Seminar Geoinformation WS 2000/2001
description
Transcript of Seminar Geoinformation WS 2000/2001
Seminar Geoinformation WS 2000/2001
Regionalisierte Variablen und Kriging
Referent: Anno Löcher
• Einführung
• Geostatistik
• Variogramme
• Gewöhnliches Kriging
Was ist Kriging?
• Familie von stochastischen Schätzverfahren
•zumeist synonym für „Gewöhnliches Kriging“
•Grundlagen von dem französischen Mathematiker Matheron. Weiterentwicklung des Verfahrens
vorwiegend durch Ingenieure.
•Anwendung zunächst in der Bodenexploration und der Meteorologie, heute in allen
Geowissenschaften•in vielen GIS-Anwendungen als Interpolationswerkzeug implementiert
•Name leitet sich ab von dem südafrikanischen Bergbauingenieur Krige.
Eigenschaften des Verfahrens
Interpolation durch gewogenes Mittel
lineares Verfahren
Genauigkeitsmaß: Kriging-Varianz
Schätzfehler wird minimiert
bester Schätzer
Schätzwert an beprobtem Ort = Beobachtung
erwartungstreues Verfahren
BLUE (Best Linear Unbiased Estimator)
Grundlage des Verfahrens ist das Geostatistische Modell
• Einführung
• Geostatistik
• Variogramme
• Gewöhnliches Kriging
ε)(ε)m()Z( xxx
Xey Gauß-Markoff-Modell
Ze
gemischtes Modell
Verallgemeinerung
Einführung von Ortsabhängigkeiten
Schreibweise der Geostatistik
ZXy
y
)()()y( xxx
Geostatistisches Modell
Mittelwert
vom Ort abhängige Zufallsvariable(„regionalisierte Variable“)
)(ε)m()Z( xxx ε
Rauschen
Z
x
mε ε
• Einführung
• Geostatistik
• Variogramme
• Gewöhnliches Kriging
Intrinsische Hypothese
0])Z()Z([E hxx
a) Der Erwartungswert von Z ist im Untersuchungsgebiet
konstant:
)(f]))Z()(Z([E hhxx 2
b) Die Varianz der Differenz zwischen zwei Realisationen
von Z hängt nur vom Abstand ab:
Definition Semivarianz
)(f21
)( hh
Die Semivarianz ist ein Maß für die Korrelation zwischen Z(x) und Z(x + h), ausgedrückt als Funktion des Abstands.
• Einführung
• Geostatistik
• Variogramme
• Gewöhnliches Kriging
Ansatz für die Schätzung
Abstände geben Korrelationen zwischen Z im Neupunkt und den beobachteten Z vor. Aus den Korrelationen können dann Gewichte abgeleitet werden.
P1
P2
P3 P4
PNEU
P5
• Einführung
• Geostatistik
• Variogramme
• Gewöhnliches Kriging Bei bekanntem (h) Vorhersage
möglich!
Z verhält sich an unbeprobten Orten wie an beprobten.
Vorgehen bei der Schätzung
Stichprobe Z(x1) ... Z(xn)
(h1) ... (hm) aus Stichprobe
(h) aus (h1) ... (hm)
Schätzung von Z(xNEU)
mit (h) aus Stichprobe
empirisches Variogramm
theoretisches Variogramm
Kriging=
• Einführung
• Geostatistik
• Variogramme
• Gewöhnliches Kriging
Empirisches Variogramm
Schätzung von (h) auf Grundlage der Stichprobe
2n
1iii hxxh ))Z()Z((
n21
)(
•je vorkommendem Abstand Schätzung der Semivarianz mit
Vorgehen:
•Bestimmung der Abstände aller vorkommenden Punktpaare
• Einführung
• Geostatistik
• Variogramme
• Gewöhnliches Kriging
0 1 2
1
2
03
( 3.0 )
( 5.0 )
4 Punktpaare mit h = 1.0
(1.0) = ( (3 - 4)² + (4 - 7)² + (7 - 5)² + (5 - 3)² ) / 8 = 2.3
( 4.0 )
( 7.0 )
1.0
1.0
1.0
1.0
2 Punktpaare mit h = 1.4
(1.4) = ( (4 - 5)² + (7 - 3)² ) / 4 = 4.3
1.4
1.4
0 1 2
1
2
03
( 3.0 )
( 4.0 )
Normalfall: Jedes Punktpaar hat anderen Abstand.
Entfernungsklassen bilden!
( 6.0 )
( 6.0 )
( 6.0 )
( 3.5 )
( 5.5 )
( 2.5 )
( 7.0 )
( 4.5 )
( 2.0 )
( 3.5 )
( 5.0 )
Paare mit 0.0 h 0.5 (0.25)Paare mit 0.5 h 1.0 (0.75)Paare mit 1.0 h 1.5 (1.25) usf.
Theoretisches Variogramm
Entwicklung einer analytischen Funktion (h)aus dem empirischen Variogramm
•Funktion soll nicht im Widerspruch zu physikalischen Gesetzmäßigkeiten stehen.
Vorgehen: Kurvenanpassung
Anforderungen an die Funktion:
•Zufälligkeiten in den empirischen Daten sollen ausgeglichen werden.
parametrischer Ansatz
• Einführung
• Geostatistik
• Variogramme
• Gewöhnliches Kriging
Schwelle (sill)
Aussageweite(range)
Nuggeth
(h)
Schwelle : Maximum von (h) ( Varianz der Stichprobe )
Aussageweite: Abstand, bei dem (h) die Schwelle erreicht
Nugget: Achsenabschnitt
DEMO
Kenngrößen des Variogramms• Einführung
• Geostatistik
• Variogramme
• Gewöhnliches Kriging
( = Schätzung für die Varianz des Rauschens )
Berechnung des Krige-Schätzers
Rechenverfahren folgt aus Forderung an den Schätzer, BLUE zu sein.
Linearität gewogenes Mittel
)Z(v)(Zii0
xx ˆ
Erwartungstreue Schätzfehler Null
0)Z(-)(Z00
xxˆ
Beste Schätzung minimaleVarianz des Schätzfehlers
min))Z(-)(ZVAR( 00 xxˆ
Extremwertaufgabe mit NebenbedingungLösung mit Lagrange-Multiplikator
• Einführung
• Geostatistik
• Variogramme
• Gewöhnliches Kriging
Lösungsformel in Matrizenschreibweise
Gleichung für die Kriging-Varianz
v = C-1 D
Vektor der Semivarianzen
zwischen Z(x0) und Z(xi)
Vektor der Gewichte
Matrix der Semivarianzen
zwischen den
Z(xi)
Die Höhe der Kriging-Varianz hängt von der Mengeder räumlichen Informationen ab:
• Einführung
• Geostatistik
• Variogramme
• Gewöhnliches Kriging
(0)2 vCvDv2
kˆ
schwach besetztes Meßnetz hohe Varianz
Messungen Interpolation Kriging-Varianz
Phosphatgehalt einer landwirtschaftlichen Nutzfläche
•Kontrolle der Schätzung durch Kriging-Varianz
•Einzelne lokale Spitzen wirken sich weniger auf die Um-gebung aus als bei anderen Verfahren.
Eigenschaften des Krige-Schätzers
• Güte der Schätzung vom Variogramm abhängig
•Kriging erkennt und meidet redundante Daten: Bei nah beieinanderliegenden Stützpunkten werden die
Gewichtegesenkt und auf entferntere Punkte verteilt.
• Einführung
• Geostatistik
• Variogramme
• Gewöhnliches Kriging •Bei ausgeprägtem Nugget-Effekt oder sehr kleiner
Aussageweite wird das arithmetische Mittel geliefert.
Seminar Geoinformation WS 2000/2001
Regionalisierte Variablen und Kriging
Referent: Anno Löcher
Z(x) und Z(x + h) identisch (h = 0) (0) = 0
]))(ε)(ε([E)( 2hxxh
Zusammenhang Varianz - Kovarianz - Semivarianz:
)(ε)m()Z( xxx ))Z(VAR()(ε xx 2
])(ε)(ε)(ε2)(ε[E 2hxhxxx 2
² ²2 COV ( Z(x) , Z(x + h) )
Z(x) und Z(x + h) nicht korreliert (h) = ²
))Z(),Z(COV()( hxxh 2
• Einführung
• Geostatistik
• Variogramme
• Gewöhnliches Kriging
Annahme: Z(x) und Z(x + h) haben gleiche Varianzen 2
Kurvenanpassung durch parametrischen Ansatz
Sphärisches Modell
exponentielles ModellGauß-Modell
• Einführung
• Geostatistik
• Variogramme
• Gewöhnliches Kriging