标签: covariogram

我需要从栅格图层计算窗台,范围和块金.我已经探索了gstat,usdm包,其中可以创建变异函数但是我找不到给定栅格图层估计这些参数的函数.在大多数函数中,这些参数必须被定义,例如.krigging.

我有不同高度的栅格数据层,看起来类似于

我想从半变异函数的参数到这些数据层得到窗台,金块和范围,以创建类似于此的图:

原始数据层在此处可用作多频带tiff.下面是从一个数字此纸张这进一步说明了这一概念.

有没有人知道计算经验/样本协方差图的好方法,如果可能的话在Python中？

这是一本书的屏幕截图,其中包含对covariagram的良好定义:

如果我理解正确,对于给定的滞后/宽度h,我应该得到所有由h(或小于h)分隔的点,将其值相乘,并为每个点计算其均值在这种情况下,定义为m(x_i).但是,根据m(x_ {i})的定义,如果我想计算m(x1),我需要获得距离x1的距离h内的值的平均值.这看起来像是一个非常密集的计算.

首先,我是否正确理解了这一点？如果是这样,假设二维空间,计算这个的好方法是什么？我试图用Python编写这个代码(使用numpy和pandas),但它需要几秒钟,我甚至不确定它是否正确,这就是为什么我不会在这里发布代码.这是一个非常天真的实现的另一种尝试:

from scipy.spatial.distance import pdist, squareform
distances = squareform(pdist(np.array(coordinates))) # coordinates is a nx2 array
z = np.array(z) # z are the values
cutoff = np.max(distances)/3.0 # somewhat arbitrary cutoff
width = cutoff/15.0
widths = np.arange(0, cutoff + width, width)
Z = []
Cov = []

for w in np.arange(len(widths)-1): # for each width
    # for each pairwise distance
    for i in np.arange(distances.shape[0]): 
        for j in np.arange(distances.shape[1]): 
            if distances[i, j] <= widths[w+1] and distances[i, …