Dan Regresi
Bagian 2: Bagian 2: Pemasangan Model
Merancang Model Isotropik
kamu)
Ambang kira-kira muncul pada semivarian 27 dan kisaran kira-kira sekitar 475 kaki. Demi demonstrasi, kita akan berasumsi bahwa semivariogram sampel secara langsung menunjukkan kontinuitas permukaan yang sebenarnya dan kita akan menyesuaikan fungsi secara visual dengan semivariogram. Awalnya, kami akan merancang kurva matematis dengan kisaran perkiraan dan parameter ambang ini sambil meninggalkan struktur pertama, struktur Nugget, pada nol (lebih lanjut tentang Nugget di bawah).
Jarak pemisahan terendah seringkali memiliki pasangan sampel yang lebih sedikit yang merupakan semivarians rata-rata, yang menantang keandalan atau "perilaku" variogram pada jarak ini. Mari kita lihat dukungan statistik yang disediakan untuk setiap kelambatan semivariogram.
Bagan bawah menunjukkan desain masing-masing struktur independen sementara bagian atas menunjukkan struktur digabungkan menjadi satu persamaan. Karena hanya satu struktur yang digunakan secara aktif, grafiknya sama.
ity dalam kumpulan data titik sampel yang mengukur elevasi.
Dengan pemasangan model, kami akan menginterpretasikan struktur kontinuitas yang disarankan oleh semivariogram yang kami hasilkan dengan Pemodel Ketergantungan Spasial serta informasi tambahan apa pun yang telah kami peroleh. Parameter untuk struktur akan menggambarkan kurva matematis yang membentuk variogram model. Parameter-parameter ini meliputi ambang batas, jangkauan, dan rasio anisotropi untuk setiap struktur. Ketika tidak ada anisotropi, rasio anisotropi direpresentasikan secara matematis sebagai nilai 1.
Perhatikan bahwa kurva matematis tidak cocok melalui beberapa kelambatan pertama dari deret tersebut. Dalam mendesain model agar sesuai dengan data sampel, bentuk umum kurva ditentukan oleh model matematis yang digunakan. Dalam antarmuka Model Fit ting, struktur pertama dari model yang terdaftar adalah struktur Nugget. Struktur Nugget tidak mempengaruhi bentuk kurva, hanya perpotongan y-nya. Itu telah terdaftar secara terpisah dari struktur lain karena banyak kumpulan data lingkungan mengalami peningkatan dalam perpotongan y untuk kurva (lihat Sistem Bantuan on-line untuk modul Pemasangan Model untuk informasi lebih lanjut). Secara grafis itu muncul sebagai ambang dengan nol sebagai jangkauannya. Bergantung pada interval jarak yang digunakan, dan jumlah pasangan yang ditangkap pada interval pertama, variabilitas tinggi pada jarak pemisahan yang sangat dekat dapat terjadi. Kami memodelkan kondisi ini dengan struktur Nugget yang merupakan lompatan dari titik asal sumbu y ke tempat plot titik-titik yang tampaknya akan bertemu dengan sumbu y.
v)
Ambang dalam Model Fitting adalah perkiraan semivarians yang menandai di mana dataran tinggi matematika dimulai . Dataran tinggi mewakili semivarians di mana peningkatan jarak pemisahan antar pasangan tidak lagi memiliki peningkatan yang sesuai dalam variabilitas di antara mereka. Secara teoritis, dataran tinggi terus menunjukkan tidak ada bukti ketergantungan spasial antara sampel pada jarak ini dan selanjutnya.
Ini adalah semivarians di mana jangkauan tercapai.
Pada latihan sebelumnya kita menyajikan jangkauan sebagai tepi elips hipotetis. Dalam kondisi isotropi, kita mengasumsikan bahwa elips itu bulat sempurna. Kami juga mempresentasikan rentang tersebut sebagai keunggulan teoretis. Namun, dalam praktiknya, kami biasanya mendefinisikan rentang sebagai jarak pemisahan yang sesuai dengan semivarians sekitar 95% ambang batas. Ketidaktepatan data dunia nyata menghasilkan transisi fuzzy dari ketergantungan spasial ke tanpa ketergantungan.
Apakah data elevasi menunjukkan efek nugget? Jika demikian, apakah itu? Coba sesuaikan Nugget Sill, lalu coba sesuaikan kembali rentang dan parameter ambang untuk struktur bola. Nilai desimal dapat diketik dalam kotak untuk meningkatkan presisi.
T)
Dengan menggunakan seri data kami, kami tampaknya memiliki nugget pada V(x) = 6 yang secara visual mengubah parameter rentang dan ambang kami masing-masing menjadi sekitar 575 dan 21. Bagaimana kami memodelkan jarak pemisahan terdekat sangat penting untuk kriging biasa.
Mereka sesuai dengan jarak yang biasa digunakan untuk mendefinisikan lingkungan lokal. Karena model ini paling sering diharapkan untuk diterapkan pada jarak pemisahan terendah ini, kita harus menyesuaikannya dengan baik. Kita perlu berhati-hati dalam menilai Nugget, terutama karena kita harus memperkirakannya.
Periksa secara visual seri data ELEVATION-OMNI95W untuk mengetahui nilai yang tampaknya mencapai rentang dan ambang. Apa yang tampak sebagai ambang dan jangkauan untuk data ini?
Untuk struktur non-nugget pertama (struktur 2), gunakan model Spherical default dan masukkan Range 475 dan Sill 27 di set kotak yang sesuai. Setelah selesai, Anda akan melihat bahwa model matematika ditampilkan pada dua grafik.
kelambatan. Mengapa demikian? Apakah ada anomali di dis
Karena pola ketergantungan spasial di antara sampel menjadi lebih kompleks, lebih dari satu struktur mungkin diperlukan untuk menggambarkan bukti yang diberikan oleh satu semivariogram sampel.89 Kami akan menggunakan pendekatan ini dengan ELEVATION OMNI95W. Kami akan memodelkan dua kurva matematis untuk mendekati bentuk kontinuitas yang disiratkan oleh semivario gram. Semua struktur akhirnya digabungkan menjadi satu persamaan yang darinya informasi kontinuitas spasial diturunkan untuk kriging dan simulasi menggunakan satu variabel. Penggunaan lebih dari satu struktur digabungkan dengan cara ini adalah contoh nested
175 Semivariogram sampel kedua dan ketiga dapat digunakan untuk melihat
, w)
struktur.
y)
Aktifkan opsi Stats dengan mengklik kanan mouse saat kursor berada di grafik atas dan menu pop-up akan muncul. Pilih Statistik Aktif.
,
Ketika semivariogram sampel tidak konsisten melintasi jarak, seseorang dapat secara bersamaan menampilkan semivariogram tambahan untuk membantu menilai desain model.
Informasi ini dibawa dari Spatial Dependence Modeler. Tampaknya semua kelambatan memiliki dukungan statistik yang kuat. Harap diperhatikan bahwa ini tidak mengkonfirmasi validitas sampel semivariogram. Namun, Nugget yang kami perkirakan mungkin cocok dengan sampel semivariogram.
Setel semua rentang dan ambang untuk semua struktur ke nol, termasuk Nugget Sill. Pilih model Gaussian untuk struktur non-nugget pertama, dan model Spherical untuk struktur non-nugget kedua. Untuk struktur Gaussian, struktur 2, masukkan rentang 330 dan ambang 30. Untuk struktur bola, struktur 3, masukkan rentang 125 dan ambang 24.
Sebuah kotak muncul di tengah dialog Model Fitting yang melaporkan kusen sebenarnya dari persamaan struktur bersarang (gabungan) yang direpresentasikan di bagan atas. Kusen yang Anda masukkan sesuai dengan kusen struktur independen yang ditampilkan di bagan bawah.
Perhatikan bahwa 100 dan 450 tampaknya merupakan titik belok pada kurva matematika gabungan.
Anda mungkin memperhatikan bahwa sulit untuk menyesuaikan 5 lag pertama secara terus-menerus dengan kurva. Kurva kontinu cocok dengan titik data untuk mengisi informasi yang kurang dari sampel saja, dan untuk memperkirakan pola aktual untuk area studi. Dalam kasus ini , kita harus memahami bagaimana menginterpretasikan perubahan dalam 3 kelambatan karena variabilitasnya turun dan tampaknya tidak konsisten dengan pola yang lebih kontinyu dari kontribusi 1 pasangan data yang
memasuki perhitungan pada interval jarak ini? Apakah jumlah sampel data tidak cukup relatif terhadap yang lain? Atau apakah pola kontinuitas spasial lebih kompleks? Mudah-mudahan, pada tahap mengeksplorasi model variogram, seseorang telah mengajukan pertanyaan-pertanyaan ini, dan sampai pada kesimpulan bahwa model ini adalah "berperilaku terbaik" dan/atau yang paling menunjukkan pola ketergantungan spasial di wilayah studi. Setiap kali seseorang ditantang oleh proses pemasangan, seseorang harus menggunakannya sebagai kesempatan untuk pencerahan yang lebih besar tentang kumpulan data.
Pilih Stats Off dengan melakukan urutan yang sama seperti di atas. Kemudian masukkan variogram sampel kedua. Di bawah File opsional, masukkan nama file ELEVATION-OMNI40W, lalu tekan tombol Enter.
Latihan 3-5 Geostatistik
th dan 4
X)
Persamaan gabungan tidak menghasilkan bentuk Gaussian maupun bentuk bola, tetapi bentuk yang lebih kompleks. Kami akan menggunakan struktur ketiga untuk menyesuaikan secara visual informasi yang dilaporkan dalam dua kelambatan pertama, dan kami akan menggunakan struktur kedua untuk menyesuaikan secara visual ke kelambatan yang lebih tinggi.
ELEVATION-OMNI40W mewakili interval kelambatan pada 40 kaki sedangkan file lainnya, ELEVATION-OMNI95W, mewakilinya pada 95 kaki.
Perhatikan bahwa titik-titik dari variogram kedua mengikuti kurva yang sama. Melihat dua kurva yang berbeda hanya dalam lebar jedanya berguna untuk menilai struktur kontinuitas yang disiratkan oleh keduanya, terutama ketika diskontinuitas di masing-masing dapat dikompensasi oleh yang lain saja. Dalam hal ini, deretnya tidak memasukkan kalkulasi
yang sesuai, tetapi berguna dalam mendefinisikan lebih dari satu struktur.
th dan 5
dan 2
z) Selanjutnya, tingkatkan Nugget Sill ke nilai 1. Coba ubah semua parameter untuk membuat "paling cocok" secara visual
Dan
89. Ketika bukti struktur sekunder ketergantungan spasial dapat dikumpulkan secara independen dari lebih dari satu semivariogram, maka masing-masing semivariogram dapat dimodelkan dan dicocokkan secara independen. Lihat Help System on-line untuk modul Model Fitting untuk melihat bagaimana menambahkan informasi ke dalam simulasi.
st
kriging
satu persamaan untuk
.
Anisotropi geometris terjadi ketika rentang variabilitas spasial berubah dengan arah, tetapi ambangnya tetap sama.
Untuk kumpulan data ELEVASI, kita dapat memodelkan kontinuitas spasial dalam dua arah, mayor (kontinuitas maksimum) dan minor (kontinuitas minimum), menggunakan file sampel variogram yang disimpan dalam latihan Pemodel Ketergantungan Spasial. Dalam praktiknya, pertama-tama kita harus membangun model berdasarkan arah utama saja, memperlakukannya seolah-olah mewakili model isotropik.
variogram model ke semivariogram sampel. Setelah menyesuaikan parameter, tekan Fit Model untuk menyesuaikan kurva secara otomatis.
Anda mungkin akan mendapatkan pesan kesalahan bahwa ada model tunggal atau tidak ada konvergensi.
Jika Anda menerima pesan, ÿSingular Model in Fit,ÿ selama beberapa iterasi pemasangan dan menentukan jumlah kuadrat kesalahan dalam pemasangan, matriks pemasangan tidak lulus uji stabilitas numerik dalam matriks yang digunakan oleh algo rithm. Terkadang sedikit menyesuaikan parameter dan memasang kembali akan membantu mengatasi masalah ini. Masalahnya mungkin lebih serius jika struktur yang Anda gunakan tidak cukup berbeda satu sama lain. Jika Anda menerima pesan, "No Convergence in Fit", maka algoritme penyesuaian otomatis tidak berhasil mencocokkan variogram model dengan variogram sampel. Sistem Bantuan online membahas cara untuk menginterpretasikan mengapa hal ini terjadi, dan cara mengatasi masalah tersebut.
Tidak seperti demonstrasi bagian terakhir, ini adalah contoh dunia nyata, dan dengan demikian, akan digunakan untuk mendemonstrasikan fitur tambahan dari proses pemasangan untuk model dunia nyata mana pun.
Dari menu GIS Analysis/Surface Analysis/Geostatistics, pilih Model Fitting. Pilih ELEVATION MAJOR sebagai variogram sampel yang sesuai, dan tekan Enter. Dengan menggunakan model bola, sesuaikan secara visual sampel vario gram dengan menyesuaikan rentang dan parameter ambang untuk struktur non-nugget pertama ini, yaitu struktur kedua.
A A) Atur rentang struktur ketiga dan ambang ke 0. Atur struktur Gaussian ke sferis, dan sesuaikan rentang ke 575, ambang ke 21, dan Nugget ke 6. Lalu tekan Fit Model.
Coba paskan kurva secara visual dengan 10 lag, atau titik, pertama dari grafik.
Satu diperingatkan untuk tidak "over fit" model kurva variogram ke semivariogram sampel. Terlalu banyak struktur sebenarnya dapat meningkatkan kesalahan dalam menggambarkan kesinambungan spasial. Komponen kesalahan data sampel juga dapat memiliki autokorelasi spasial. Model omnidirectional dipilih untuk latihan ini, bukan karena keterwakilannya dari ketergantungan spasial di wilayah studi, melainkan sebagai demonstrasi alat Model Fitting. Faktanya, dibandingkan dengan hasil yang menggunakan banyak set data, ELEVATION-OMNI95W mewakili kurva transisi yang relatif mulus untuk semivariogram sampel. Kami memilihnya karena ÿterlihat bagus.ÿ Pada kenyataannya, area studi yang diwakili oleh ELEVASI mungkin tidak cukup homogen untuk memodelkan karakteristiknya dengan lancar. Ini mungkin perlu dikelompokkan ke dalam area yang terpisah. Paling tidak, kita tahu dari Pemodel Ketergantungan Spasial bahwa itu menunjukkan tanda-tanda anisotropi geometris yang menjadikan rangkaian segala arah yang kita terapkan di sini tidak valid untuk pengembangan model yang sebenarnya.
ab)
Ada kelambatan yang melampaui jarak kelambatan di mana ambang bertemu. Kami tidak ingin kelambatan ini memengaruhi definisi kurva. Bagaimana kita memutuskan berapa banyak kelambatan yang cocok? Kami selalu memperkirakan ukuran tudung tetangga lokal untuk interpolasi sebelum memutuskan pentingnya dan relevansi setiap lag untuk pembuatan model akhir. Distribusi sampel data, keandalan variogram yang dinilai, dan data tambahan membantu kami memilih ukuran lingkungan ini. Seperti dibahas pada bagian sebelumnya, kami ingin menekankan kelambatan yang lebih rendah, namun kelambatan pada jarak pemisahan yang lebih jauh dapat dinilai relevan untuk interpolasi juga. Kami tidak ingin secara otomatis mengecualikan ini dan dengan demikian mengorbankan keakuratan kecocokan. Dalam praktiknya, kami mencoba menyesuaikan jumlah kelambatan yang berbeda dan menilai kepekaan
Kami berasumsi bahwa model ini isotropik dengan membiarkan rasio anisotropi diatur ke satu. Di bagian ini, kami dapat mendemonstrasikan cara menggunakan banyak alat di Model Fitting. Kumpulan data umumnya tidak transisi mulus atau isotro pic, jadi dengan kumpulan data ELEVASI dan HUJAN, kami selanjutnya akan mengilustrasikan bagaimana memodelkan kondisi anisotropi dunia nyata, baik geometrik maupun zonal, menggunakan Model Fitting.
Pada bagian ini, kita akan melanjutkan eksplorasi Model Fitting dengan membahas anisotropi geometris. Kami juga akan memiliki kesempatan untuk mengatasi perubahan jumlah kelambatan selama pemasangan otomatis dan menggunakan jenis struktur yang berbeda.
Pemodelan Anisotropi Geometrik
Kemudian ubah Fit Method menjadi WLS2 dan tekan Fit Model lagi.
iklan)
Semivariogram sampel yang mewakili arah kontinuitas minor digunakan untuk menyesuaikan anisotropi secara visual. Kami tidak menggunakan algoritme pemasangan otomatis untuk mengevaluasi kecocokan dengan rasio anisotropi. Kita secara tidak langsung dapat menghitung rasio dengan tangan setelah menyesuaikan arah mayor dan minor secara terpisah satu sama lain. Untuk memilih rasio dengan bantuan pemasangan otomatis, baca Sistem Bantuan online untuk urutan langkah-langkahnya.
Latihan 3-5 Geostatistik
Versi WLS2 dari kuadrat terkecil tertimbang tidak hanya memberi bobot pada titik dengan jumlah pasangan data yang diwakili oleh setiap titik, tetapi juga menggunakan semivarians untuk menormalkan bobot. Secara visual masuk akal bahwa model Gaussian memiliki efek nugget kecil. Namun dalam praktiknya, model Gaussian selalu disertai dengan nugget kecil untuk menghindari artefak matematika nanti selama interpolasi. Mari kita terima kecocokan ini. Kami akan memeriksa hasil yang dihasilkannya selama interpolasi pada latihan terakhir. Untuk saat ini, kami akan melanjutkan untuk mendemonstrasikan pemodelan anisotropi.
distribusi setiap model variogram sebelum memutuskan jumlah kelambatan yang akan digunakan. Menyesuaikan kurva, oleh karena itu, adalah tindakan penyeimbangan konstan dari beberapa faktor: skala variabilitas yang diinginkan untuk digunakan untuk memprediksi permukaan, keandalan setiap lag ke skala itu, ukuran yang diharapkan dari lingkungan lokal yang diberikan data sampel dan distribusinya, dan logistik penyesuaian otomatis.
177 Kami telah membatasi kecocokan visual kami pada 10 lag pertama. Sekarang kita akan membatasi proses pemasangan model otomatis dengan menentukan jumlah kelambatan yang sesuai.
ae) Selanjutnya, masukkan variogram sampel lain di kotak input kedua di bagian File opsional. Pilih ELEVA TION-MINOR, dan tekan Enter.
ac)
Untuk memodelkan anisotropi geometris, kami akan menggunakan variogram sampel kedua murni untuk interpretasi visual dari rentang yang berbeda. Rasio anisotropi mewakili rasio rentang arah kontinuitas minimum terhadap rentang arah kontinuitas maksimum.
Ubah jumlah kelambatan agar pas dengan mencentang kotak di tengah. Tentukan nilai 10. (Standarnya adalah menyesuaikan dengan semua kelambatan.) Sekarang coba pengepasan otomatis, dengan menekan Fit Model. Jika tidak ada konvergensi dalam kesesuaian model Anda dengan semivariogram sampel, coba masukkan nilai berikut ke dalam struktur non-nugget pertama Anda: 625 untuk rentang, dan 24 untuk ambang, dan tanpa ambang Nugget. Tekan Fit Model lagi.
af) Di bawah kolom Rasio Anisotropi, turunkan rasio anisotropi untuk struktur non-nugget pertama, menggunakan bilah gulir. Perhatikan bagan atas saat Anda menurunkan rasionya. Kurva tambahan akan muncul. Atur rasio anisotropi menjadi 0,40. Kemudian, sebelum melanjutkan, mari kita simpan persamaan matematika kita saat ini. Tekan tombol Save Model dan simpan parameter variogram model ke file perintah model (.prd) bernama ELEVATION-PRED. Dengan menggunakan kecocokan ini, kami sekarang telah menyimpan kurva matematis dengan informasi anisotropi geometris yang terkait ke file parameter yang nantinya dapat digunakan untuk simulasi kriging atau kondisional.
Semivarians selalu positif karena suku kuadrat dalam rumus semivariogram. Pemasangan kurva matematika tidak memperhitungkan hal ini. Algoritme pemasangan weighted least squares (WLS) yang digunakan (lihat Sistem Bantuan) secara umum menyesuaikan kurva ke sekumpulan titik dengan mempertimbangkan posisi x, y dan jumlah pasangan data yang memasukkan estimasi asli V(x) pada setiap lag . Ini mencoba untuk meminimalkan jumlah kuadrat perbedaan antara nilai sampel dan model semivariogram. Algoritme menghasilkan hasil yang sesuai dengan dua kelambatan pertama bersama dengan perpotongan y saat menggunakan model Spherical. Model Spherical relatif linier untuk beberapa kelambatan pertama yang meningkatkan kemungkinan intersep pada sumbu y negatif (coba parameter di atas jika ini tidak terjadi pada Anda). Jelas, Nugget negatif tidak dapat diterima untuk membuat model. Kita dapat mencoba model lain yang memiliki bentuk berbeda di dekat sumbu y.
Ubah struktur Spherical menjadi struktur Gaussian, sesuaikan parameter, dan tekan Fit Model lagi. Jika tidak ada konvergensi, coba masukkan nilai berikut: 264 untuk Rentang, 21 untuk Sill, dan 1,5 untuk Nugget Sill.
90
90. Setelah menyelesaikan bagian ini, untuk latihan, kami sarankan Anda mencoba mengubah jumlah lag agar pas beberapa kali untuk melihat bagaimana hasil dapat berubah.
ah)
Dari menu GIS Analysis/Surface Modeling/Geostatistics , pilih Model Fitting. Masukkan RAIN-MAJOR-95 sebagai variogram sampel yang sesuai, dan tekan Enter.
nilai lag V(x). Awasi terus
ditambahkan bersama-sama
Untuk struktur non-nugget pertama yang pas, gunakan model Spherical, masukkan 20000 untuk rentang, atur ambang ke nilai 1, dan atur rasio anisotropi ke 0,00001.
Untuk saat ini, kami akan menerima kecocokan visual dari anisotropi. Arah minor lebih sulit untuk disesuaikan secara otomatis karena merupakan semivariogram yang relatif "berisik". Tujuan pemodelan kesinambungan spasial adalah untuk menggambarkan pola yang menggambarkan karakteristik spasial utama dari permukaan elevasi aktual yang diukur. Kami melakukan ini bukan dengan menciptakan yang paling sesuai dengan seperangkat nilai yang tidak stabil, tetapi dengan menggunakan pengetahuan tambahan. Kami tahu dari melihat kumpulan data sampel bahwa elevasi berubah lebih cepat pada arah 132º daripada arah 42º, tetapi kami memiliki lebih sedikit sampel untuk mengukur variabilitas arah minor pada jarak pemisahan yang pendek.
Kesinambungan dalam hal ini tidak cukup lancar transisi untuk berhasil dengan penyesuaian otomatis menggunakan algoritma yang tersedia.
di dalam itu
struktur
Nilai yang kami sarankan mensimulasikan anisotropi geometrik ekstrim, yaitu anisotropi zonal. Kisaran harus berupa nilai besar yang sewenang-wenang relatif terhadap jarak maksimum sumbu x. Bersama-sama, rentang, ambang yang sangat rendah, dan rasio anisotropi 0,00001, menentukan elips yang hampir tak terbatas.
Selanjutnya, untuk struktur non-nugget kedua, ubah model menjadi struktur eksponensial dan paskan kurva secara visual ke 4-10 lag pertama sehingga ambang tercapai di antara 5 bagan teratas. Di hadapan anisotropi
zonal, Anda harus menggunakan grafik atas agar pas dengan model secara visual daripada bagan bawah. Sesuaikan Nugget Sill.
Anisotropi zonal, suatu bentuk ekstrim dari anisotropi geometris, terjadi ketika ada perbedaan nyata dalam tingkat variabilitas jarak jauh dalam arah variabilitas maksimum relatif terhadap arah variabilitas minimum seperti yang terlihat pada kumpulan data curah hujan kami. Itu dapat dideteksi ketika ada perubahan nilai ambang yang ditandai dengan arah. Seperti yang akan kita lihat, struktur zona berkontribusi pada model hanya dalam arah variabilitas maksimum. Untuk memodelkan efek zonal, kita menspesifikasikan sebuah elips dalam arah variabilitas maksimum (bukan kontinuitas) yang begitu meregang, yaitu jangkauannya begitu besar, sehingga sumbu tegak lurus menghilang secara visual. Elips yang dihasilkan seperti garis, yang jika disampirkan di permukaan variogram, jatuh ke arah variabilitas maksimum. Dalam kasus kumpulan data curah hujan, garis ini berada di arah selatan ke utara - arah angin yang ada.
ke membuat
Dalam latihan ini, kita akan membuat model yang mengandung anisotropi zonal dengan menggabungkan tiga struktur. Struktur pertama adalah struktur zonal yang akan diberikan rasio anisotropi yang sangat rendah. Rasio anisotropi yang rendah ini menunjukkan bahwa ketergantungan spasial segera turun untuk pasangan data ke arah lain selain dari variabilitas maksimum. Kami kemudian akan menyesuaikan dua struktur isotropik ke arah kontinuitas maksimum.
Dengan menggunakan model Eksponensial, Anda harus memasukkan nilai yang mendekati kisaran 60 dan ambang batas 500. Ketika struktur non nugget pertama adalah struktur anisotropi Anda, maka Anda ingin menyesuaikan secara visual dengan grafik teratas karena dampak zonal struktur membuat tampilan struktur. Perhatikan bahwa Kusen Aktual setengah dari yang ditentukan saat kedua model menampilkan bagan.
Kumpulan data curah hujan menunjukkan anisotropi zonal yang kuat dan digunakan untuk demonstrasi ini.
ai)
atas ke-th dan 6
ag)
Periksa bentuk semivariogram. Itu asimtotik, yaitu terus meningkat daripada mencapai batas dalam batas-batas wilayah studi. Perhatikan juga bagaimana laju peningkatan berubah melintasi jarak. Secara khusus, tampaknya mendatar sekitar 300 km. Kemudian di sekitar 450 km, tikungan kembali meningkat tajam. Satu penjelasan untuk perubahan jarak ini adalah bahwa kita melihat dua pola umum variabilitas yang ada pada skala yang berbeda. Yang pertama, mewakili jarak pemisahan yang relatif dekat atau variabilitas lokal, sebenarnya mencapai ambang sekitar V(x)=225. Yang kedua adalah komponen asimtotik, mungkin mewakili faktor skala benua yang mempengaruhi pola curah hujan. Pada bagian latihan ini, kita akan mencoba memodelkan kedua komponen bersama-sama dengan komponen zonal. Dengan anisotropi geometris, kami mulai dengan merancang model untuk arah utama. Untuk anisotropi zonal, kita mulai dengan memodelkan struktur zonal.