如何使用gstat进行普通克立格预测

Question

我正在尝试在R中使用gstat库编写代码以创建插值。 我已经阅读了gstat手动和基于互联网上的一些例子我已经成功地编写代码（这只是其中的一部分）：

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）而不是用普通的克里格插值得到结果，我得到一个具有反距离加权（IDW）的结果。 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的 克里金。

但是，正如你在我的代码中看到的，我指定了经验和理论变异函数。 你知不知道为什么我一直拿IDW而不是普通的克里格？它可以与我拥有的坐标类型相关吗？例如，如果我的坐标彼此接近，或者感兴趣的区域太大？ 任何帮助将非常有用。

在此先感谢 季米特里斯

Answer 1

您需要包括创建gstat对象，而不是去预测阶段：

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

不过，我会建议使用标准接口，使用krigegstat 。这将gstat对象的构建和预测结合为一个功能。很少需要自己构建gstat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（其中我的作者），并让变差函数模型自动安装到数据。例如使用meuse数据集：

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

这将自动建立一个样品变差函数，并且适合变差函数模型，以该样本变差函数。