如何使用gstat进行普通克里格法预测

Question

我正在尝试用R写一段使用gstat库的代码，以便创建插值。我已经阅读了gstat手册，并且基于互联网上的一些示例，我已经设法编写了以下代码(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)而不是用普通的克里金法插值得到一个结果时，我得到了一个带反距离加权(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的操作。当指定变异函数时，默认的预测方法是普通克里金法。”

但是，正如您在我的代码中看到的，我同时指定了经验和理论变异函数。你知道为什么我一直使用IDW而不是普通的克里金法吗？它能与我拥有的坐标类型相关吗？例如，如果我的坐标彼此接近，或者如果感兴趣的区域太大？任何帮助都是非常有用的。

预先感谢迪米特里斯

Answer 1

您需要包括gstat对象的创建，而不是去预测阶段：

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

但是，我建议使用使用krige的gstat的标准接口。这将gstat对象的构建和预测合并到一个函数中。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)，让变差函数模型自动拟合到数据中。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差函数，并将变差函数模型拟合到该样本变差函数。