Mit der Geostatistical Analyst-Lizenz verfügbar.
Geostatistik bezog sich in seiner ursprünglichen Verwendung auf Statistiken der Erde, z. B. Geographie und Geologie. Mittlerweile wird Geostatistik umfassend in vielen Gebieten verwendet und bildet einen Zweig der räumlichen Statistik. Ursprünglich war in räumlicher Statistik die Geostatistik gleichbedeutend mit Kriging, das eine statistische Version der Interpolation ist. Die aktuelle Definition wurde so erweitert, dass nicht nur Kriging, sondern auch viele andere Interpolationsmethoden inklusive deterministischer Methoden inbegriffen sind. Siehe dazu Deterministische Methoden für räumliche Interpolation. Geostatistical Analyst ist eine Realisierung dieser breiteren Definition der Geostatistik. Eines der grundlegenden Features der Geostatistik besteht darin, dass das untersuchte Phänomen überall in Ihrem Untersuchungsgebiet Werte (nicht notwendigerweise gemessene Werte) annimmt, z. B. die Menge von Stickstoff in einem Feld oder die Ozonkonzentration in der Atmosphäre. Es ist wichtig, die Datentypen zu identifizieren, die mithilfe der Geostatistik angemessen analysiert werden können.
Informationen zu Kriging in Geostatistical Analyst
Betrachten Sie das folgende Rechteck als das Untersuchungsgebiet von Interesse. Räumliche Positionen innerhalb des Untersuchungsgebiets werden durch die Buchstaben si indiziert, wobei jede einzelne Position durch das tiefgestellte i indiziert wird.
Nehmen Sie im obigen Beispiel an, Sie haben Daten an den Positionen s1 bis s7 gesammelt und möchten den Wert an Position s0 (in roter Farbe) vorhersagen. Das ist ein Beispiel für eine Interpolation. Kriging setzt voraus, dass Sie s0 an beliebige Stelle im Untersuchungsgebiet platzieren könnten, und Sie nehmen an, dass es einen echten Wert an Position s0 gibt. Wenn die Daten beispielsweise aus der Stickstoffkonzentration s1, ..., s7 bestehen, gibt es auch eine Konzentration bei s0, die Sie nicht kontrolliert haben, aber die Sie gerne vorhersagen möchten. Beachten Sie, dass die Daten als Punktereignisse gesammelt wurden, aber Werte praktisch überall auftreten und daher als räumlich kontinuierlich bezeichnet werden.
In der Statistik werden Werte häufig als einer der folgenden Typen beschrieben:
- Kontinuierlich – Jede beliebige reelle Zahl (z. B. -1,4798; 10965,6891)
- Ganze Zahl (z. B. -2, -1, 0, 1, 2)
- Kategorien mit Ordnung (z. B. am schlechtesten, mittel, am besten)
- Kategorien ohne Ordnung (z. B. Forst, Landwirtschaft, Urban)
- Binär (z. B. 0 oder 1)
Der Begriff "kontinuierlich" kann etwas verwirrend sein. Wenn die Daten räumlich kontinuierlich sind und ihr Wert mit einer multivariaten Normalverteilung kontinuierlich ist und Sie die Autokorrelation der multivariaten Verteilung kennen, dann ist Kriging eine optimale Vorhersagemethode. Es wurden jedoch unterschiedliche Formen von Kriging entwickelt, um alle obigen Datentypen zu berücksichtigen.
Feedback zu diesem Thema?