Saya memiliki dataset titik yang ingin saya Krige , idealnya menggunakan paket perangkat lunak sumber terbuka. Jika memungkinkan, saya juga ingin memilih model semi-variogram selama proses untuk meningkatkan estimasi.
Saya memiliki dataset titik yang ingin saya Krige , idealnya menggunakan paket perangkat lunak sumber terbuka. Jika memungkinkan, saya juga ingin memilih model semi-variogram selama proses untuk meningkatkan estimasi.
Tergantung pada jenis Kriging yang ingin Anda terapkan, ada paket berbeda untuk dipilih:
Versi paling umum diterapkan misalnya di:
Simple Kriging menggunakan rata-rata dari seluruh kumpulan data sementara Biasa Kriging menggunakan rata-rata lokal. Oleh karena itu, Simple Kriging bisa kurang akurat, tetapi umumnya menghasilkan hasil yang "lebih halus". Diimplementasikan di:
Universal Kriging memungkinkan pertimbangan drift dalam data. Implementasi termasuk dalam:
Jenis Kriging Lainnya
GRASS v.krige juga mendukung Block Kriging.
HPGL mengimplementasikan sejumlah besar metode Kriging yang kurang dikenal (lihat manual untuk informasi lebih lanjut tentang itu):
SAGA menawarkan versi berbeda dari Biasa dan Universal Kriging.
Gstat krige juga mendukung Block dan Point Kriging.
Sepertinya ada beberapa opsi dengan GRASS GIS. Lihatlah halaman GRASS Kriging Wiki: http://grass.osgeo.org/wiki/Kriging
Proyek Google Summer of Code pada tahun 2009 menghasilkan V.krige: http://grass.osgeo.org/wiki/V.krige_GSoC_2009
Paket GPL gstat harus bekerja sendiri atau dihubungkan dengan GRASS GIS. http://www.gstat.org/
Dylan Beaudette memiliki contoh yang bagus untuk melakukan kriging dengan GRASS. http://casoilresource.lawr.ucdavis.edu/drupal/node/438 (Blognya penuh dengan contoh-contoh hebat dan menarik menggunakan OpenSource GIS dan alat statistik!)
sumber
The R-proyek memiliki sejumlah besar paket perangkat lunak statistik spasial , tetapi R memiliki kurva belajar agak curam.
sumber
Jika Anda senang membaca raster Anda menjadi array numpy ( gdal bisa melakukan ini), maka Anda bisa menggunakan implementasi High Performance Geostatistics Library dari Python atau C / C ++.
HPGL mengimplementasikan algoritma berikut:
Saya belum menggunakannya sendiri tetapi telah mendengar hal-hal baik tentang itu, terutama sehubungan dengan kecepatan.
sumber
Periksa buku gratis ini, ini tentang melakukan geostatistik di R, dan berisi beberapa info tentang melakukannya di SAGA dan GRASS juga. http://spatial-analyst.net/book/ http://spatial-analyst.net/book/sites/default/files/Hengl_2009_GEOSTATe2c1w.pdf
sumber
Saya ingat menggunakan SAGA untuk melakukan ini beberapa tahun yang lalu untuk beberapa hasil pemodelan banjir. Open Source dan layak untuk dilihat.
sumber
gvSIG (GIS gratis lain) memungkinkan kriging, menggunakan Sextante. Ini pada dasarnya sama dengan menggunakan SAGA, tetapi gvSIG memberikan pengalaman gis yang lebih 'khas' (seperti ESRI).
sumber
Anda dapat mencoba model Kriging di Surfpack versi 1.1 (saya menulisnya ketika saya masih di tim DAKOTA), atau versi terbaru dan terhebat yang hadir dengan versi "stabil" DAKOTA (Surfpack adalah sub-paket DAKOTA) , ini memang universal Kriging dari perspektif fungsi korelasi daripada semi-variograms.
Baru-baru ini seorang pengguna, Joel Guerrero, membandingkannya secara langsung dengan sekelompok implementasi lain dan menyatakan bahwa "Selalu terkait dengan surfpack, kami membandingkannya dengan implementasi lain (termasuk yang komersial), dan sejauh ini mengungguli semuanya, ke titik yang kadang-kadang tampaknya melakukan sihir hitam "
sumber
GSLIB (Perpustakaan Perangkat Lunak Geostatistik) adalah perangkat lunak yang digerakkan oleh file / perintah yang dikembangkan dari Universitas Stanford dan dirilis pada 1990-an, dengan beberapa pemeliharaan dekade terakhir. Kode sumber dapat diunduh dan dikompilasi secara bebas di Linux / Windows menggunakan kompiler Fortran. Ada sumber daya online dan buku tersedia.
Kriging adalah salah satu kekuatan perangkat lunak:
sumber