Kriging Nonstationary Data
非平稳空间数据的克里金预测AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究空间预测与漂移处理，空间相关本身不足以归入网络干扰或时间序列方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
非平稳空间数据的克里金预测
- 研究问题
- 对于均值随空间位置变化的数据，当漂移函数和变差函数通常都未知时，如何实施可靠且便于操作的克里金预测？
- 方法与思路
- 作者以网格空间数据的中位数平滑处理漂移，讨论其与普通及泛克里金的关系，并在两个数据集上进行预测比较。
- 材料陈述的贡献
- 摘要称，该方法具有抗异常性且偏差相对较小，并在所给比较中取得与操作较困难的泛克里金相当的结果。
- 阅读关注点
- 核对中位数平滑如何处理漂移、残差变差函数如何估计，以及两组数据比较中的预测对象、误差指标和实施步骤。
- 阅读边界
- 材料仅为版本未注明的 OpenAlex 索引摘要；比较指标及偏差条件未详述，不能将所述表现推广至任意空间过程或推断刊本变化。
原文摘要
Spatial data modeled to have come from a random function with a nonstationary mean are considered. The spatial prediction method known as kriging exploits second-order spatial correlation structure to obtain minimum variance predictions of certain average values of the random function. But to do so, it must be assumed that either the mean function (the drift) is known up to a constant or the second-order structure (the variogram) is known exactly. Knowledge of the drift allows the (stationary) variogram to be estimated and leads to ordinary kriging. Knowledge of the variogram allows the drift to be estimated and leads to universal kriging. More usually, neither is known. This article shows how median polish of gridded spatial data provides a resistant and relatively bias-free way of kriging in the presence of drift, yet yields results as good as the mathematically optimal (but operationally difficult) universal kriging. Comparisons are performed on two data sets.