900
1000
Y (m)
N/A
290280270260250240230220210200190180170160150140130
0 200 400 600 800 1000 1200
W - E (m)
0
200
400
600
800
1000
S -
N (
m)
0 200 400 600 800 1000 1200
W - E (m)
0
200
400
600
800
1000
N - S
(m)
140 160 180 200 220 240 260 280
Zdjęcie lotnicze pola Yattendon w 1986 roku
SEMIWARIOGRAM EMPIRYCZNY I MODELDLA ZIELONEJ CZĘŚCI WIDMA
SKŁADOWE MODELU SEMIWARIANCJI
ANALIZA WYKONANA METODĄ KRIGINGU SKŁADOWYCH
POMIARY INDUKCJI ELEKTROMAGNETYCZNEJ GLEB NA POLU YATTENDON W ROKU 2000
DANE POMIAROWE I ESTYMACJA OK
POMIARY INDUKCJI ELEKTROMAGNETYCZNEJ GLEB NA POLU YATTENDON W ROKU 2000
SEMIWARIOGRAM EMPIRYCZNY I MODEL
POMIARY INDUKCJI ELEKTROMAGNETYCZNEJ GLEB NA POLU YATTENDON W ROKU 2000
POMIARY PLONÓW NA POLU YATTENDONW ROKU 2000
SEMIWARIOGRAM EMPIRYCZNY I MODEL
STRUKTURY PRZESTRZENNEJ PLONÓW
ANALIZA PLONÓW WYKONANAMETODĄ KRIGINGU SKŁADOWYCH
POTENCJALNE CZYNNIKI ZMIENNOŚCI PRZESTRZENNEJ WŁAŚCIWOŚCI GLEBI PLONÓW NA POLU YATTENDON
Kriging stratyfikowany (Kriging within strata – KWS)
Prosty krigingze zmiennymi średnimi
lokalnymi
(Simple Kriging with varying local means = SKlm)
Prosty kriging ze zmiennymi średnimi lokalnymi (Simple kriging with varying local means – SKlm - LVM)
Zmienna jakościowa VNIR: populacja i próba losowa
Zmienność wartości b3n_02 w klasach wyznaczonych na podstawie zmiennej VNIR
Reszty z modelu regresji zmiennej b3n_02 w stosunku do zmiennej b3n_04.Kolorem zaznaczono grupy VNIR
Relacje między b3n_02 i b3n_04 w klasach wyznaczonych przez VNIR
Ocena jakości estymacji – porównanie z danymi rzeczywistymi
SK_bk SK_k OK_bk OK_k SKlm-VNIR SKlm-b3n_04
ME -1.967 -1.924 -1.917 -1.977 -0.662 -0.727RMSE 18.20 18.11 18.28 18.27 13.52 14.30r 0.523 0.527 0.514 0.520 0.772 0.739
SK_bk SK_k OK_bk OK_k SKlm-VNIR SKlm-b3n_04ME -1.967 -1.924 -1.917 -1.977 -0.662 -0.279RMSE 18.20 18.11 18.28 18.27 13.52 9.51r 0.523 0.527 0.514 0.520 0.772 0.756