基于时空变异函数的Kriging插值及实现

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (23): 25-26.

基于时空变异函数的Kriging插值及实现

李莎1，2，舒红1，董林1

1.武汉大学测绘遥感信息工程国家重点实验室，武汉 430079
2.湖北第二师范学院机械与电气工程系，武汉 430205

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-08-11 发布日期:2011-08-11

Research and realization of Kriging interpolation based on spatial-temporal variogram

LI Sha1，2，SHU Hong1，DONG Lin1

1.State Key Lab of Info. Engineering in Surveying，Mapping and Remote Sensing，Wuhan University，Wuhan 430079，China
2.Department of Mechanical and Electrical Engineering，Hubei University of Education，Wuhan 430205，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-08-11 Published:2011-08-11

摘要/Abstract

摘要： Kriging（克里金）算法通常用于对空间变量进行插值，但不能直接应用于时空变量，它需要进行时空扩展。以月平均气温数据为例，运用时空Kriging方法结合R统计语言进行时空插值研究及其实现。通过时序分解去除气温数据中季节变化项，在分别得到空间变异函数和时间变异函数的基础上构建一类积和式时空变异函数来描述变量的时空相关结构，并给出基于R语言的具体实现步骤。将普通Kriging方法进行时空扩展，应用于气温数据的时空插值中。验证结果表明，基于时空变异函数的Kriging方法能提供较高精度的插值效果，这为时空变量的插值预测提供了有效的途径。

关键词: 时空相关, 变异函数, 克里金插值, R语言, 气温

Abstract: The Kriging method is generally used in spatial variable interpolation，but not directly in spatial-temporal variable.It needs to be extended to space-time.The spatial-temporal Kriging，with R language，is applied for the spatial-temporal interpolation research and realization of monthly average temperature.The seasonal part has been removed from original temperature data by time series decomposition.A kind of product-sum variogram in space-time，describing the spatial-temporal correlation，is constructed based on pure spatial variogram and pure temporal one.The realization steps with R software are given.Spatial-temporal Kriging extended from ordinary Kriging is used in the temperature data.The experimental results show that this Kriging method based on spatial-temporal variogram has satisfied accuracy，which supplies an effective approach for interpolation and estimation of spatial-temporal variables.

Key words: spatial-temporal correlation, variogram, Kriging interpolation, R language, temperature

李莎1，2，舒红1，董林1. 基于时空变异函数的Kriging插值及实现[J]. 计算机工程与应用, 2011, 47(23): 25-26.

LI Sha1，2，SHU Hong1，DONG Lin1. Research and realization of Kriging interpolation based on spatial-temporal variogram[J]. Computer Engineering and Applications, 2011, 47(23): 25-26.

[1]	杨力，吴义，魏德宾，潘成胜. 基于时空相关性的卫星网络流量预测[J]. 计算机工程与应用, 2021, 57(7): 101-106.
[2]	杨飞跃，陶洋. 时空协作的WSNs节点异常检测算法[J]. 计算机工程与应用, 2019, 55(7): 127-131.
[3]	安纪存，吕鑫，季琳雅. 不完全数据下基于时空相关性拥堵预测方法[J]. 计算机工程与应用, 2019, 55(4): 96-100.
[4]	卢月明1，王亮1，仇阿根1，张用川1，2，赵阳阳1. 基于半监督学习的克里金插值方法[J]. 计算机工程与应用, 2018, 54(22): 265-270.
[5]	顾军华1，3，许鹏2，3，董瑶1，3，董永峰1，3，白振东1，3. 基于克里金插值的自适应VIRE室内定位算法研究[J]. 计算机工程与应用, 2018, 54(12): 100-104.
[6]	曾会锋，刘一田. 几种准实时IT系统负荷预测方法比较研究#br# ——基于R语言[J]. 计算机工程与应用, 2017, 53(9): 90-96.
[7]	夏火松，罗盼，高苗苗. 设计科学视角的垃圾短信过滤算法研究[J]. 计算机工程与应用, 2016, 52(19): 111-116.
[8]	孟祯琪，朱金秀，朱顺五. DVC中基于块小波变换的边信息生成算法[J]. 计算机工程与应用, 2014, 50(12): 180-183.
[9]	史永胜，岳俊杰，宋云雪. 非线性去噪对发动机排气温度预测精度影响[J]. 计算机工程与应用, 2012, 48(25): 212-216.
[10]	沈默1，廖瑛2，尹大伟2. RVM在航空发动机故障诊断中的应用研究[J]. 计算机工程与应用, 2012, 48(25): 220-223.
[11]	张强，张华忠，周迎春. 基于数据相关的分簇协议研究[J]. 计算机工程与应用, 2011, 47(5): 92-95.
[12]	张芳，王军辉. 普通Kriging方法建立宏观地层的验证与评价[J]. 计算机工程与应用, 2010, 46(20): 234-236.
[13]	胡隽 . 最小方差谱估计算法的改进及应用[J]. 计算机工程与应用, 2007, 43(23): 187-190.