如何使用gstat预测进行普通克里金法

Question

我试图在R中编写一个使用gstat库的代码来创建插值.我已经阅读了gstat手册,基于互联网上的一些例子,我设法编写了这段代码(这只是一部分):

 g <- gstat(id="tec", formula=TEC ~ 1, data=data)  ##I create an object
 v <- variogram(g) # plot the empirical variogram
 plot(v)
 mod<-vgm(sill=var(data$TEC),model="Sph",range=200,nugget=200) #create the variogram model

v.fit <- fit.variogram(v, model=mod,fit.method=1)  #fit the empirical variogram 
Theor_variogram=plot(variogram(g),v.fit,main="WLS Model") #plot the theoretical variogram
plot(Theor_variogram)
 ## Kriging interpolation
 p <- predict.gstat(g, model=v.fit, newdata=predGrid)

我的问题是,当我运行最后一个命令(预测)而不是通过普通克里金插值得到结果时,我得到一个反距离加权(IDW).我在gstat手册中读到:"当没有指定变异函数时,反距离加权插值是默认操作.当指定变异函数时,默认预测方法是普通克里金法."

但是,正如您在我的代码中所看到的,我指定了经验和理论变差函数.你知道我为什么一直得到IDW而不是普通克里金吗？它可以与我的坐标类型相关吗？例如,如果我的坐标彼此接近,或者感兴趣的区域太大？任何帮助都非常有用.

在此先感谢迪米特里斯

Answer 1

您需要包含gstat对象的创建,而不是de预测阶段:

g <- gstat(id="tec", formula=TEC ~ 1, data=data, model = v.fit)

但是,我建议使用标准界面进行gstat使用krige.这将gstat对象的构建和预测组合成一个功能.您很少需要gstat自己构建对象.例如:

data(meuse)
coordinates(meuse) = ~x+y
data(meuse.grid)
gridded(meuse.grid) = ~x+y
m <- vgm(.59, "Sph", 874, .04) 
# OK:
x <- krige(log(zinc)~1, meuse, meuse.grid, model = m)

您也可以使用automap包(我是其作者)并让变差函数模型自动适应数据.例如,使用meuse数据集:

library(automap)
kr = autoKrige(log(zinc)~1, meuse, meuse.grid)

这将自动构建样本变异函数,并将变异函数模型拟合到该样本变异函数.