1

在这里的第一篇文章:) 非常简单的粗体问题。我想使用 1997 年至 2012 年智利圣地亚哥 8 个静态站点的 PM10 每日数据进行克里金法，并将其放入映射不同县的 34 个质心。我解释了到目前为止我所做的事情，中间有一些问题。我仅使用 2008 年（缺失值较少）数据作为第一个实验。

描述：

数据：我有一列是从 1997 年到 2012 年的天数，还有 8 列是 PM10 站数据。我将这些数据导入到 R 中，并确定了时间： time <-as.POSIXlt(data$date)没有错误：

“ 1997-04-05 UTC 1997-04-12 UTC.... 2012-12-27 UTC”

我用它的坐标导入了车站并建立了它的投影。

coordinates(stations)=~longitud+latitud
proj4string(stations) <- CRS("+proj=longlat + ellps=WGS84")

为了创建 STFDF，我首先构建了包含 8 个站点的数据向量 PM10，排序为：

PM10<-as.vector(cbind(data $PM10bosque,data $PM10cerrillos,data $PM10cerronavia,data $PM10condes,data $PM10florida,data $PM10independencia,data $PM10parqueoh,data $PM10pudahuel))
PM10<-data.frame(PM10)
DFPM=STFDF(stations, time, PM10)
DFPM<-as(DFPM,"STSDF")

，最后一行，因为我正在处理丢失的数据。然后估计的变异函数及其建模（我知道它很差）是通过以下方式完成的：

varPM10 <- variogramST(PM10~1,data=DFPM,tunit="days",assumeRegular=F,na.omit=T)
sepVgm <- vgmST("separable",space=vgm(0,"Exp", 8, 700),time =vgm(200,"Exp", 15, 700), sill=100)
sepVgm <- fit.StVariogram(varPM10, sepVgm)

结果： 变异函数

然后我以这种方式使用 KrigeST：

gridPM10 <-STF(centroids,time) (centroids defined previously the same way as stations)
krigedPM10<-krigeST(PM10~1, DFPM, newdata=gridPM10,modelList=sepVgm)

绘制一个站点数据和该站点县质心的克里格数据的结果是：

Cerillos 县的克里金法结果及其站点数据

这似乎是通过一组日期对时间窗口进行估计。 第一个问题：有人知道为什么这个克里金有这种形状吗？

然后我想知道如果我只是使用距离作为预测器会发生什么，所以我改为编码：

varPM10 <- variogramST(PM10~1,data=DFPM,tunit="days", tlags=0:0, assumeRegular=F,na.omit=T)

第二个问题：这是尝试将 distnace 作为预测变量的合理方法吗？如果没有，任何关于如何调整我的代码的建议我都可以做到这一点非常感谢。无论如何，这是结果：

带有 tlag=0:0 的变异函数

使用sepVgm <- vgmST("separable",space=vgm(1,"Per", 8, 700),time =vgm(200,"Exp", 15, 700), sill=100)

顺便问一下，你们怎么搭配这个？

，然后输出真的让我感到惊讶： 带有 tlags=0:0 的克里金结果

第三个问题：为什么我会得到这个结果？我知道变异函数建模很差，但即使这是真的，我也明白程序应该使用相应日期的站数据，所以至少它应该及时改变。

4

0 回答 0