Präsentation herunterladen
Die Präsentation wird geladen. Bitte warten
Veröffentlicht von:Walthari Boelter Geändert vor über 10 Jahren
1
Geostatistik Kriging Christian Fleischer
2
Gliederung Einleitung Semivariogramm Vorgehensweise in ArcGIS
Aufgabe 1 Kriging Aufgabe 2 Christian Fleischer
3
Determinatische Interpolationsverfahren
Bisher Determinatische Interpolationsverfahren regelmäßige und hohe Dichte der bekannten Punkte Relativ genaue Vorhersage eines Ortes Christian Fleischer
4
Statistische Interpolationsverfahren
Neu Statistische Interpolationsverfahren unregelmäßige und niedrige Dichte der bekannten Punkte Ungenaue Vorhersage eines Ortes, es kann aber eine Genauigkeit für Vorhersage bestimmt werden Christian Fleischer
5
Geostatistisches Modell
Z(x) = m(x) + 1(x) + 2(x) Mittelwert Vom Ort abhängige Zufallsvariable Rauschen Christian Fleischer
6
Definition der Semivarianz
(h) = 1\2n * { zi (x) – zi (x + h) }² Wertvektor 2 Variablen mit dem Abstand h Anzahl der Punktepaare mit dem Abstand h Der Graph der Wertvektoren (h) wird das „ Semivariogramm“ genannt. Christian Fleischer
7
Empirische Semivariogramm
Berechnen der Abstände aller existierende Punktepaare Jeder Abstand besitzt einen Semivariogrammwert (h) Abstandsklassen werden gebildet, denn nur wenige Punktepaare besitzen den exakt gleichen Abstand Christian Fleischer
8
Beispiel Z1(1;5) = 100 ; Z2(3;4) = 110 Z3(1;3) = 105 ; Z4(4;5) = 125
(h) = { zi (x) – zi (x + h) }² * 1\2n 2 3 Christian Fleischer
9
Empirische Semivariogramm
Der Verlauf lässt sich grob erkennen Christian Fleischer
10
Theoretische Semivariogramm
Der Verlauf wird einer Funktion angepasst, die der kleinsten Quadrate entspricht Christian Fleischer
11
Kenngrößen des Semivariogrammes
Range Nugget ist das Rauschen: Der Abschnitt auf der y – Achse,der zwischen Ursprung und dem Schnittpunkt der Funktion mit der y – Achse liegt Sill Sill ist der Schwellenwert : Maximum der dargestellten Funktion Nugget Range ist die Aussageweite : Wert auf der x – Achse bei dem der Schwellenwert erreicht wird Christian Fleischer
12
Modelle des theoretischen Semivariogramm
11 verschiedene Modelltypen Wichtige Modelle: spherical und exponential Restlichen Modell: Circular, Tetrespherical, Pentaspherical, Gaussain, Rational Quadratic, Hole Effect, K – Bessel, J – Bessel und Stabale Christian Fleischer
13
Unterschiede Spherical Exponential Autokorrelation nimmt
mit zunehmender Entfernung ab, bis sie Null beträgt Exponential Autokorrelation nähert sich mit zunehmender Entfernung dem Wert Null an Christian Fleischer
14
Vorgehensweise in ArcGIS
Semivariogramm Klicke auf Geostatistical Analyst, wähle den Explore Data und das Semivariogramm aus Christian Fleischer
15
Wähle Layer und Attribut aus
Christian Fleischer
16
wird das entsprechende Punktepaar in der Karte angezeigt
Durch anklicken eines Punktes im Semivariogramm wird das entsprechende Punktepaar in der Karte angezeigt Christian Fleischer
17
Aufgabe 1 Kopiert euch aus dem Verzeichnis D:\GIS-Data\ Esri\Arc Tutor\3D Analyst\Exercise 3\Data\ThyroidCancerRates.shp Erstellt ein Semivariogramm für den Datensatz mit dem Attribut INCID 1000 Finde in der Karte die Punktepaare, die den geringsten Unterschied besitzen den größten Unterschied besitzen Christian Fleischer
18
Kriging - Schätzer Schätzung eines unbekannten Wertes durch ein gewichtetes Mittel der bekannten Nachbarschaftswerte Z´(x0) = i z(xi) gesuchter Wert Gewichte gemessener Wert Christian Fleischer
19
Gewichte Voraussetzungen:
der Schätzfehler ist im Mittel E[F(x0)] = 0 die Varianz des Schätzfehlers ist minimal VAR [F(x0)] = min die Summe der Gewichte ist gleich 1 i = 1 Christian Fleischer
20
Berechnung der Gewichte (Blue)
Anforderungen: Linearität gewogenes Mittel Z´(x0) = i z(xi) Erwartungstreue Schätzfehler gleich Null Z´(x0) - Z(x0) = 0 Beste Schätzung minimale Varianz des Schätzfehlers VAR[Z´(x0) - Z(x0)] = min Christian Fleischer
21
Matrizenform * = g 11 . . . 1n 1 : 1 n1 . . . nn 1
Semivariogrammwerte zwischen allen gemessenen Punktepaaren Semivariogrammwerte zwischen allen gemessenen Punkten und des vorherzusagenden Punktes 1n 1 : n nn 1 1 : n m * = 10 n0 Christian Fleischer
22
Lösung Durch umstellen der Formel lassen sich die Gewichte und damit auch der Wert des nicht gemessenen Ortes vorhersagen! = -1 * g Z´(x0) = i Z(xi) Christian Fleischer
23
Kriging – Varianz Vorteil der statistischen Interpolationsverfahren: es kann eine Genauigkeit für die Vorhersage bestimmt werden ² = g * Kriging Standartabweichung = g * Christian Fleischer
24
Beispiel Z´(1;4) = ? * Somit sind die Gewichte für die
Berechnung bestimmt = Christian Fleischer
25
Beispiel Z´(x0) = i Z(xi) Z´(x0) = 102,57 ² = 13,257 = 3,641
* Christian Fleischer
26
Die zwei statistischen Methoden im Geostatistical Analyst und ihre Unterschiede
Kriging Bezieht sich innerhalb eines Datensatzes auf ein Attribut Greift nur auf die Autokorrelation zurück Cokriging Bezieht sich innerhalb eines Datensatzes auf 2 bis 4 Attribute Greift zusätzlich auf die Kreuzkorrelation zurück Christian Fleischer
27
Arten des Co- und Kriging
Ordinary Simple Universal Indicator Probability Disjunctive Christian Fleischer
28
Ordinary Basiert auf dem Modell Z(s) = + (s)
ist eine unbekannte Konstante hieraus folgt, dass der zufällige Fehler (s) geschätzt wird stellt eine Parallele zur x - Achse dar, „dashed line“ Christian Fleischer
29
Simple Basiert auf dem Modell Z(s) = + (s)
ist eine bekannte Konstante hieraus folgt, dass der zufällige Fehler (s) bekannt ist, dies ist aber unrealistisch stellt eine Parallele zur x - Achse dar, „solid line“ Christian Fleischer
30
Vorgehensweise in ArcGIS
Kriging Klicke auf Geostatistical Analyst, wähle den Geostatistical Wizard aus Christian Fleischer
31
Wähle aus den Input Daten die „Wells“, und bei den Attributen
„Well_dpth“ aus Klicke auf „Kriging“ Klicke auf „Next“ Christian Fleischer
32
Wähle unter „Ordinary Kriging“ die „Prediction Map“ aus
Klicke auf „Next“ Christian Fleischer
33
Klicke auf „Next“ Christian Fleischer
34
„Nachbarn“ und ihre Gewichtung Vorherzusa- gender Ort
Anzahl der Nachbarn In einem Sektor „Nachbarn“ und ihre Gewichtung Vorherzusa- gender Ort Klicke auf „Next“ Christian Fleischer
35
Klicke auf „Finish“ Christian Fleischer
36
Überprüfung der Eingabedaten Klicke auf „OK“ 20.01.2003
Christian Fleischer
37
Vorhersage Christian Fleischer
38
Erstellen der Genauigkeitskarte
Klicke mit der rechten Maustaste auf „Ordinary Kriging“, wähle „Create Prediction Standard Error Map“ aus Christian Fleischer
39
Vorhersage und ihre Genauigkeitskarte
Christian Fleischer
40
Aufgabe 2 Kopiert euch aus dem Verzeichnes D:\GIS-Data\ Esri\Arc Tutor\3D Analyst\Exercise 5\ surfacedata\Mass Points.shp Erstellt eine Krigingkarte mit dem Attribut FID und die dazu gehörige Genauigkeitskarte, benutzt dafür das Ordinary Kriging und das spherical Semivariogramm Erstelle eine zweite Krigingkarte(FID) mit Simple Kriging und dem exponetielen Semivariogramm, vergleiche die beiden erstellten Karten miteinander Nun vergleiche die erste Karte mit einer IDW Karte aus dem ersten Vortrag(neu erstellen) Christian Fleischer
Ähnliche Präsentationen
© 2024 SlidePlayer.org Inc.
All rights reserved.