案例分析:回归 | 您所在的位置:网站首页 › 克里金Kriging插值的原理与公式推导 › 案例分析:回归 |
,欢迎也在微信公众号查看。 背景知识本部分内容主要是对气象站点的气温进行回归-克里金(regression-kriging,RK)插值生成气温表面图。RK方法是地统计中常用的方法,由趋势项和残差项构成。趋势项在该例中通过以气温为因变量,高程、站点到海岸线的距离为自变量,建立二着的线性模型,对残差建立克里金模型。使用RK的唯一要求是存在一个或多个与因变量显著相关的协变量。本例中将会用到七种回归算法,并利用10-fold CV来进行验证和均方根误差作为评估(Root-mean-square error,RMSE)。 10-fold CV(10-foldcross-validation),一种交叉验证方法,将数据集分成10份,轮流将其中9份用于训练,1份用于测试,循环10次,求准确度的平均值。 七种方法 Interpolation: 普通克里金(Ordinary Kriging,OK) 相关参数说明(半变异函数、变程等)可查看以下视频https://www.bilibili.com/video/BV13E411T74X/Regression: 广义线性模型(Generalized Linear Model,GLM)广义加性模型 (Generalized Additive Models, GAM)随机森林模型(Random Forest ,RF)Regression-kriging: GLM + OK of residualsGAM + OK of residualsRF + OK of residuals 案例实现本例中的数据是1950-2000年95个站点每天的平均气温,辅助数据为Elevation (Elev in meters a.s.l.), Distance to the coastline (distCoast in degrees); Latitude (Lat in degrees), and, Longitude (Lon in degrees). 数据下载https://raw.githubusercontent.com/joaofgoncalves/R_exercises_raster_tutorial/master/data/CLIM_DATA_PT.zip 数据解压至F:/test/data-raw library(raster) ## Loading required package: sp setwd("F:/test/data-raw") fl |
CopyRight 2018-2019 实验室设备网 版权所有 |