r - 如何使用 gstat 预测进行普通克里金法

Question

我正在尝试在 R 中编写一段代码，使用 gstat 库来创建插值。我已经阅读了 gstat 手册，并根据互联网上的一些示例，我成功编写了这段代码(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)而不是使用普通克里金插值得到结果时，我得到的是反距离加权(IDW)的结果。我在 gstat 手册中读到:“当没有指定变差函数时，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方法克里金法。”

但是，正如您在我的代码中看到的，我指定了经验变异函数和理论变异函数。你知道为什么我总是得到 IDW 而不是普通的克里金法吗？这与我拥有的坐标类型有关吗？例如，如果我的坐标彼此接近，或者感兴趣的区域太大？任何帮助都会非常有用。

提前致谢季米特里斯

Answer 1

您需要包括 gstat 对象的创建，而不是在预测阶段:

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

但是，我建议使用 krige 使用 gstat 的标准接口(interface)。这将 gstat 对象的构建和预测合并到一个函数中。您很少需要自己构建 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)

您还可以使用 automap 包(我是该包的作者)并让变异函数模型自动拟合数据。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。