4

我正在尝试在 R 中编写使用 gstat 库的代码来创建插值。我已经阅读了 gstat 手册，并根据互联网上的一些示例，我设法编写了这段代码（这只是一部分）：

 g <- gstat(id="tec", formula=TEC ~ 1, data=data)  ##I create an object
 v <- variogram(g) # plot the empirical variogram
 plot(v)
 mod<-vgm(sill=var(data$TEC),model="Sph",range=200,nugget=200) #create the variogram model

v.fit <- fit.variogram(v, model=mod,fit.method=1)  #fit the empirical variogram 
Theor_variogram=plot(variogram(g),v.fit,main="WLS Model") #plot the theoretical variogram
plot(Theor_variogram)
 ## Kriging interpolation
 p <- predict.gstat(g, model=v.fit, newdata=predGrid)

我的问题是，当我运行最后一个命令（预测）而不是使用普通克里金插值得到结果时，我得到的是反距离加权（IDW）。我在 gstat 手册中读到：“当没有指定变异函数时，反距离加权插值是默认操作。指定变异函数时，默认预测方法是普通克里金法。”

但是，正如您在我的代码中看到的那样，我指定了经验和理论变异函数。你知道为什么我一直使用 IDW 而不是普通的克里金法吗？它可以与我拥有的坐标类型有关吗？例如，如果我的坐标彼此接近，或者感兴趣的区域太大？任何帮助都会非常有用。

提前致谢 迪米特里斯

4

1 回答 1

6

您需要包括 gstat 对象的创建，而不是在预测阶段：

g <- gstat(id="tec", formula=TEC ~ 1, data=data, model = v.fit)

但是，我建议使用标准接口来gstat使用krige. 这将gstat对象的构建和预测结合为一个功能。您很少需要gstat自己构建对象。例如：

data(meuse)
coordinates(meuse) = ~x+y
data(meuse.grid)
gridded(meuse.grid) = ~x+y
m <- vgm(.59, "Sph", 874, .04) 
# OK:
x <- krige(log(zinc)~1, meuse, meuse.grid, model = m)

您还可以使用automap包（我是该包的作者）并让变异函数模型自动拟合数据。例如使用meuse数据集：

library(automap)
kr = autoKrige(log(zinc)~1, meuse, meuse.grid)

这将自动构建样本变异函数，并将变异函数模型拟合到该样本变异函数。

于 2012-12-17T20:49:48.000 回答