空间统计分析（二）

由于采样的数据呈离散点分布，或者数据点虽然按照格网排列，但是格网的密度不能满足使用要求，这样就需要以数据点为基础进行插值运算。插值运算是要选择一个合理的数学模型，利用已知点的数据求出插值函数的待定系数。

1、反距离权重插值（IDW）

反距离权重 (IDW) 插值显式假设：彼此距离较近的事物要比彼此距离较远的事物更相似。当为任何未测量的位置预测值时，反距离权重法会采用预测位置周围的测量值。与距离预测位置较远的测量值相比，距离预测位置最近的测量值对预测值的影响更大。反距离权重法假定每个测量点都有一种局部影响，而这种影响会随着距离的增大而减小。由于这种方法为距离预测位置最近的点分配的权重较大，而权重却作为距离的函数而减小，因此称之为反距离权重法。

在IDW中，采用与距离相关的权函数来计算权重：

 

2、克里金插值（Kriging） 

红点为待插值点z0 

 2.1、定义

 2.2假设条件

 2.3、无偏约束条件

2.4、目标函数

 

2.5、半方差函数

 

 2.6、目标函数的最优解

 

2.7、r的计算 

之前讲过经验协方差函数的构建，通过已知的数据点对来拟合经验协方差函数，即可获得给定距离上的r值。

球面模型示例

该模型显示了空间自相关逐渐减小（等同于半方差的增加）到超出某个距离后自相关为零的过程。球面模型是最常用的模型之一。

指数模型示例

该模型在空间自相关随距离的增加呈指数减小时应用。在这里，自相关仅会在无穷远处完全消失。指数模型也是常用模型。要选择使用哪个模型基于数据的空间自相关和数据现象的先验知识。

 

数学模型

下面是用于描述半方差的数学模型的常用形状和方程。

 

合并半变异函数模型

通常有两个或更多处理过程将决定某一现象的空间分布。例如植被量（生物量）可能与高程和土壤湿度相关。如果这种关系已知，则能够使用协同克里金法预测生物量。可将生物量的测量值用作数据集 1，高程用作数据集 2，土壤湿度用作数据集 3。可能要根据每个数据集拟合不同的半变异函数模型，因为每个数据集的空间结构各不相同。也就是说，球面模型可能最适合高程，指数模型可能最适合土壤湿度，而这两种模型的组合可能最适合生物量。然后可通过一种最适合数据结构的方式将模型合并。

但有时并不知道在某一现象中将确定空间结构的因素的因果关系。使用上述生物量模型只能通过采样点测量生物量。在检查半变异函数时要注意相异拐点。

这些点上升，伸直，再次弯曲直到与基台持平。假设数据中存在两种相异结构，无法用一个模型捕获数据。可通过将两个独立模型（如球面模型和指数模型）合并为一个模型来构建半变异函数模型。如果需要，还可合并三个模型。

不建议用一个半变异函数表示多个相异随机过程，应尽可能分离空间处理过程。不过，并不总是能够了解到其中的因果关系。选择多个模型会使要估计的参数增多，它是一项先要用肉眼判定，然后再用交叉验证统计数据进行量化的主观操作。