问题标签 [kriging]

我想在 Matlab 中对高斯过程 (GP) 模型进行条件模拟。我找到了 Martin Kolář 的教程（http://mrmartin.net/?p=223）。

本教程使用基于协方差矩阵分解的直接模拟方法生成条件模拟。据我了解，当模拟点的数量很大时，有几种生成条件模拟的方法可能会更好，例如使用局部邻域通过克里金法进行调节。我在 J.-P. 中找到了有关几种方法的信息。Chilès 和 P. Delfiner，“第 7 章 - 条件模拟”，地质统计学：空间不确定性建模，第二版，John Wiley & Sons, Inc.，2012 年，第 478-628 页。

是否有可用于条件模拟的现有 Matlab 工具箱？我知道 DACE、GPML 和 mGstat ( http://mgstat.sourceforge.net/ )。我相信只有 mGstat 提供执行条件模拟的能力。但是，mGstat 似乎也仅限于 3D 模型，我对更高维模型感兴趣。

任何人都可以提供有关使用现有工具箱（例如 GPML）执行条件模拟的任何建议吗？

==================================================== ================= 编辑

我发现了更多的 Matlab 工具箱：STK、ScalaGauss、ooDACE

似乎 STK 能够使用协方差矩阵分解进行条件模拟。但是，由于 Cholesky 分解，模拟点的数量仅限于中等数量（可能是几千？）。

好的，所以我知道在 gstat 中不可能在垂直方向上做变异函数，因为 z 坐标有一些东西。

但是，我想知道是否可以在 3 维中进行克里格法。如果无法在垂直方向获得变异函数，我不明白如何在 3 维中进行克里格法，因为克里金法取决于变异函数模型。这可能吗？

最后，当我执行以下操作时，克里金法会引发错误，我觉得这可能与没有足够的 3d 模型有关：

但它抛出了这个错误：

这是因为无法在 gstat 中定义垂直方向的变异函数吗？或者这是另一个问题？谢谢。

我有一个 metars 点列表（纬度、经度、海平面压力），需要对压力进行插值。

假设我想使用 metars 列表中的已知测量值（图像中的黑点）对红点（在图像波纹管的克里金侧）进行迭代。

我可以使用普通克里金法只插入一个点吗？如何？

我不需要一个包含所有插值点的网格。

（我正在用java为android开发。）

我只是不明白Kriging中的公式。

在这里，他们在第 27-28 页使用克里金法只计算了一个点。

请参阅本文第 2.1 节。

问题（最小的工作示例）

当数据接近线性相关时，Dicekriging 会在大约一半的时间内给出线性相关误差。下面的示例可以看出这一点，当我在 Ubuntu 和 Windows 计算机上运行它时，大约有一半的时间出现了错误。当我使用遗传或 BFGS 优化运行它时，就会发生这种情况。

当数据稍微分散一点时，就不会发生此类错误。

为什么这是一个问题

使用克里金法优化昂贵模型意味着靠近最优值的点将被密集采样。发生此错误时无法执行此操作。1e-7此外，当有多个参数都接近时，接近点需要比上述更接近才能获得此错误。1e-3当一个点的 4 个坐标与另一个点分开并且发生此问题时，我得到了错误（在我的实际问题中，而不是上面的 MWE） 。

相关问题

DiceKriging关于堆栈溢出的问题并不多。最接近的问题是这个问题（来自Krigingpackage ），其中问题是真正的线性依赖。请注意，Kriging包装不能替代DiceKriging，因为它仅限于 2 维。

所需的解决方案

我想要：

• 一种改变我的km电话以避免这个问题的方法（首选）
• 一种确定何时会发生此问题的方法，以便我可以丢弃彼此太接近而无法进行克里金调用的观测值。

我正在考虑使用这种方法来插入我拥有的一些 3D 点。作为输入，我在一个区域的不同高度有大气中的气体浓度。我拥有的数据显示为每几英尺垂直高度为几十英尺的值，但水平分隔数百英尺（因此是紧密包装值的“列”）。

假设在任何给定时间点，值在垂直方向上的变化明显大于在水平方向上的变化。

我想在考虑到该假设的情况下执行 3D 克里金（作为我可以调整的参数或在统计上定义的参数 - 非此即彼）。

我相信 scikit learn 模块可以做到这一点。如果可以，我的问题是如何创建离散单元输出？也就是说，输出到 3D 数据网格中，例如 50 x 50 x 1 英尺。理想情况下，我希望输出 [x_location, y_location, value] 并分离这些（或类似）距离。

不幸的是，我没有太多时间来玩它，所以我只是希望在深入研究之前弄清楚这在 Python 中是否可行。谢谢！

假设我有一个变量在几个不同的迭代中的蒙特卡罗模拟的输出（想想数百万）。对于每次迭代，我都有每个时间点的变量值（范围从 t=1 到 t=365）。

我想制作以下图：对于x轴上的每个时间点t以及给定范围内的每个可能值“y”，将x，y的颜色设置为“k”，其中“k”是在距离 "d" 到 x,y 的附近有多少观测值的计数。

我知道您可以轻松地为一维数据制作密度热图，但是是否有一个很好的包可以在二维上执行此操作？我必须使用克里金法吗？

编辑：数据结构目前是一个矩阵。

我想，对于每个“天”，像素在那个“天”上垂直运行，以表示该天迭代值的概率密度。结果应该看起来像热图。

有没有办法使用克里金法或高斯过程回归来估计外推？

高斯过程非常适合分散数据的插值；但是，我需要及时推断变量的时间序列。

锄头我可以推断x(n+1) 使用x变量的历史， x_i , i = n, n-1 ,....

例如，在 python 中：scikit-learn.org/stable/modules/gaussian_process.html

我有一个 csv 文件文件，其中包含 3 月 1 日下午 12 点的大气 PM10 浓度数据。请下载。我想在 R 中使用 gstat 包绘制半变异函数。我尝试在 R 中编写这些代码。但是有了这些数据，我无法拟合模型。

实际上我是 R 和统计学的初学者。所以，我什至对变异函数也一无所知。我有一些疑问：

a）当我将数据绘制为半变异函数时，它看起来与典型的半变异函数不同！为什么会这样？我应该对我的数据做任何其他事情，比如转换吗？

b）我怎样才能用这些数据拟合模型？我尝试过不同的模型，如“Sph”、“Exp”，但它们看起来像线性的！为什么？

c）我如何理解我应该在vgm()函数中使用什么初始值？

d) 我如何理解该模型与数据正确匹配？

e）对于使用克里金法，我应该绘制什么样的半变异函数？只有全向半变异函数？或者我应该绘制方向半变异函数？

f）我如何解释半变异函数？我的意思是我实际上能理解半变异函数的数据吗？

提前致谢。

我有一个名为 seoul3112 的 csv 文件，其中包含 PM10 浓度。请下载。.我试图绘制样本变异函数并在其上拟合模型。

#分配一个CRS并重新投影

#绘制半变异函数

#模型拟合

写完这些代码后，我得到了一个像这样的半变异函数。

由于我是地统计学的新手，所以我很困惑我的上述变异函数是否适合我的数据集。因为，在典型的变异函数中，半方差值在门槛处变成水平的。但是这个变异函数是向上的！我应该在我的代码中做一些更正吗？

另一件事是，实际上我的最终目标是对我的数据集（seoul3112）进行克里金插值。我不明白，对于进行克里金，这个样本变异函数就足够了，还是我应该绘制方向变异函数或其他任何东西？谁能详细解释一下？

我尝试在雅加达湾进行克里金法。我有一组具有适当坐标和属性（pH、盐度、...）的测量点

为了进行克里金法，我首先需要为我的变异函数找到一个模型。当我使用“变异函数”函数时，输出并不完美，但应该没问题，但是当我尝试拟合变异函数时，我收到一条警告消息：In fit.variogram(ph.vgm, model = vgm(0.12, " Sph", 0.1, 0.01)) ：警告：变异函数拟合中的奇异模型，我有一个奇异模型。

在这里，我阅读了与变异函数计算相关的奇异模型。我可以做点什么让它变得更好吗？

我怎样才能更好地拟合我的变异函数？为什么我只能在测量点周围获得小圆圈？我想拥有带有预测值的完整地图。

我还尝试了更不灵活的“automap”库，我没有获得好的结果。