带有 gstat 的局部变差函数的局部块克里金法

Question

我一直无法使用 R 中的 gstat 包找到任何特定于本地块克里金法的信息。我读过的内容在 R 中应该是可能的，我可以使用一些帮助来组合一个 for 循环以使 gstat 函数在本地工作。

以 meuse 数据集为例，我已经能够计算全局变差函数并将其拟合到数据集：

    library(gstat)
    data(meuse)
    coordinates(meuse) = ~x+y
    data(meuse.grid)
    gridded(meuse.grid) = ~x+y

    logzinc_vgm<- variogram(log(zinc)~1, meuse)
    logzinc_vgm_fit <- fit.variogram(logzinc_vgm, model=vgm("Sph", "Exp"))
    logzinc_vgm_fit

    plot(logzinc_vgm, logzinc_vgm_fit)

这给出了一个很好的拟合模型的整个数据集的变异函数图。然后我可以使用它对整个数据集执行块克里金法：

    logzinc_blkkrig <- krige(log(zinc)~1, meuse, meuse.grid, model = logzinc_vgm_fit, block=c(100,100))
    spplot(logzinc_blkkrig["var1.pred"], main = "ordinary kriging predictions")
    spplot(logzinc_blkkrig["var1.var"],  main = "ordinary kriging variance")

这会生成插值数据图以及每个预测点的方差图。因此，如果我希望这些函数对我的整个数据集只起作用一次，这将是完美的...

但我一直无法生成一个 for 循环来在本地级别处理这些函数。

我的目标是： 1.对于我的网格文件中的每个点（我已经尝试将其作为数据框和 SpatialPointsDataFrame），我想从我的数据文件中的点子集在全局变异函数中给定范围的对角线距离内（很容易称之为位置（即 logzinc_vgm_fit[2,3]）） 2. 在这个数据子集上，我想计算变差函数（如上所述）并为其拟合模型（如上所述） 3.基于这个模型，我想进行分块克里金法得到那个格点的预测值和方差 4. 将以上三个步骤构建成for循环，根据每个网格点周围的局部变异函数预测每个网格点处的值

注意：与gstat包内置的meuse数据集一样，我的grid和data数据框的维度不同

如果有人能够解决这个问题，非常感谢您的参与。很高兴 post 到目前为止我正在使用的代码，如果它有用的话。

Answer 1

我制作了一个 for 循环，我认为它可以完成您的要求。我认为这不需要块克里金法，因为循环会在每个网格单元进行预测。

rad参数为搜索半径，可以设置为其他量，但目前参考全局变差函数范围（有nugget效果）。我认为最好进一步搜索点，因为如果你只搜索全局变差函数范围，局部变差函数拟合可能不会收敛（即没有观察到的范围）。

k参数是针对rad内的最小最近邻数。这很重要，因为某些位置可能在 rad 内没有点，这会导致错误。

您应该注意，您指定的方式 model=vgm("Sph", "Exp") 似乎采用了第一个列出的方法。因此，我在 for 循环中使用了 Spherical 模型，但您可以更改为您想要使用的模型。如果你认为形状会随位置改变，Matern 可能是个不错的选择。

#Specify the search radius for the local variogram
rad = logzinc_vgm_fit[2,3]
#Specify minimum number of points for prediction
k = 25
#Index to indicate if any result has been stored yet
stored = 0
for (i in 1:nrow(meuse.grid)){
  #Calculate the Euclidian distance to all points from the currect grid cell
  dists = spDistsN1(pts = meuse, pt = meuse.grid[i,], longlat = FALSE)

  #Find indices of the points within rad of this grid point
  IndsInRad = which(dists < rad)

  if (length(IndsInRad) < k){
    print('Not enough nearest neighbors')
  }else{
    #Calculate the local variogram with these points
    locVario = variogram(log(zinc)~1, meuse[IndsInRad,])

    #Fit the local variogram
    locVarioFit = fit.variogram(logzinc_vgm, model=vgm("Sph"))

    #Use kriging to predict at grid cell i. Supress printed output.
    loc_krig <- krige(log(zinc)~1, meuse[IndsInRad,], meuse.grid[i,], model = locVarioFit, debug.level = 0)

    #Add result to database
    if (stored == 0){
      FinalResult = loc_krig
      stored = 1
    }else{
      FinalResult = rbind(FinalResult, loc_krig)
    }
  }
}

带有 gstat 的局部变差函数的局部块克里金法

Local Block Kriging with Local Variogram with gstat

for-loop

r

gstat

kriging