克里金法学习笔记

news2025/2/28 2:44:25

1.Arcmap克里金法的工作原理：

https://desktop.arcgis.com/zh-cn/arcmap/10.3/tools/3d-analyst-toolbox/how-kriging-works.htm

2.Kriging From Wikipedia:https://en.wikipedia.org/wiki/Kriging

概念：在统计学中，最初在地质统计学中，kriging也称为高斯过程回归，是一种基于先验协方差控制的高斯过程的插值方法。在适当的先验假设下，kriging在非采样位置给出了最佳线性无偏预测(BLUP)。
原理：Kriging通过计算该点附近已知函数值的加权平均值来预测给定点上的函数值。该方法与回归分析密切相关。这两种理论都基于协方差假设推导了最佳线性无偏估计量。
应用：虽然克里格最初是为地质统计学的应用而开发的，但它是一种通用的统计插值方法，可以在任何学科中应用于满足适当数学假设的随机场抽样数据。它可以用于收集空间相关数据(2-D或3-D)，并且需要在实际测量之间的位置(空间间隙)估计“填充”数据。
具体应用：环境科学;水文地质;遥感;页岩油井产量曲线预测等等。

3.实例分析

Global Historical Climatology Network monthly (GHCNm)数据下载

全球历史气候学网络每月(GHCNm)数据集提供来自世界各地数千个气象站的每月气候摘要。最初的版本是在20世纪90年代初开发的，随后的迭代版本分别于1997年、2011年和2018年发布。每个摘要的记录时间因站而异，最早的观测可追溯到18世纪。

（1）数据下载
气温数据下载：https://www.ncei.noaa.gov/products/land-based-station/global-historical-climatology-network-monthly

NOAA网站气象台站数据下载教程:https://blog.csdn.net/qq_39855224/article/details/112149945
数据下载链接：https://www.ncei.noaa.gov/maps/hourly/
https://www.ncei.noaa.gov/maps/monthly-summaries/

法国地面气温观测数据：
https://donneespubliques.meteofrance.fr/?fond=produit&id_produit=90&id_rubrique=32

数据下载方法和数据介绍：https://zhuanlan.zhihu.com/p/137584003

边界数据下载：https://zhuanlan.zhihu.com/p/528722294
地形数据下载：http://hydro.iis.u-tokyo.ac.jp/~yamadai/MERIT_DEM/index.html
（2）数据预处理
气象站点数据预处理：
提取DEM高程值：
在这里插入图片描述

地形数据预处理：
1）镶嵌：在这里插入图片描述
2）根据矢量边界数据裁剪：

3）简单出图：添加图例、指北针等。
设置经纬度：https://blog.csdn.net/soderayer/article/details/127953462
关键参数设置：

（3）环境设置：
1）安装folium：https://blog.csdn.net/qq_41185868/article/details/80806521
Folium是建立在Python生态系统的数据整理（Datawrangling）能力和Leaflet.js库的映射能力之上的开源库。用Python处理数据，然后用Folium将它在Leaflet地图上进行可视化。
2）安装pykrige

（4）数据分析
1）绘制直方图+正态分布曲线
Arcgis操作：
参考：https://mp.weixin.qq.com/s/D2ml4SD1Y7NCpC_iHnxCVw
2）QQ图
python绘制qq-plot：https://enjoymachinelearning.com/blog/qq-plot-python/

4.代码部分

（1）Python Kriging interpolation calculation and visual rendering
https://pythonmana.com/2020/12/20201221234713235b.html
关键代码：

from pykrige.ok import OrdinaryKriging
OK = OrdinaryKriging(lons, lats, data, variogram_model='gaussian',nlags=6)
z1, ss1 = OK.execute('grid', grid_lon, grid_lat)