Problemas para estimar parámetros de anisotropía para un modelo espacial

Question

Estoy buscando a alguien con experiencia en cómo manejar la anisotropía de parámetros en la likfit() función que es parte de la GeoR paquete en R. Estoy usando likfit() para generar la obj.m-parámetro para la función krige.conv(). Los datos que yo uso es la de puntos dispersos (de 5 a 30) en un ~50*50 rejilla.

En likfit(), quiero que los parámetros psiA y psiR a estimarse a partir de los datos disponibles. Esto funciona bien con la siguiente declaración:

fix.psiA = FALSE, fix.psiR = FALSE

Sin embargo, la estimación de los valores de mostrar una enorme gama de psiR, dado que los conjuntos de datos que he utilizado no son fundamentalmente diferentes de uno a otro. (Se trata de un conjunto de humedad del suelo mediciones con valores de 0 a ~45.)

psiR rangos de 1 a alrededor de 8000... puede ser eso cierto? La mayoría de los valores están dentro de un rango de 1 a 10, pero no puedo decir por qué algunos de los conjuntos de datos que producen estos valores muy grandes para psiR.

Yo era incapaz de encontrar más información sobre lo que este parámetro exactamente qué. Entiendo que este parámetro regula la dependencia de un valor estimado de acuerdo a su ubicación con respecto a la temperatura los valores medidos. Pero no sé en que forma se logra esto.

Lo siento por el, posiblemente, mal inglés, no la de un nativo. Yo también soy lo siento por no publicar mi código, pero es bastante larga y yo sentía que no es necesario en nombre de mi pregunta.

Muchas gracias por su interés. Voy a publicar los detalles adicionales, si es necesario.

Answer 1

En resumen, la identificación de la anisotropía está desesperado con estos datos dispersos.

Los dos parámetros en cuestión, psiA y psiR, describir la anisotropía (el ángulo y la relación, respectivamente, de un "anisotropía geométrica": consultar GSLIB o Journel Y Huijbregts para más detalles, debido a que el geoR documentación en Diggle & Ribeiro Jr es, de hecho, la inadecuada relación de anisotropía). Con relativamente pocos puntos de datos es muy posible-de hecho, con suelos de datos (que puede ser sumamente variable) es muy probable-que en algunas direcciones que casi no hay correlación espacial es detectada, mientras que en otras direcciones de las que parece haber cierta correlación. Esto puede resultar en la casi infinita de las proporciones. También, si hay una tendencia en una sola dirección y no se quita, esta tendencia va a crear una fuerte anisotropía.

El problema es que de los cinco puntos de manera demasiado pocos para cualquier tipo de estimación de parámetros y $30$ son muy pocos para identificar la anisotropía de forma fiable. Reglas de oro en la literatura sugieren que usted necesita como mínimo entre el $30$ $100$ puntos para empezar con la estimación de los parámetros de la informática y las predicciones (que es, de kriging). (Todas las reglas de pulgar haber excepciones, pero parece que estos datos no son lo suficientemente amable como para calificar.) Si no se asume un modelo isotrópico, es necesario explorar variogramas direccionales en al menos cuatro puntos cardinales, donde cada uno de esos variograma se basaría en aproximadamente $5$ $10$puntos cada uno, que a su vez es demasiado pequeño. Para identificar la anisotropía, la figura en la necesidad de hablar $100$ puntos.

La cura es la de imponer isotrópica variogramas (o determinar la anisotropía de las consideraciones independientes de los datos) y esperar lo mejor. Esperar que los errores de predicción a ser grandes.