空间插值方法简介.pptVIP

离群值的查找孤立存在或被一群显著不同的值包围全局离群值用半变异/协方差函数云识别离群值离群值的查找离群值的查找局部离群值局部离群值在半变异函数云图上往往分布在x轴的左端，而且在Y轴上的位置较高，也就是说，样点对距离很小但是变异很大。空间插值常用的两种方法：确定性插值方法：添加标题反距离权重（IDW）添加标题地统计方法：添加标题3模型分析添加标题当数据不服从正态分布时，若服从对数正态分布，则选用对数正态克里格；若不服从简单分布时，选用析取克里格。当数据存在主导趋势时，选用泛克里格。当只需了解属性值是否超过某一阈值时，选用指示克里格。当同一事物的两种属性存在相关关系，且一种属性不易获取时，可选用协同克里格方法，借助另一属性实现该属性的空间内插。当假设属性值的期望值为某一已知常数时，选用简单克里格。当假设属性值的期望值是未知的，选用普通克里格。不同的方法有其适用的条件0102靠的越近越相似！反距离加权法研究区域内的采样点分布均匀，采样点不聚集添加标题01应用条件添加标题02假设前提添加标题04各已知点对预测点的预测值都有局部性的影响，其影响随着距离的增加而减小添加标题03反距离加权法公式：Z(s0)=预测值样点的数量各样点的权重观测值

注：在预测过程中，权重随着样点与预测点之间距离的增加而减小。各样点值对预测点值作用的权重大小是成比例的，这些权重值的总和为1。反距离加权法权重01扇区02长短轴03相邻样点数04普通克里格法添加标题数据在空间上是连续的，服从正态分布，并且有自相关性01添加标题应用条件02添加标题空间自相关性平稳性假设03添加标题假设前提04添加标题无偏最优估计法！05空间自相关检测半变异函数云图如果数据是空间相关的，则距离很近（x轴靠左侧）的样点对的方差较小，反正则较大。普通克里格法公式：01预测值02未知常量03随机误差04注：普通克里格法基于平稳性假设，即所有的随机误差都具有二阶平稳性，也就是说随机误差的均值为零。05理论半变异图01抽样距离公式：半变异函数（抽样间距）=0.5*[（点i的值-点j的值）2]的平均值块金步长大小0203偏基台步长分组平均半变异半变异模型最常用的是球状模型（Spherical）与指数模型（Exponential）。球状模型表示在一定的距离范围内空间自相关性逐步减小（表现为半变异的同步增加），超过这个距离空间自相关就为0。球状模型被广泛利用在土壤性质的空间分析中。指数模型用来拟合当距离增加时，空间自相关成指数下降并且当趋向于无穷远时，空间自相关才完全消失。最理想的情况是每一个田块都采样化验分析，用这样的数据指导施肥准确可靠，而且样越多越用。实际中只能选取部分田块采集样点，空间插值只需准备格式为*.shp的矢量点图，每个点位上有相关属性数据，考虑到研究区域的形状，还需准备面状辖区边界图。QQ图提供了另外一种度量数据正态分布的方法，利用QQ图，可以将现有数据的分布与标准正态分布对比，如果数据越接近一条直线，则它越接近于服从正态分布。一个由空间插值所生成预测表面主要由两部分组成：确定的全局趋势和随机的短程变异。在运用地统计插值的过程中剔除全局趋势是为了满足平稳假设，剔除全局趋势后可以用模型来拟合剩余部分的数据即短程变异。为了获得合理的预测，必须将全局趋势再还原回去。全局离群值在直方图（Histogram）上表现为孤立存在或被一群显著不同的值包围。如图，直方图最右边被选中的一个柱状条即是该数据的离群值。相应地，数据点层面上对应的样点也被高亮显示。如果数据集中有一个异常高值的离群值，则与这个离群值形成的样点对，无论距离远近，在半变异/协方差函数云图中都具有很高的值。如下图所示，这些点可大致分为上下两层，对于上层的点，无论位于横坐标的左端或右端（即无论距离远近）都具有较高的值。刷光上层的一些点，右图是对应刷光的样点对。可以看到，这些高值都是由同一个离群值的样点对引起的，因此，需要对该点进行剔除或改正。假设前提也就是说，离预测点近的已知样点在预测过程所占的权重要大于离预测点远的已知样点的权重。符合以下标准的模型是最优的：标准平均值（MeanStandardized）最接近于0，均方根预测误差（Root-Mean-Square）最小，平均标准误差（AverageMeanError）最接近于均方根预测误差（Root-Mean-Square），标准均方根预测误差（Root-Mean-SquareStandardized）最接近于1。点击N