PL 
EnglishDomyślny
Українська🗺️ Interpolacja przestrzenna i kriging
Kriging (regresja procesem gaussowskim na danych przestrzennych): szacuj wartości w miejscach nieopróbowanych. Wariogram γ(h) = C₀ + C(1 − e^{−h/a}) modeluje autokorelację przestrzenną. Kriging zwyczajny kontra uniwersalny.
Jak to działa
Kriging traktuje zmierzone wartości w znanych lokalizacjach jako realizacje przestrzennego pola losowego. Semiwariogram określa, jak wariancja rośnie wraz z odległością. Kriging zwyczajny rozwiązuje następnie układ równań, aby znaleźć optymalne wagi interpolacji, które minimalizują wariancję estymacji przy zachowaniu warunku nieobciążoności.
Canvas pokazuje kolorowo kodowaną powierzchnię interpolacji, aktualizowaną w czasie rzeczywistym podczas zmiany parametrów wariogramu. Punkty próbkowe są przedstawione jako okręgi; kliknij, aby dodać nowe.
Najczęściej zadawane pytania
Czym jest kriging?
Kriging to geostatystyczna metoda interpolacji, która szacuje wartości w miejscach nieopróbowanych jako średnią ważoną pobliskich próbek, gdzie wagi są wyznaczane na podstawie modelu wariogramu opisującego autokorelację przestrzenną. Jest to BLUP (Best Linear Unbiased Predictor — najlepszy liniowy nieobciążony estymator) dla danych przestrzennych.
Czym jest wariogram?
Wariogram γ(h) mierzy wariancję przestrzenną między parami obserwacji oddalonymi o odległość h. Określa, jak podobne są wartości przy różnych odległościach: γ(h) = 0,5 × E[(Z(x+h) − Z(x))²]. Wariogram empiryczny jest dopasowywany do modelu teoretycznego (sferycznego, wykładniczego, gaussowskiego).
Czym jest wykładniczy model wariogramu?
Wykładniczy wariogram γ(h) = C₀ + C(1 − e^{−h/a}) ma trzy parametry: nugget C₀ (wariancja przy zerowej odległości wynikająca z błędu pomiaru), sill C (wariancja całkowita osiągana przy dużych odległościach) oraz range a (skala autokorelacji przestrzennej).
Czym jest kriging zwyczajny?
Kriging zwyczajny szacuje nieznaną wartość w punkcie jako ważoną sumę pobliskich próbek, z wagami sumującymi się do 1 (warunek nieobciążoności), wykorzystując wariogram do minimalizacji wariancji estymacji. Zakłada stałą, lecz nieznaną wartość średnią w obrębie sąsiedztwa poszukiwań.
Czym różni się kriging od interpolacji IDW?
Odwrotna odległość ważona (IDW) przypisuje wagi wyłącznie na podstawie odległości (w ∝ 1/d^p). Kriging wykorzystuje strukturę wariogramu do wyznaczenia statystycznie optymalnych wag, uwzględniając skupienie danych i dostarczając oszacowań błędu (wariancji krigingu).
Czym jest efekt nugget?
Nugget C₀ to punkt przecięcia wariogramu z osią y, reprezentujący zmienność przy bardzo małych odległościach. Wynika z błędu pomiaru lub zmienności mikroskalowej o skali mniejszej niż odstęp próbkowania. Duży nugget wskazuje na zaszumione dane.
Czym jest zasięg (range) wariogramu?
Zasięg (a) to odległość, przy której wariogram wypłaszcza się, osiągając sill. Punkty bliższe niż zasięg wykazują dodatnią autokorelację przestrzenną; poza zasięgiem wartości są zasadniczo niezależne przestrzennie.
Czym jest kriging uniwersalny?
Kriging uniwersalny rozszerza kriging zwyczajny, modelując niestacjonarny trend w wartości średniej (np. dryf wielomianowy). Oddziela trend wielkoskalowy od stacjonarnych reszt, a następnie stosuje kriging na resztach, aby zrekonstruować pełną powierzchnię.
Co przedstawia wariancja krigingu?
Wariancja krigingu (σ²k) to oczekiwany błąd kwadratowy estymacji krigingu. Co istotne, zależy ona od modelu wariogramu i konfiguracji punktów próbkowych — a nie od samych wartości danych — co czyni ją czysto geometryczną miarą niepewności.
Jakie są typowe zastosowania interpolacji przestrzennej w GIS?
Interpolacja przestrzenna jest wykorzystywana w hydrologii (mapowanie opadów), monitoringu środowiska (powierzchnie zanieczyszczeń), górnictwie (szacowanie zawartości rudy), rolnictwie (mapowanie właściwości gleby) oraz meteorologii (rekonstrukcja pól temperatury i ciśnienia).
O tej symulacji
Ten symulator rozrzuca losowe punkty próbkowe na ukrytej, syntetycznej powierzchni, a następnie rozwiązuje pełny liniowy układ równań krigingu zwyczajnego — zbudowany na wykładniczym semiwariogramie z regulowanym nuggetem C₀, sillem C i zasięgiem a — aby zrekonstruować kolorowo kodowaną estymację w każdej komórce siatki, wraz z alternatywami IDW i najbliższego sąsiada do porównania. Kliknij na canvasie, aby dodać własne punkty próbkowe, i obserwuj natychmiastową aktualizację interpolowanej powierzchni.
🔬 Co przedstawia
Na żywo rozwiązywana powierzchnia krigingu zrekonstruowana z rozrzuconych próbek, gdzie parametry wariogramu bezpośrednio determinują macierz (n+1)×(n+1) do rozwiązywania wag, a także tryby IDW i najbliższego sąsiada, umożliwiające porównanie filozofii interpolacji obok siebie.
🎮 Jak korzystać
Wybierz metodę (Kriging zwyczajny, IDW lub Najbliższy sąsiad), dostosuj Nugget C₀, Sill C, Zasięg a oraz liczbę próbek n, a następnie kliknij ⟳ Nowa próbka, aby ponownie wylosować punkty, lub kliknij bezpośrednio na canvasie, aby dodać własne. ↺ Reset przywraca wartości domyślne.
💡 Czy wiesz, że?
Wagi krigingu wynikają wyłącznie z geometrii wariogramu i lokalizacji próbek, a nie z samych zmierzonych wartości — dlatego ten sam układ próbek zawsze daje tę samą wariancję krigingu, niezależnie od tego, jakie liczby faktycznie tam zmierzono.
Najczęściej zadawane pytania
Dlaczego zwiększenie suwaka Zasięg a wygładza interpolowaną powierzchnię?
Funkcja gamma_exp() oblicza γ(h)=C0+C·(1−e^(−h/a)), więc większe a oznacza, że wariogram znacznie wolniej wznosi się do sillu wraz z odległością h — próbki pozostają silnie skorelowane na większych odległościach, co sprawia, że solver krigingu łączy informacje z odleglejszych punktów i tworzy wyraźnie gładszą powierzchnię.
Co robi zwiększenie Nuggetu C₀ ze zrekonstruowaną powierzchnią?
Ponieważ gamma_exp() dodaje C0 jako stały offset dla dowolnej niezerowej odległości, wyższy nugget informuje w praktyce system krigingu, że nawet bardzo bliskie próbki nieco się różnią — to zmniejsza stopień zaufania do pobliskich punktów, przyciągając interpolowaną powierzchnię w stronę gładszej, bardziej uśrednionej estymacji w pobliżu każdej próbki.
Dlaczego przełączenie metody na IDW daje wyraźnie inne wyniki niż Kriging?
IDW waży punkty wyłącznie na podstawie w ∝ 1/d^p, bez żadnego odniesienia do wariogramu, więc ignoruje przestrzenne skupienie próbek — wagi krigingu, wyznaczane macierzowo, uwzględniają natomiast nadmiarowe, blisko rozmieszczone próbki, obniżając ich wagę względem punktów izolowanych, co dokładnie tłumaczy, dlaczego obie metody mogą się różnić w rejonach o dużej gęstości próbek.
Dlaczego funkcja interpolateKriging() musi rozwiązać układ (n+1)×(n+1) zamiast po prostu n równań?
Dodatkowy wiersz i kolumna wymuszają warunek nieobciążoności, że wszystkie wagi krigingu sumują się do 1 (za pomocą mnożnika Lagrange'a μ), co sprawia, że kriging zwyczajny jest Best Linear Unbiased Predictor (najlepszym liniowym nieobciążonym estymatorem), a nie dowolną średnią ważoną.
Dlaczego dodanie kolejnych próbek n zmienia powierzchnię nawet w obszarach dalekich od nowych punktów?
Każda nowa próbka ponownie wchodzi do wspólnej macierzy krigingu używanej do wyznaczania wag dla każdej komórki siatki, więc nawet odległe estymacje są przeliczane na podstawie układu, który zawiera teraz nowy punkt — w praktyce jego wpływ szybko zanika poza efektywnym zasięgiem pokazanym w panelu statystyk, ale układ liniowy jest rzeczywiście globalny.
Szacuj wartości w miejscach nieopróbowanych za pomocą krigingu — dostosuj zasięg i nugget wariogramu, aby zmienić kształt interpolowanej powierzchni.
3D · renderer Three.js / WebGL · cel 60 FPS · działa w całości po stronie klienta, bez instalacji