📘 专栏：科研统计方法实战分享 | 地学/农学人的数据分析工具箱
✍️ 作者：平常心0715

🎯 关键词：地统计模拟、随机函数、空间不确定性、条件模拟、SGS、R语言

---

🧠 核心导语

在现实数据有限、空间异质性强的环境中，仅靠单一插值预测并不足以揭示背后的“不确定性”。此时，“地统计模拟”成为了空间研究不可或缺的工具！

---

💡 什么是地统计模拟？

与Kriging插值输出单一预测值不同，地统计模拟（Geostatistical Simulation）通过多次随机模拟，生成一系列可能的空间结果图，从而刻画不确定性，特别适合：

✅ 土壤污染风险图绘制
✅ 矿产资源储量估算
✅ 空间模型误差传播分析

---

🔍 模拟方式对比

方法	特点
SGS（Sequential Gaussian Simulation）	连续变量建模首选，模拟值更平滑
SIS（Sequential Indicator Simulation）	离散/分类型变量建模如土地利用等
Turning Bands	高频模拟，适合大数据场景

---

📦 R语言实战简例（以 gstat 包为例）

library(gstat)
library(sp)

# 假设已有空间点数据 `dat`
coordinates(dat) <- ~x + y

# 拟合变异函数
vgm_mod <- variogram(value ~ 1, dat)
vgm_fit <- fit.variogram(vgm_mod, vgm("Sph"))

# 生成模拟网格
grd <- spsample(dat, n = 500, type = "regular")
gridded(grd) <- TRUE

# 进行SGS模拟（100 realizations）
sim_result <- krige(value ~ 1, dat, grd, model = vgm_fit, nmax = 20, nsim = 100)

---

📊 不确定性评估

你可以通过这些方式评估模拟结果：

• 平均图（Mean Map）：各位置的平均预测值；

• 标准差图（Std. Dev. Map）：反映空间预测的稳定性；

• 95%置信区间图：量化置信程度。

---

✍️ 科研写作句式

“通过顺序高斯模拟方法构建100组空间预测结果，进一步量化研究区土壤污染分布的不确定性，结果显示热点区域的不确定性较高，需进一步实地调查。”

---

🧩 小结

✅ 插值只给一个答案，模拟提供多个“可能”；
✅ SGS 是连续型变量建模利器；
✅ 不确定性分析帮助我们对空间结果有更科学判断！

---

📌 下一讲预告：空间异质性检验与地统计局部指标（LISA）应用

如果你觉得这篇文章有帮助，欢迎点赞 + 收藏！
我也会继续带来更多可直接实操的地理/农学统计方法系列分享~