🗺️ Просторова Інтерполяція та Кригінг

Кригінг (ГП-регресія на просторових даних): оцінювання значень у невідомих точках. Варіограма γ(h) = C₀ + C(1 − e^{−h/a}) моделює просторову автокореляцію. Звичайний vs. універсальний кригінг.

ГІСІнтерактивна
Клацніть полотно щоб додати точки вибірки · Змінюйте параметри варіограми

Як це працює

Кригінг розглядає спостережувані значення у відомих місцях як реалізації просторового випадкового поля. Напіваріограма кількісно характеризує, як дисперсія зростає з відстанню. Звичайний кригінг розв'язує систему рівнянь для знаходження оптимальних ваг інтерполяції, що мінімізують дисперсію оцінювання за умови незміщеності.

На полотні відображається кольорова поверхня інтерполяції, що оновлюється в реальному часі при зміні параметрів варіограми. Точки вибірки показані кружечками; клацніть для додавання нових.

Напіваріограма: γ(h) = C₀ + C · (1 − exp(−h/a)) Система кригінгу: [Γ 1] [w] [γ(x₀,xᵢ)] [1ᵀ 0] [μ] = [1 ] Оцінка: Z*(x₀) = Σ wᵢ · Z(xᵢ)

Часті запитання

Що таке кригінг?

Кригінг — це геостатистичний метод інтерполяції, що оцінює значення в непробоюваних точках як зважену суму близьких вибірок, де ваги визначаються з варіограмної моделі просторової автокореляції. Це найкращий лінійний незміщений прогноз (BLUP) для просторових даних.

Що таке варіограма?

Варіограма γ(h) вимірює просторову дисперсію між парами спостережень, розділених відстанню h. Вона кількісно визначає схожість значень на різних відстанях: γ(h) = 0.5 × E[(Z(x+h) − Z(x))²]. Експериментальна варіограма підбирається теоретичною моделлю.

Що таке експоненційна модель варіограми?

Експоненційна варіограма γ(h) = C₀ + C(1 − e^{−h/a}) має три параметри: нагет C₀ (дисперсія на нульовій відстані через помилку вимірювання), пороговий рівень C (загальна дисперсія на великих відстанях) та дальність a (масштаб просторової автокореляції).

Що таке звичайний кригінг?

Звичайний кригінг оцінює невідоме значення в точці як зважену суму сусідніх вибірок із сумою ваг = 1 (умова незміщеності), використовуючи варіограму для мінімізації дисперсії оцінювання. Передбачається константне, але невідоме середнє в околі пошуку.

Чим кригінг відрізняється від IDW?

IDW (метод зворотних відстаней) присвоює ваги суто за відстанню (w ∝ 1/d^p). Кригінг використовує структуру варіограми для визначення статистично оптимальних ваг з урахуванням кластеризації даних та надає оцінки похибки (дисперсія кригінгу).

Що таке ефект нагету?

Нагет C₀ — це значення варіограми при відстані нуль, що представляє мінливість на дуже коротких відстанях. Він виникає внаслідок помилки вимірювання або мікромасштабної мінливості, дрібнішої за крок вибірки. Великий нагет свідчить про зашумлені дані.

Що таке дальність варіограми?

Дальність (a) — це відстань, на якій варіограма виходить на пороговий рівень. Точки, ближчі за дальність, мають позитивну просторову автокореляцію; за межею дальності значення просторово незалежні.

Що таке універсальний кригінг?

Універсальний кригінг розширює звичайний кригінг, моделюючи нестаціонарний тренд у середньому (наприклад, поліноміальний дрейф). Він відокремлює великомасштабний тренд від стаціонарних залишків, а потім кригує залишки для відновлення повної поверхні.

Що представляє дисперсія кригінгу?

Дисперсія кригінгу (σ²k) — це очікувана квадрат похибки оцінки кригінгу. Вона залежить від варіограмної моделі та конфігурації точок вибірки — а не від самих значень даних, — що робить її суто геометричною мірою невизначеності.

Де застосовується просторова інтерполяція в ГІС?

Просторова інтерполяція застосовується в гідрології (картування опадів), екологічному моніторингу (поверхні забруднення), гірництві (оцінка вмісту руди), сільському господарстві (властивості ґрунту) та метеорології (поля температури та тиску).

Про цю симуляцію

Ця симуляція розкидає випадкові точки вибірки по прихованій синтетичній поверхні, тоді розв'язує повну лінійну систему звичайного крайгінгу — побудовану на експоненційній семіваріограмі з керованими самородком C₀, порогом C і радіусом a — щоб відновити кольорову оцінку в кожній комірці сітки, поряд з альтернативами IDW і найближчого сусіда для порівняння. Клацніть на полотні, щоб додати власні точки вибірки, і подивіться, як інтерпольована поверхня миттєво оновлюється.

🔬 Що показано

Живу, наживо розв'язану поверхню крайгінгу, відновлену з розкиданих вибірок, де параметри варіограми безпосередньо визначають матрицю (n+1)×(n+1) для розв'язання ваг, плюс режими IDW і найближчого сусіда для порівняння філософій інтерполяції.

🎮 Як користуватись

Оберіть метод (Ordinary Kriging, IDW або Nearest Neighbour), налаштуйте самородок C₀, поріг C, радіус a і кількість вибірок n, тоді натисніть ⟳ New Sample, щоб перемалювати випадкові точки, або клацніть безпосередньо на полотні, щоб додати власні. ↺ Reset відновлює значення за замовчуванням.

💡 Чи знали ви?

Ваги крайгінгу походять виключно з геометрії варіограми та розташування вибірок, а не з виміряних значень самих по собі — тому та сама схема розташування вибірок завжди дає ту саму дисперсію крайгінгу незалежно від того, які числа там насправді виміряні.

Часті запитання

Чому підвищення радіуса a згладжує інтерпольовану поверхню?

gamma_exp() обчислює γ(h)=C0+C·(1−e^(−h/a)), тож більше a означає, що варіограма піднімається до порогу набагато повільніше зі зростанням відстані h — вибірки залишаються сильно корельованими на більших відстанях, що змушує розв'язувач крайгінгу змішувати інформацію з віддаленіших точок і дає видимо гладкішу поверхню.

Що робить збільшення самородка C₀ з відновленою поверхнею?

Оскільки gamma_exp() додає C0 як постійний зсув для будь-якої ненульової відстані, вищий самородок фактично каже системі крайгінгу, що навіть дуже близькі вибірки трохи розходяться — це зменшує довіру до сусідніх точок, тягнучи інтерпольовану поверхню до гладкішої, більш усередненої оцінки біля кожної вибірки.

Чому перемикання методу на IDW дає помітно інші результати, ніж крайгінг?

IDW зважує точки виключно за w ∝ 1/d^p без жодного посилання на варіограму, тож ігнорує просторове скупчення вибірок — розв'язані матрицею ваги крайгінгу натомість враховують надлишкові, тісно розташовані вибірки, знижуючи їхню вагу відносно ізольованих точок, саме тому два методи можуть розходитись у щільних ділянках вибірки.

Чому функції interpolateKriging() потрібно розв'язувати систему (n+1)×(n+1), а не просто n рівнянь?

Додатковий рядок і стовпець забезпечують обмеження незміщеності, за яким усі ваги крайгінгу в сумі дають 1 (через множник Лагранжа μ) — саме це робить звичайний крайгінг найкращим лінійним незміщеним прогнозом, а не довільним зваженим середнім.

Чому додавання більшої кількості вибірок n змінює поверхню навіть у ділянках, далеких від нових точок?

Кожна нова вибірка знову входить у спільну матрицю крайгінгу, що використовується для розв'язання ваг кожної комірки сітки, тож навіть віддалені оцінки перераховуються з системи, яка тепер включає нову точку — на практиці її вплив швидко згасає за межами ефективного радіуса, показаного в панелі статистики, але лінійна система справді глобальна.