问题标签 [gstat]

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）：

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

我想对 geoR 包中的 ca20-Dataset 进行交叉验证。例如，使用 meuse 数据集，这工作正常，但对于这个数据集，我遇到了 SpatialPointsDataFrame 尺寸的奇怪问题。也许您可以自己尝试一下并解释为什么 autoKrige.cv 函数不起作用（我尝试了几个 nfold-values 但这只会更改错误消息的位置值...）：

我希望有人能重现这个问题，我的 R 版本是 2.15，所有包都是最新的（至少不超过一个月左右......）。

谢谢你的帮助！！

我想使用 gstat 包执行普通克里金法。我只有 17 个位置，这还不够，所以我还使用每个节点的时间数据作为辅助数据来构建变异函数。但是，我想出了这个错误，请在这件事上指导我。此外，gstat 不能处理近距离坐标，如果您知道 r 中另一个强大的包，请告诉我。

我正在使用的代码：

错误：

数据：

在将代码修改为此之后：

我想出了这个错误：

[使用普通克里金法]

我对变量 T（温度）进行空间建模。我使用文献中常用的方法——执行回归（使用高度等变量），然后使用 IDW 对残差进行空间插值。R package gstat 似乎有这个选项：

但是在idw()他们的文档中写道：

函数 idw 执行 [...] 。不要在公式中与预测变量一起使用。

实际上，结果看起来就像只执行回归，没有残差的空间插值。我知道我可以手动完成：

但这有很多缺点——模型不在一个对象中，所以你不能直接做总结，检查偏差，残差，最重要的是，做交叉验证......一切都必须手动完成。所以，

有没有办法在 R 中的一个模型中进行回归和 IDW？

请注意，我不想使用不同的空间插值方法，因为 IDW 用于该建模领域并且已针对这些目的进行了很好的测试。

是否可以以某种方式轻松处理Spatial*DataFrame（* = 点、线、多边形、像素、网格...）中的数据？特别是我很难为它分配值并使用它们进行操作：

对于这两种情况，我都发现了非常丑陋的解决方法：

但这些只是初学者的尝试，太丑陋和复杂......在R中一定要容易得多！

当响应变量或预测变量包含缺失值 ( ) 时，函数和包中的函数会不断报告错误，idw()即使设置为：krige()gstatNAna.actionna.omit

这是一个错误吗？我们真的必须手动过滤数据并将结果合并回原始数据框吗？没有更简单的解决方案吗？那为什么还有这个na.action选项？

我使用 gstat 预测二项式数据，但预测值高于 1 和低于 0。有谁知道我该如何处理这个问题？谢谢。

我想在 ggmap 上绘制热图。

我得到的错误是：

测试变量为：

建议？变量 test 有更多条目，我要绘制的是 kriging 的结果，通过 gstat 库中的函数 krige 获得。

有更好的方法吗？

我对非常不同的解决方案持开放态度

我想在 ggmap 上绘制热图。

我们进行了测量活动，所以我有 4460 个地理参考点。

为了制作预测图，我创建了一个 400*400 的网格，共有 160000 个点，我在其中使用克里金法计算预测。为了全面了解我的 3 公里 * 3 公里的现象，我认为某种热图是必要的，因为只绘制点，如果我没有做错任何事情，就会在地图上绘制一个实心正方形。（见文件）我用来绘制点的代码是：

所以基本上问题是这些点是沿着道路的，所以热图是有问题的（见这里）并且有太多的点无法单独绘制它们。有什么建议么？

另一个相关的问题是我的数据是gstat的经典格式SpatialPointsDataFrame，这意味着我必须强制它们成为数据框才能使用ggplot，有更好的做法吗？

我需要计算作为克里金插值输出的网格与我需要插值的一些点之间的距离。

geodDist问题是网格非常大，并且从包中计算网格点与我的兴趣点之间的距离的循环计算平庸的双倍oce需要永远。

有没有更好的方法来计算网格中的哪个点更接近某些兴趣点？

这是我的平庸周期

由于这只是一个最佳实践问题，我不包含任何数据，希望没问题。