Bevor Sie Moving Window Kriging ausführen, muss ein geostatistischer Layer aus einer Kriging-Methode erstellt werden, allerdings nicht aus Cokriging und Empirical Bayesian Kriging.
Die Kriging-Parameter können angepasst werden oder als die anfänglichen Standardwerte verbleiben, die die Kriging-Methode automatisch bestimmt. Die Grundlage des Moving Window Kriging ist die Neuberechnung der Parameter für Bereich, Nugget und Partial-Sill-Semivariogramm basierend auf einer kleineren Nachbarschaft.
Wenn die Daten nichtstationär sind, können Sie ein heterogenes Semivariogramm schätzen. Anders gesagt, verwenden Sie ein bewegliches Fenster zentriert auf der vorherzusagenden Position und erstellen ein Semiovariogramm für jede lokale Nachbarschaft.
Die Vorhersage an jedem Punkt im Untersuchungsgebiet kann sequenziell zugeordnet werden, während sich das Fenster durch das Untersuchungsgebiet bewegt (Abbildung 1). In diesem Beispiel sind die Daten unter Rotationen isotrop oder invariant. Um jede Position im Untersuchungsgebiet umfassend zuzuordnen, werden Semivariogramme für jede vorherzusagende Position berechnet. In jeder Nachbarschaft wird vorausgesetzt, dass die Daten lokal stationär sind, damit nicht gegen die Annahmen des Kriging-Algorithmus verstoßen wird.
Während sich das Fenster durch das Untersuchungsgebiet bewegt, werden die Semivariogramm-Parameter mithilfe von benachbarten Punkten berechnet. Für Position s1 sind die die blauen und grünen Punkte räumlich korreliert oder liegen innerhalb des Bereichs wie durch den Radius des Kreises festgelegt, der an dieser Position zentriert ist. Für Position s2 sind die grünen und roten Punkte räumlich korreliert und für Position sn sind die gelben Punkte räumlich korreliert. Anhand dieser Methode können Sie erkennen, wie sich die räumliche Struktur der Daten über das Untersuchungsgebiet ändert. Wenn sich das Semivariogramm in verschiedenen Fenstern kaum ändert, weist das darauf hin, dass die Daten fast stationär sind und deshalb stationäre Kriging-Modelle verwendet werden sollten. Wenn sich jedoch das Semivariogramm zwischen den beweglichen Fenstern deutlich ändert, weist das darauf hin, dass die Daten nichtstationär sind und Kriging-Modelle nicht geeignet sind.
