1

我使用“geoR”包拟合了我的半变异函数，如下所示：

#loading geoR
library(geoR)
#calculating the semivariogram
bin1 <- variog(geodata)
#plotting
plot(bin1)
#fitting the model
lines.variomodel(cov.model = "exp", cov.pars = c(0.571,0.2527), nug = 0.13, max.dist=1)

有没有办法知道指数模型的拟合优度（轻松）？

提前致谢 ...

4

1 回答 1

2

您在这里并没有真正拟合模型，您可以使用variofit将模型拟合到经验半变异函数。

例如

library(geoR)
vario100 <- variog(s100, max.dist=1)
ini.vals <- expand.grid(seq(0,1,l=5), seq(0,1,l=5))
ols <- variofit(vario100, ini=ini.vals, fix.nug=TRUE, wei="equal")
## variofit: model parameters estimated by OLS (ordinary least squares):
## covariance model is: matern with fixed kappa = 0.5 (exponential)
## fixed value for tausq =  0 
## parameter estimates:
## sigmasq     phi 
##  1.1070  0.4006 
## Practical Range with cor=0.05 for asymptotic range: 1.200177
## 
## variofit: minimised sum of squares = 0.1025

您可以使用 cov.spatial 在变异函数上的每个点计算您自己的适当加权平方和。

我不认为这是一个好主意。

相反，您可以loglik.GRF用来计算与给定模型和所有数据关联的可能性

# you can pass an existing model
loglik.GRF(s100, obj.model = ols)
## [1] -87.32958

或者只是参数

 loglik.GRF(s100, cov.pars = c(1.5,0.6), nugget = 0.01)

如果您真的想要加权最小二乘值，您可以fit.variogram从gstat包中使用，而无需实际安装任何东西。

一件好事是它gstat有一些辅助函数可以从geoR模型转换为gstat版本。这真的很有用，因为gstat它可以更快、更有效地进行预测。

例如

 library(gstat)
 # convert geodata to  data.frame object
 s100df <- as.data.frame(s100)
 # remove geodata.frame class that causes problems
 class(s100df) <- 'data.frame'

 # create gstat version of variogram
 s100v <- variogram(data~1, ~X1+X2, s100df)

 # convert a variomodel to vgm object

 foo <- as.vgm.variomodel(list(cov.model = 'exponential', kappa = 0.5,
                          cov.pars = c(1.5,0.6), nugget = 0.2))

 # get the weighted least squares value
 # calling fit.variogram without fitting any thing
 fittedfoo <- fit.variogram(s100v, foo, fit.sills = FALSE, fit.ranges = FALSE)
 # the weighted sum of squares is
 attr(fittedfoo, 'SSErr')
 ## [1] 0.6911813
于 2013-03-13T02:19:40.800 回答