Геометрия сети наблюдений
Одномерная
Двумерная (площадная)
Трёхмерная (объёмная)
Равномерная
Кратная
Неравномерная
Размер области наблюдения
при увеличении размера области уменьшается дисперсия величин
Ориентировка области измерений
При различной ориентировке линейных или цилиндрических областей в анизотропной среде можно получить разные результаты.
Среди детерминированных моделей можно выделить модели
линейные, полиномиальные, обратных расстояний и сплайн-модели.
В вероятностных моделях предполагается, что значения пространственной переменной (в том числе и в пунктах измерений) содержат элементы случайности.
Различают две группы вероятностных математических моделей:
случайные функции и геостатистические модели.
Геостатистические модели
содержат предположение о том, что случайный результат измерений вызван случайным расположением пунктов наблюдений. При этом остается неизменным средний квадрат разности между результатами измерений в пунктах, отстоящих друг от друга на шаг h.
Для линии:
Для площади :
Для объёма :
α = arctg(–b/a),
азимут
падения
угол
падения
В качестве функции обычно используются полиномы низких степеней, реже тригонометрические функции (двойной ряд Фурье).
Не является точным интерполятором.
IDW
Глобальный полином 2
Разность = IDW - полином
Используется в качестве грубого фильтра, в геологии - для поиска региональных закономерностей, геохимического и геофизического фона, выделение аномальных участков (анализ поверхности тренда).
Вычисленные поверхности очень чувствительны к экстремальным значениям (очень низким или очень высоким, особенно по краям изучаемой территории)
Количество степеней свободы k равно количеству постоянных коэффициентов в аппроксимирующей функции, в которой n – число наблюдений. Так, в полиноме первой степени (в уравнении плоскости)
три постоянных коэффициента
Значение в центральной точке области оценивается на основании детерминированной функции (обычно полиноминальной), которая рассчитывается по опорным точкам, находящимся в этой области. Дополнительно, могут использоваться весовые коэффициенты, зависящие от расстояния между оцениваемой точкой и опорными.
При p = 1:
Оптимальное значение степени p определяется путем минимизации среднеквадратичной ошибки вычислений, которая рассчитывается при перекрестной проверке (каждая опорная точка исключается из вычислений и сравнивается с проинтерполированным значением для этого местоположения).
В методе IDW максимальные и минимальные значения на проинтерполированной поверхности могут иметь только опорные точки.
Поиск ближайших опорных точек.
Радиальные базисные функции
формируются над каждой опорной точкой.
Интерполированное значение находится как
взвешенное среднее значение функций:
w1f1 + w2f2+ w3f3 +….
Функции дают хорошие результаты для плавно меняющихся поверхностей, таких как рельеф.
Эти методы не подходят в тех случаях, когда на поверхности происходит резкое изменение значений на коротком расстоянии по горизонтали и в тех случаях, когда вы предполагаете, что в исходных данных могут быть ошибки или неточности.
Если математическое ожидание – величина постоянная, то случайная функция называется стационарной, в противном случае – нестационарной.
Случайная функция имеет три главные характеристики: математическое ожидание,
дисперсию случайных колебаний и
автокорреляционную функцию.
График случайной функции.
(точки измерений имеют случайные отклонения δ от плавной линии математического ожидания).
Если из нестационарной случайной функции вычесть математическое ожидание, то она превратится в стационарную с нулевым математическим ожиданием.
Дисперсия случайной функции равна дисперсии отклонений δ(х):
Автокорреляционная функция :
Сумма вариограммы и ковариации (автокорреляционной функции) равна дисперсии исходных данных:
Главная задача геостатистики - связать результаты, полученные по одной базе (например, образцы керна), с результатами, полученными для другой базы (например, эксплуатационные блоки).
На основе этой гипотезы введена вариограмма γ(h) – главная характеристика в геостатистике. Она равна полусумме среднего квадрата разности между результатами измерений при шаге h и выражается формулой
Для построения эмпирической вариограммы используется бининг – группировка пар точек по расстоянию и направлению. Каждая группа – бин – содержит все пары точек, расстояние между которыми и азимут от одной точки на другую попадают в границы этого бина (например, точки, отстоящие друг от друга на расстоянии от 10 до 15 м в направлении от 30º до 60º - этот бин выделен на рисунке штриховкой)
Бины усредняются, и среднее значение для пар каждого бина наносится на вариограмму.
Выбор размера лага оказывает важное влияние на вид эмпирической вариограммы. Если размер лага слишком велик, корреляция на микроуровне может не проявиться на графике. Если размер лага слишком мал, может быть сформировано много пустых бинов, и количество включенных в бин опорных точек будет слишком мало для получения репрезентативных “средних значений” для бина.
Размер лага слишком мал. Сформировано много пустых бинов
Для описания моделей вариограмм используются определенные параметры – радиус влияния, порог, эффект самородка.
Радиус влияния - расстояние, при котором модель начинает выравниваться. Опорные точки, отстоящие друг от друга на расстояние, меньшее, чем радиус влияния, пространственно коррелируют, в то время как точки, отстоящие друг от друга на расстояние, большее, чем радиус влияния, - нет.
Порог - значение γ, которое модель вариограммы принимает в точке радиуса влияния.
Эффект самородка - разница между измерениями при бесконечно малых расстояниях (часто проявляется на золоторудных месторождениях, когда в одну пробу может попасть крупный самородок, а другая проба, отобранная рядом, покажет лишь убогое содержание золота).
Радиус влияния обычно можно оценить визуально.
Порог характеризуется значением, где вариограмма стабилизируется (становится горизонтальной). Для стационарных переменных порог совпадает с общей дисперсией проб, но иногда это не верно, так как в исходных данных присутствуют тренды большой протяженности. Если присутствует более одной зоны влияния (несколько структур), то вспомогательные зоны можно различить визуально в местах, где вариограмма меняет кривизну.
Подгонка обычно делается интерактивно с использованием какого-нибудь графического терминала.
Общая рекомендция сводится к тому, чтобы выбирать наиболее простые модели, избегать многоструктурных моделей, не усердствовать с уменьшением эффекта самородка.
Глобальный тренд - это доминирующий процесс, который оказывает детерминистское влияние на все измерения. Глобальный тренд может быть представлен математической формулой (например, полиномом) и вычтен из значений в опорных точках, а затем вновь добавлен после выполнения интерполяции. Этот процесс носит название “вычитание (или удаление) тренда”.
Геометрическая (аффинная)
Вариограммы, построенные для разных направлений, выходят на пороги разного уровня.
Зональная анизотропия
Вариограммы, построенные для разных направлений имеют приблизительно одинаковый уровень порога, но разные зоны влияния.
Геометрическую анизотропию можно устранить путём аффинных преобразований (заданием эллипса анизотропии, короткая ось которого совпадает с направлением наибольшей изменчивости, а длинная – с направлением наименьшей).
Способ устранения зональной анизотропии зависит от причин её появления.
На рисунке изображены вариограммы, построенные по бороздовым, задирковым и валовым пробам. Многотонные валовые пробы имеют существенно меньшую дисперсию, чем килограммовые борозды. Использование данных, полученных по одному основанию является одним из важнейших требований геостатистических методов интерполяции.
Использование данных, полученных по разным основаниям.
Сферическая
Сферическая модель имеет 2 параметра – радиус влияния и порог, равный общей дисперсии признака. Математически сферическая модель описывает левый верхний квадрант эллипса.
Экспоненциальная
Экспоненциальная модель похожа на сферическую, но вблизи начала координат она восходит сначала более круто, чем сферическая, а затем, наоборот, имеет более пологий подъём и выходит на порог на расстоянии 3-х радиусов влияния
Эффект самородка
Zx,y – значение в точке с координатами x,y m[x,y] – математическое ожидание
ex,y – случайная ошибка в точке с координатами x,y
Ординарный кригинг.
Неизвестная константа m показана пунктирной линией. Предполагается, что значения на изучаемом участке являются результатом автокорреляции между ошибками (εx,y) при неизменном среднем (mx,y = const). Степень корреляции между ошибками не зависит от конкретного местоположения точек, а определяется только их взаимным расположением - расстоянием и (если используется анизотропия) направлением. Для расчёта (авто)корреляции между точками используется модель вариограммы.
(m – неизвестная постоянная)
Простой кригинг
Ординарный кригинг
Бинарные данные могут быть созданы для непрерывных данных с использованием порогового (критического) значения, либо значения в опорных точках могут изначально, при выполнении наблюдений, фиксироваться как 0 или 1.
Значения, полученные в результате интерполяции по методу индикаторного кригинга , находятся в диапазоне между 0 и 1 и могут быть интерпретированы, как вероятности того, что переменная будет равна 1 или попадет в класс, обозначенный как 1.
Карты вероятностей превышения среднего значения.
Сглаживающая интерполяция.
Эффект самородка >0
Точная интерполяция.
Эффект самородка =0
Вероятностный кригинг.
Вероятностный кригинг пытается делать то же самое, что и индикаторный кригинг, но для того, чтобы выполнить работу лучше, он использует кокригинг. В качестве второй переменной используется небинаризованное значение первой переменной.
Если не удалось найти и скачать презентацию, Вы можете заказать его на нашем сайте. Мы постараемся найти нужный Вам материал и отправим по электронной почте. Не стесняйтесь обращаться к нам, если у вас возникли вопросы или пожелания:
Email: Нажмите что бы посмотреть