序贯高斯模拟和普通克里格法的区别

最新推荐文章于 2022-05-03 22:54:21 发布
最新推荐文章于 2022-05-03 22:54:21 发布
阅读量2.5k 收藏 4
点赞数 1
分类专栏： 地统计
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42191203/article/details/104248065
版权

序贯高斯模拟和普通克里格法的区别

1、序贯高斯模拟

  • 模拟结果整体分布较离散，突出原始数据的非均质性和不确定性。
  • 可产生多个结果。

2、普通克里格法

  • 模拟结果追求最高的估值精度和最小的估值方差，空间分布整体比较连续，具有明显的平滑效应。
  • 只有一个结果。

 
 
想了解更多，请关注微信公众号“GAO戏精光芒万丈”：

 

GAO戏精光芒万丈
关注
  • 1
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
高斯序贯模拟
03-17
很棒的介绍高斯序贯模拟路径的PPT，里面含有动画说明，直观形象，而且作者也发了相关的论文
时空序贯指示模拟和序贯高斯模拟的步骤
weixin_42191203的博客
02-10 2833
时空序贯指示模拟和序贯高斯模拟的步骤 一、时空序贯指示模拟 1、每个样点进行四次指示变换，小于那个阈值取1，否则取0； 2、计算四次，得到四个理论变异函数； 3、定义时空格网矩阵和随机路径； 4、随机取下一格网，对四个指示变量stok； 5、概率值内插或外推，得累积概率分布，随机取一值，作为已知点代入下一点模拟； 6、所有时空网格是否完成模拟，是，得到一次模拟结果；否，重复4-6步； 7、重复3-...
序贯高斯模拟matlab,序贯高斯模拟全解.ppt
weixin_36433730的博客
03-21 1351
序贯高斯模拟全解王君 2010.10.26 引言 序贯高斯模拟方法的原理 序贯高斯模拟步骤 示例 来源：硕士毕业论文《储层相控统计反演研究》 基于模型反演的缺点：依赖于初始模型和约束条件的准确性 硬数据：井数据 软数据：地震数据、沉积相或构造信息 随机建模→初始模型：更符合实际地质情况，减少了基于模型反演的多解性 序贯高斯模拟的特点： 计算快速、简单，适合模拟一些中间值很连续而极端值很分散的...
基于ArcGIS_10.0的地表高程序贯高斯模拟和地质统计建模
qq_21407363的博客
11-19 1149
基于ArcGIS_10.0的地表高程序贯高斯模拟和地质统计建模 1.  数据需求： 总共需要四个文件夹：即两个输入型文件夹和两个输出型文件夹，其中输入型文件夹包括一个存放原始数据的文件夹和一个存放shp格式数据的文件夹；而输出型文件夹包含一个存放简单克里金估计结果（dbf格式）的文件夹和一个存放序贯高斯模拟结果（dbf格式）的文件夹。 以及三个gdb数据库：即一个存放简单克里金输出结果（Ta
克里格法（Kriging）(二)
热门推荐
3tist的专栏
04-25 1万+
克里格法（Kriging）是地统计学的主要内容之一，从统计意义上说，是从变量相关性和变异性出发，在有限区域内对区域化变量的取值进行无偏、最优估计的一种方法；从插值角度讲是对空间分布的数据求线性最优、无偏内插估计一种方法。克里格法的适用条件是区域化变量存在空间相关性。　　克里格法，基本包括普通克里格方法（对点估计的点克里格法和对块估计的块段克里格法）、泛克里格法、协同克里格法、对数正态克里格法、指示
各类克里格插值方法的区别
weixin_42191203的博客
02-10 1万+
各类克里格插值方法的区别 一、普通克里格 1、优点 （1）普通克里格是估计样点属性值，而简单克里格是对空间趋势剔除后数据所剩余残差部分进行估计。 （2）一般情况下，普通克里格估值精度要高于简单克里格。 （3）普通克里金和简单克里金相同点：线性平稳地统计学；假定区域化变量满足二阶平稳假设、内蕴假设或准二阶平稳假设和准内蕴假设。不同点：普通的数学期望未知；简单的数学期望已知。 2、缺点 （1）普通克里......
地学计算方法/地统计学(5第五章 空间插值与克里格法）
qq_44589327的博客
05-24 7177
5第五章 空间插值与克里格法 对自然各种属性的测量只能得到有限样本点的值，不可能对每个点都进行采样，然而我们总是想知道未测点的值，因此，就需要根据实测得到的离散数据，对未知点进行预测 想要获得上图，需要各种空间插值方法，大多数插值方法都可被看作是数据的加权平均数，有如下通用公式: Z∗(x0)=∑i=1NλiZ(xi) Z^*(x_0)=\sum_{i=1}^N\lambda_iZ(x_i) Z∗(x0​)=i=1∑N​λi​Z(xi​) 如何分配权重是关键问题，多数空间插值方法只考虑到系统的或确定的变异
ArcGIS教程：“高斯地统计模拟”的工作原理（二）
01-06 1516
“高斯地统计模拟”工具可接受任何的简单克里金模型。不过，仅当输入数据（用于拟合半变异函数以及条件化实现）呈正态分布时模拟结果才有效。
西岔金矿三维空间普通克里格法的可视化储量计算 (2006年)
05-15
以西岔金矿为例提出西岔金矿区的普通克里格法可视化计算流程，采用人机交互的形式智能编辑剖面，动态地圈定矿体，将生成的矿体细分为晶胞。并与克里格计算所划分的三维网格体一一对应，实现了西岔金矿的普通克里格法...
指示克里格法在矿体圈定中的应用研究 (2012年)
06-12
在对指示克里格估值进行深入研究的基础上,确定指示概率模型进行矿化带边界确定的基本方案。...通过将估值结果与人工矿体圈定进行储量估值的结果进行对比研究,对指示克里格法的矿体圈定进行了验证。
序贯高斯模拟程序
01-15
序贯高斯模拟matlab程序，可用于地质统计学随机模拟中。
matlab加速迭代法代码-SGS:生成高斯场的顺序高斯模拟
05-28
matlab加速迭代法代码顺序高斯模拟 您是否曾经想过产生一个高斯场？ 使用此MATLAB脚本，您可以轻松创建所选高斯模型的多个有条件或无条件2D实现。 从哪儿开始？ LiveScript很好地概述了此代码中可用的SGS的不同实现。 代码的结构如下。 是主要功能，它解释了输入和输出格式，还检查了输入参数并重定向到SGS的适当实现，如下所示： 该软件包提供了顺序高斯模拟的不同实现，每种都针对另一种用途进行了量身定制。 ：传统算法。 ：恒定路径算法。 ：具有并行化的恒定路径算法。 ：带条件点的恒定路径算法。 ：在多网格路径的某个级别上的混合常数/随机路径的切换。 ：计算模拟的完整协方差矩阵。 什么是SGS？ SGS代表顺序高斯仿真，顾名思义，它是一种以迭代方式生成MultiGaussian场的仿真算法。 用数学写的目的是根据随机变量创建一个实现。 总体算法可以很好地总结为： 其中的标准高斯向量负责每个值的采样中的随机性，是克里金法权重。 SGS使用哪种仿真路径？ 我对SGS的第一个研究重点是更好地理解不同仿真路径的效果，即仿真节点的顺序。 我们还尝试提供一些指导，以指导您选择哪种途径和哪种
成组序贯方法的模拟比较研究
12-26
成组序贯方法的模拟比较研究，刘伟杰，谭旭辉，目的：比较O\'Brien & Fleming法（OBF法）、Pocock法以及指数族损耗函数法的优劣。方法：以试验组和对照组的两样本均数比较的统计优效性检
克里格：N个维度的普通克里格和通用克里格
02-16
克里格 N维度上的普通和通用克里金法。 kriging是kriging的基本实现， 是使用高斯过程回归的插值方法。 kriging支持普通克里金法和通用克里金法（使用多项式漂移项）以及三种半变异函数模型：高斯，球形和指数。 在存在漂移的情况下（整个数据空间的平均值变化），观察到的半变异函数可能会出现偏差（请参见Starks＆Fang，1982，Mathematical Geology，14，4： ： ）。 kriging尝试通过在生成半变异函数之前先删除拟合的漂移多项式项来消除此偏差。 安装 直接从此存储库安装： pip install git+https://github.com/tvwenger/kriging.git 或者，克隆存储库并： python setup.py install 用法 from kriging import kriging data_interp
地球物理计算常用的插值方法-克里格法.pdf
03-02
克里格法有多种变体，如普通克里格、泛克里格、协同克里格、对数正态克里格、指示克里格和折取克里格等，以适应不同的应用场景。 1. 区域化变量：这是克里格法处理的对象，指的是在空间中分布的变量，如地质结构、...
地球物理计算常用的插值方法-克里格法.docx
03-02
它的广泛应用不仅仅限于地学领域，还可以与其他学科如分形理论、模糊理论相结合，衍生出分形克里格法和模糊克里格法等新的方法，进一步拓展了其在环境科学、地理信息系统、遥感等领域的应用。通过深入理解和熟练掌握...
GIS空间分析 地统计分析3 普通克里格内插
极限突破者的博客
05-03 1708
掌握利用克里格内插构建预测精确趋势面的方法 掌握预测模型的对比分析方法
目标规划的序贯算法
weixin_33681778的博客
01-18 1074
目标规划的序贯算法 但是目标规划就和人们的生活生产是差不多的，更加灵活。​ 过程： 仔细阅读Lingo程序后，还是发现了他的规律。 model: sets: variable/1..2/:x; S_Con_Num/1..4/:g,dplus,dminus; S_con(S_Con_Num,Variable):c; endsets data: g=...
高斯牛顿法和列文伯格法的区别是什么
最新发布
07-16
高斯牛顿法（Gauss-Newton Method）和列文伯格-马夸尔特法（Levenberg-Marquardt Method）都是非线性最小二乘问题的优化算法，用于求解参数估计或曲线拟合问题。它们的主要区别在于迭代步骤中如何计算参数的更新。 1. 高斯牛顿法： - 高斯牛顿法使用线性化的方法来逼近非线性最小二乘问题。它通过将目标函数在当前参数点进行泰勒展开，并忽略高阶项来近似求解。 - 在每个迭代步骤中，高斯牛顿法首先计算目标函数的雅可比矩阵，然后通过求解线性最小二乘问题得到参数的更新量。这个线性最小二乘问题可以通过求解正规方程或使用其他线性代数方法来实现。 - 高斯牛顿法对于具有良好初始值的问题通常收敛速度较快，但对于存在奇异值或初始值较差的问题可能会出现收敛困难或局部最小值。 2. 列文伯格-马夸尔特法： - 列文伯格-马夸尔特法是对高斯牛顿法的改进，旨在解决高斯牛顿法中可能出现的收敛困难问题。 - 在每个迭代步骤中，列文伯格-马夸尔特法引入了一个调节参数 (λ) 来平衡高斯牛顿法的线性化近似和梯度信息的贡献。 - 当 λ 接近于零时，列文伯格-马夸尔特法退化为高斯牛顿法；当 λ 较大时，它更加依赖梯度信息来进行参数更新。通过调节 λ 的值，可以在迭代过程中平衡收敛速度和收敛稳定性。 - 列文伯格-马夸尔特法的优势在于对于初始值的选择较为鲁棒，可以更好地处理奇异值和初始值较差的问题。 总的来说，高斯牛顿法是列文伯格-马夸尔特法的一种特例，而列文伯格-马夸尔特法通过引入调节参数，提供了更好的稳定性和收敛性能。但在实际应用中，具体选择哪种方法取决于问题的特性以及对收敛速度和稳定性的要求。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值