半方差函数详解_“半变异函数”-程序员宅基地

技术标签：人工智能统计学概率论

1 引言

托布勒的地理第一定律指出，“一切都与其他事物有关，但近处的事物比远处的事物更相关。

在半变异函数的情况下，更接近的事物更可预测，变异性更小，而遥远的事物则难以预测，相关性也较低。

例如，当前位置的地形更可能与前方 1 米处的地形相似，而不是与 100 米外的地形相似。

半变异函数绘制了样本值（污染、海拔、噪声等）如何随距离变化。

接下来以土壤水分样本作为案例进行说明。

案例包含 10 英亩田地中的 73 个土壤水分样本。在西北角，样品更湿润，含水量更高。但在东部象限，它们要干燥得多，如下图所示。

针对上图存在以下疑问：

不同地点的值的可预测性如何？
距离较近的已知值是否比距离较远的值更相似？

可以用统计依赖性或自相关来描述这个想法。此外，空间自相关（距离较近的事物比距离较远的事物更相似）为预测提供了有价值的信息。

2 半变异函数原理

要了解空间依赖性，可以使用半变异函数进行估计。半变异函数取 2 个采样位置，并将两点之间的距离称为 h。

在 x 轴上，它以滞后为单位绘制距离（h），滞后只是分组距离。取每组 2 个样本位置，测量响应变量（土壤中的含水量）之间的方差，并将其绘制在 y 轴上。

根据观察者的不同，半变异函数看起来像是一大堆点。例如，土壤水分图如下所示：

但是可以通过选择单个点来做一些侦探工作。当在半变异函数上取这个点时：

可以在地图上看到它们代表哪 2 个点。这是有道理的，因为它们彼此相距很远。因此，它在半变异函数中的极右位置。下面强调的正是这一点：

它们与该特定滞后距离的平均值也存在很大差异。如果半方差较高，则它在 y 轴上的位置较高。可以看到，半方差在滞后距离越近时越小，滞后距离越大，半方差就越大。

我们正在研究 2 个样本之间的所有距离及其变异性。半变异函数考虑所有点及其与方差的距离。

这就是为什么半变异函数上有这么多点的原因。这是上面数据集的一个子集，可以看到我们可以在半变异函数中绘制的所有不同点集。

3 半变异函数计算

半方差函数是距离 h 的函数，也是方向 α 的函数。当一个变量分布于空间时，该变量叫区域化变量(regionalized variable)，半方差函数就是区域化变量 $Z(x_i)$ 和 $Z(x_i+h)$ 增量平方的数学期望，即区域化变量增量的方差(variograms)。其计算公式：

$r(h)=\frac{1}{2N(h)}\sum_{i=1}^{N(h)}[Z(x_i)-Z(x_i+h)]^2$

式中， $r (h)$ 是相隔距离为 $h$ 的半方差图的估计值， $N (h)$ 是相隔距离为 h 的所有点的配对数， $Z(x_i)$ 是样点 $x_i$ 的平均密度， $Z(x_i+h)$ 是样点 $x_i+h$ 的平均密度。

半方差图是 $r (h)$ 作为距离 $h$ 的函数的图形，其值为某一特定方向的值，其中有4个最重要的参数：

变程(RANGE):是当变异函数的值达到平衡时的间隔距离，反映了区域化变量影响范围的大小。
块金值(NUGGET):指变异函数曲线延伸到间隔距离为零时的截距，反映区域化变量内部随机性的可能程度
基台值 $C_0+C$ (SILL):是指达到平衡时的变异函数值，反映变量变化幅度的大小
空间变异比 $C_0/(C_0+C)$ :反映变量空间变异的程度，其值较高，说明随机部分引起的空间异质性程度较高；较低则说明由空间自相关部分引起的空间变异较大；如果该比值接近1，则说明该变量在整个尺度上具有恒定的变异。从结构性因素看，其表示系统变量的空间相关程度，比值小于25%，说明变量具有强烈的空间相关；比值在25%-75%，变量是中等程度的空间相关；大于75%，变量空间相关性很弱。

以 $r (h)$ 为纵轴， $h$ 为横轴，绘制出 $r (h)$ 随 $h$ 增加的变化曲线为半方差图。

从图中可以看出：

在距离较近的采样点，点之间的值差异往往很小。换言之，半方差很小。
随着远离采样点的距离增加，采样点之间不再存在关系。它们的方差开始趋于平缓，样本值彼此之间没有关联。
当同一位置有两个采样点时，可以预期具有相同的值，因此块金值应为零。有时他们不会，这增加了随机性。但在图形开始调平之前，这些值在空间上是自相关的。
当距离增加时，半方差会增加。相隔很远的点对较少，因此样本点之间的相关性较低。
正如半变异函数所示，它开始达到其平坦的渐近水平。尝试拟合函数以对此行为进行建模。

4 半方差图拟合模型

计算取样范围内所有可能距离间隔的变异函数，绘制函数曲线图，进而建立变异函数理论模型。

地统计学中常用来拟合实际变异曲线的理论模型有球状模型、指数模型、高斯模型、线状模型等。

一般情况下，球状模型说明所研究的种群呈聚集分布，表示当样本点间隔距离达到变程之前，样点的空间依赖性随样点间距离增大而降低
指数模型与球状模型相似，但其基台值是渐进线
随机分布的 $r (h)$ 不随距离变化而规律性变化
非水平线状模型表示种群为中等程度的聚集分布，其空间依赖范围超过研究尺度
完全随机或均匀的数据，曲线表现为纯块金变异图， $r (h)$ 呈水平直线或稍有斜率，表明在抽样尺度下无空间相关性

选择何种模型去拟合样本半方差图是一个复杂的过程，一般是根据样本方差图的形状或研究目的来确定。

自然界中许多生物和非生物因子的空间分布与方向有密切关系，因此，也产生了相应的各项异性模型。

有些区域化变量往往包含各种尺度或各种层次的变化，反映在半方差函数上其结构往往不是一种模型结构，而是多种模型结构相叠加在一起的套合结构。

python实现：

https://scikit-gstat.readthedocs.io/en/latest/userguide/variogram.html#the-variogram

参考：
https://gisgeography.com/semi-variogram-nugget-range-sill/

本文链接：https://blog.csdn.net/mengjizhiyou/article/details/134147915

原作者删帖不实内容删帖广告或垃圾文章投诉

智能推荐

SaaS到底是什么，如何做？这份笔记讲明白了_saas如何开发-程序员宅基地

文章浏览阅读1.3k次。阅读本篇文章，您将可以了解：1、什么是SaaS；2、SaaS的商业模式；3、SaaS的技术架构；4、国内比较好的SaaS平台。_saas如何开发

摄像头接入_大华sdk frealdatacallback码流输出链接-程序员宅基地

文章浏览阅读1.5k次。摄像头接入目前摄像头直播的方案主要有以下几种方式： rtsp方式接入，只能实现视频预览国标协议接入，实现比较复杂，需要多实现SIP服务器通过netsdk获取到视频码流，推流到流媒体服务器，通过wsflv，flv，hls等流媒体协议播放，H265不支持一、采用方案对比后最终采用了第三种方式，java使用jna的方式接入大华netsdk，获取到dav视频码流后去除大华头尾，拿到H264裸码流，通过javacv（对ffmpeg、opencv等库的封装）推送到.._大华sdk frealdatacallback码流输出链接

git-commit-amend踩坑_git remote-tracking 本地commit amend不了-程序员宅基地

文章浏览阅读1.4k次。因为改动比较小，所以我不想重建一个commit，于是我是用了git commit --amend命令,由于之前已经将该commit推送到远程仓库，导致修改后推送失败。百度后发现如果你的commit已经push到了远程仓库，那么使用--amend修改commit后，git push时一定要使用 --force-with-lease 参数来强制推送，否则就会报错。这是我自己推送失败的例子解决方式一、第一种使用后git commit --amend -m "修改Git学习(三)指令"注意：-m “._git remote-tracking 本地commit amend不了

AI实验1——八数码问题_人工智能实验八数码难题-程序员宅基地

文章浏览阅读2.5k次，点赞6次，收藏15次。AI实验1——八数码问题一、实验目的与要求实验目的：1 . 熟悉状态空间表示法；2．掌握深度优先、广度优先和等代价无信息搜索算法；3．掌握启发式函数设计，实现面向实际问题的A*搜索算法；二、实验内容与方法实验内容：利用无信息搜索算法实现八数码难题求解；设计启发式信息函数，利用A*搜索实现八数码难题求解；三、实验步骤与过程1,问题分析在八数码难题中，我们使用状态空间表示法，将八数码矩阵（即矩阵的状态）设置为一个节点类（Node），各个节点之间通过操作集（Operater）[‘U_人工智能实验八数码难题

【Js canvas实现是否透明,抠图等功能原理】_js-demo抠图-程序员宅基地

文章浏览阅读2.8k次，点赞4次，收藏11次。透明背景转jpg格式后变黑我们先看demo，您可以狠狠地点击这里：png图片是否含有透明像素JS检测demo如果是不含透明色的PNG图片，则会提示不含透明；如果是，则提示含透明，如下截图：是否背景透明的检测检测原理是借助canvas的getImageData()方法，关于此方法具体API和使用，可以参见““像素点信息获取”这里的详细介绍。_js-demo抠图

[附源码]java毕业设计高校班主任班级管理系统_高校班级管理系统-程序员宅基地

文章浏览阅读1.1k次。的需求进行调查研究，在对系统进行认真分析之后，得出开发整个系统的各项需求。为降低整个系统的复杂度，而使其更加便于修改，提高代码的可读性，我们会将系统模块化，模块间保持相对独立，且每个模块只完成一个子功能，并且与其他模块通过简单的接口链接，即高内聚低耦合原则，而使整个系统能够拥有一个高性能的结构，这边是系统概要设计最重要的目的。所以该系统的开发实现了最大的意义和价值，在系统完成后，利益是否大过于成本，是否能够达到预期效果，这些方面都要进行可行性分析，再通过分析之后，就可以决定是否开发此系统。_高校班级管理系统

随便推点

html静态页面微信分享带缩略图,【荐】静态页面实现微信分享带缩略图、标题和描述...-程序员宅基地

文章浏览阅读1.2k次。这篇文章主要为大家详细介绍了【荐】静态页面实现微信分享带缩略图、标题和描述，具有一定的参考价值，感兴趣的小伙伴们可以参考一下,有需要的朋友可以收藏方便以后借鉴。静态页面实现微信分享带缩略图、标题和描述，想法很现实，要想实现这样的功能这里就要用到大ajax技术，在这里361源码分享给大家。服务端文件jssdk.php代码：..._html分享链接加图片和描述不需要调用jssdk

VASP学习1入门知识_vaspwiki-程序员宅基地

文章浏览阅读5.9k次，点赞10次，收藏63次。大师兄科研实例使用方法：1从最基本的计算开始,通过示例讲解,结合一些脚本的使用,引导大家思考解决自己的问题。因此,在这本书的学习过程里,每一章节会对应一个例子,大家务必手动搭建模型,输入文件(切忌复制粘贴),然后进行计算,得到和大师兄一致的结果。为了引导大家主动浏览官网解决问题,很多都会采用VASP官网的例子。2如何学习本书,大师兄在学习程序时,受learn_python_the_hard_w..._vaspwiki

想说好多话_好多好多话-程序员宅基地

文章浏览阅读222次。以前觉得深圳好热，可是现在觉得沈阳的风好冷…每天不需要说太多的话，只要敲着喜欢的键盘，默默的清理掉禅道上的bug就好，这样的工作似乎是充实的，却总是少点什么，我也喜欢上了活在自己的小世界里，喜欢上了听歌，喜欢去刷微博，喜欢上去看那些心灵鸡汤和搞笑的博主，喜欢看看最近的陈伟霆是不是有帅了，偶尔碰到一条好玩的微博似乎会笑上一会儿，可能作为一个程序猿，真的比较枯燥叭，有时觉得孤单的像一条_好多好多话

简述计算机维修维护的基本原则是什么,计算机硬件维护的四大原则-程序员宅基地

文章浏览阅读2.4k次。计算机硬件维护的四大原则近年来，随着社会经济的快速发展和计算机网络技术的广泛应用，如今计算机已经成为生产生活中不可或缺的必需品，随之而来就出现一些问题。下面是YJBYS小编为大家搜索整理的关于计算机硬件维护的四大原则，欢迎参考阅读，希望对大家有所帮助!想了解更多相关信息请持续关注我们应届毕业生培训网!对于计算机而言，主要包括硬件系统与软件系统两部分，其中硬件系统是软件系统功能得以实现的重要基础和前..._硬件维修的基本原则?

java有趣的技术分享ppt，java面试数据结构与算法高频考-程序员宅基地

文章浏览阅读736次。前言本文涵盖了阿里巴巴、腾讯、字节跳动、京东、华为等大厂的Java面试真题，不管你是要面试大厂还是普通的互联网公司，这些面试题对你肯定是有帮助的，毕竟大厂一定是行业的发展方向标杆，很多公司的面试官同样会研究大厂的面试题。与此同时，今年算法面试一定是会被问的，而算法不是光靠背面试题就有用的，它是需要数学逻辑思维的，因此，小编会在文末为大家准备一份非常优质的算法学习手册，重点在于学习思维方法，话不多说，直接开始上精选的大厂面试真题！在校生如果你是在校生，你应该趁着在学校的时间夯实基础（比如计算机系统、_java有趣的技术分享

MapReduce统计以某字母开头的单词的平均长度_mapreduce计算平均单词长度-程序员宅基地

文章浏览阅读1.7k次。MapReduce统计以某字母开头的单词的平均长度用MapReduce编写程序主要的就是编写Map和Reduce函数、main函数java代码如下package section1;import java.io.IOException;import java.util.StringTokenizer;import org.apache.hadoop.conf.Configuratio..._mapreduce计算平均单词长度