Cuando se utiliza un método de interpolación espacial (cualquier método) sin tener una forma de validar, además de degustar algunos puntos, hay una manera para contar así con la distancia media entre las observaciones y la distribución espacial.
Me pregunto si hay otra forma de dar una calidad y precisión de la medición de valor, en lugar de dar los tres diferentes mediciones de la calidad de la superficie por separado.
Sí. Los métodos estándar que se utiliza para cruzar a validar y evaluar el Kriging se aplican también, prácticamente sin cambios, a casi cualquier otro método de interpolación. Estos incluyen coleando, una forma de dejar fuera una validación cruzada en la que cada punto de datos se eliminaron sistemáticamente en el conjunto de datos y de predicción con la elegida modelo de variograma. La discrepancia entre la predicción, en comparación con el error estándar de la predicción, es una medida de (relativa) precisión de la predictor.
Obviamente, este tipo de validación cruzada métodos pueden ser aplicados sólo a interpolators que el suministro de algún tipo de medida cuantitativa del error de predicción en cada punto. Para aplicarlos a otros interpolators, todavía se puede proceder como con kriging para la estimación de un variograma de los datos. El uso de este variograma sólo para calcular la predicción de los errores estándar, pero el uso de su elegido interpolador para hacer las predicciones. Proceder como antes. Este ad hoc procedimiento es uno razonable y de forma sencilla para tener una idea de cómo cualquier procedimiento de interpolación está realizando.
También se puede aplicar arranque de métodos. Ellos necesitan ser adaptados a los datos espaciales que se cuenta para esperar la autocorrelación espacial, de modo que, una vez más, incluso si usted no está usando un interpolador kriging, usted necesita calcular el variograma). Esto se llama espacial de arranque. Se basa en la repetición de geoestadística de la simulación de todo un conjunto de datos espaciales, el uso de cada repetición como un conjunto sintético de datos con los que evaluar la exactitud de su elegido interpolador predicciones. Después de un gran número de repeticiones (de por lo menos 100 son elegidos, más a menudo de 500 a 1000) de la recogida de resultados de los resultados de la predicción puede ser montado y evaluados.
Aviso que poco se puede hacer en la ausencia de algún tipo de modelo cuantitativo de la autocorrelación espacial (que es lo que el variograma), independientemente de que su elegido interpolador utiliza un modelo de este tipo.
Este solía ser un montón de trabajo. (La primera vez que pensé en hacer algo como esto, hace un cuarto de siglo, me tomó varias semanas para encontrar y entender los algoritmos y escribir (Fortran) código para generar mallas de simulación de datos espaciales. Cada iteración de la simulación podría tener minutos en un tiempo de 8 MHz PC souped up con un premio de $1000 coprocesador de punto flotante.) Hoy en día se puede obtener, de forma gratuita, con una rápida búsqueda en la Web, probado el código que realiza dichas simulaciones de forma casi instantánea y utilizarla para estimar variogramas y reunir a miles de resultados de la simulación en cuestión de minutos.
Lo siento si esta respuesta es un poco vago, pero no estoy seguro de qué tipo de modelos de interpolación que se está tratando. En general, si usted quiere una indicación de la precisión, entonces usted necesita para comparar los resultados de su análisis con los valores reales medidos. En este caso yo sugeriría que la exclusión de una muestra aleatoria del conjunto de datos cuando se realiza la interpolación y, a continuación, medir qué tan bien el modelo predice los valores de los excluidos de la muestra. Esto le permite jugar con los modelos de parámetros para obtener una buena predicción.
Espero que esto ayude
I-Ciencias es una comunidad de estudiantes y amantes de la ciencia en la que puedes resolver tus problemas y dudas.
Puedes consultar las preguntas de otros usuarios, hacer tus propias preguntas o resolver las de los demás.
