Loading presentation...

Present Remotely

Send the link below via email or IM

Copy

Present to your audience

Start remote presentation

  • Invited audience members will follow you as you navigate and present
  • People invited to a presentation do not need a Prezi account
  • This link expires 10 minutes after you close the presentation
  • A maximum of 30 users can follow your presentation
  • Learn more about this feature in our knowledge base article

Do you really want to delete this prezi?

Neither you, nor the coeditors you shared it with will be able to recover it again.

DeleteCancel

Make your likes visible on Facebook?

Connect your Facebook account to Prezi and let your likes appear on your timeline.
You can change this under Settings & Account at any time.

No, thanks

KRIGING

No description
by

Viet Hoang

on 15 May 2013

Comments (0)

Please log in to add your comment.

Report abuse

Transcript of KRIGING

Khái niệm kriging ? LÝ THUYẾT KRIGING VÀ ỨNG DỤNG NHÓM 17 : HOÀNG VĂN VIỆT 31003971

PHAN TIẾN THỊNH 31003221 Những vấn đề cơ bản của kriging a. Công thức T* : Giá trị cần ước lượng tại 1 tọa độ trong không gian.
u : giá trị trung bình.
w : trọng số phụ thuộc vào vị trí của dữ liệu.
gj : giá trị những điểm khác
uj :
n : số dữ liệu xung quanh dùng để ước lượng giá trị T Vậy thế nào là nội suy ? Có 3 phương pháp thường được sử dụng là : Simple kriging, ordinary kriging, kriging with a trend ( universal kriging ) CÁC BƯỚC TIẾN HÀNH NỘI SUY BẰNG KRIGING CÁC BƯỚC TIẾN HÀNH NỘI SUY BẰNG KRIGING CÁC BƯỚC TIẾN HÀNH NỘI SUY BẰNG KRIGING CÁC BƯỚC TIẾN HÀNH NỘI SUY BẰNG KRIGING Bước 1 : Khảo sát các đặc trưng thống kê của tập dữ liệu, đặc biệt chú ý đến tính phân bố chuẩn của dữ liệu. Nếu dữ liệu không có phân phối chuẩn thì phải chuyển dạng dữ liệu để thỏa mãn yêu cầu này. Bước 2 : Xây dựng biểu đồ semi-variogram. Biểu đồ semi-variogram phản ánh mối quan hệ giữa sự biến thiên của dữ liệu với khoảng cách giữa các điểm này. Bước 3 : Lựa chọn mô hình semi-variogram thích hợp với tập dữ liệu. Quy luật quan hệ của sự biến động của dữ liệu với khoảng cách giữa chúng được xấp xỉ bằng một trong các hàm số đã được xác định trước (hàm Spherical, Circular, Gaussian, Exponential, Power…). Bước 4 : Tiến hành nội suy theo mô hình semi-variogram đã chọn Đánh giá độ tin cậy - So sánh kết quả nội suy với kết quả khảo sát trực tiếp tại hiện trường. Những vấn đề cần lưu ý trong phương pháp nội suy kriging - Kriging cũng như các phương pháp nội suy khác là trung bình hóa các dữ liệu Những lợi thế của phương pháp kriging Kriging là một nhóm các kỹ thuật sử dụng trong địa thống kê để nội suy một giá trị của trường ngẫu nhiên (như độ cao z của địa hình) tại điểm không được đo đạc thực tế từ những điểm được đo đạc gần đó. Giúp cân bằng ảnh hưởng của cụm dữ liệu, điểm khảo sát nằm trong cụm dữ liệu sẽ có trọng số nhỏ hơn các dữ liệu riêng lẻ ( hoặc là sử dụng cụm dữ liệu như một điểm riêng lẻ Ước lượng sai số có sẵn cung cấp cho ta mô hình chuẩn để thực tế hóa dữ liệu T Ước lượng được sai số ước lượng, cùng với việc ước lượng được độ lệch tại chính T Mục tiêu là xác định chính xác trọng số w, qua đó giảm được sai số của ước lượng. Semivariogram mà chúng ta dựng lên trong một phép Kriging nên đại diện cho các thành phần còn lại của biến. - Độ tin cậy của kết quả nội suy cần được đánh giá thông qua các phương pháp: - So sánh bản đồ nội suy với các bản đồ đã được thành lập trước đó. - Nếu dữ liệu phân bố đồng đều khắp vùng thực nghiệm thì ta sẽ nhận được số liệu ước lượng tốt dù với phương pháp nội suy nào. - Nếu dữ liệu phân bố bị hụt ở một vài cụm với khoảng chênh lệch lớn giữa chúng thì ta sẽ nhận được số liệu ước lượng không đáng tin cậy dù với phương pháp nội suy nào. Ứng dụng Dùng phương pháp Ordinary Kriging để nội suy mô hình hóa dữ liệu mỏ Sắt GERNERAL LINEAR MODEL SPHERICAL MODEL TẠO PLOT DATA THANK YOU FOR YOUR LISTENING
Full transcript