BinnedVariogramList

BinnedVariogramList[{loc1val1,loc2val2,…}]

使用分箱值计算变异函数.

BinnedVariogramList[{loc1,loc2,…}{val1,val2,…}]

生成相同的结果.

BinnedVariogramList[…,spec]

允许指定 HistogramList 中给出的分箱规范 spec.

更多信息和选项

  • BinnedVariogramList 也称为经验变异函数或样本变异函数.
  • BinnedVariogramList 通常用于对数据中的空间数据依赖性进行初步评估. 它还用于估计高质量 EstimatedVariogramModel 的第一阶段.
  • 在位置 和 的空间过程 的变异函数 由 给出. 它衡量过程在空间上变化的速度.
  • 当过程弱平稳时，变异函数仅取决于位置的差异，即 . 当过程各向同性时，它只取决于位置 之间的距离，其中 h=TemplateBox[{{{p, _, 1}, -, {p, _, 2}}}, Norm].
  • 对于 ， 的值由 1/(2 TemplateBox[{S}, Abs])sum_({p,q} in S)(x(p)-x(q))^2 计算，其中 S={{p,q}|h-delta<=TemplateBox[{{p, -, q}}, Norm]<h+delta}. 结果是一个分箱变异函数：
  • 生成的分箱变异函数通常不是有效的变异函数. 对于满足 的所有权值 wi 和位置pi，它需要有条件的负定 sum_(i=1)^nsum_(j=1)^nw_i w_j gamma(TemplateBox[{{{p, _, i}, -, {p, _, j}}}, Norm])<=0. 然而，它可用于拟合将成为有效变异函数的变异函数模型，正如在 EstimatedVariogramModel 中所做的那样.
  • 从分箱变异函数中，可以检测数据中是否存在导致无界变异函数的趋势.
  • 可以提供以下选项：
  • DistanceFunction Automatic指定计算距离的函数
    Method "NonLattice"指定用于分箱的位置形状
    SpatialTrendFunction None指定全局趋势模型
  • 以下设置可用于 Method：
  • "NonLattice" 位置以集合的形式给出
  • 可使用下列 Method 选项：
  • "BinCenter""Centroid"如何计算箱的中心
    "MaxDistanceRatio"1/3距离与最大距离对之比较大的数据对被丢弃
    "MinPairs"30包含较少对的箱被丢弃
    "ScaleEstimator""Cressie"使用哪个缩放估计器
  • 以下设置可用于 "ScaleEstimator"：
  • "Cressie"使用平方根的四阶矩
    "Matheron"使用二阶矩
    "Qn"使用 QnDispersion
    "Sn"使用 SnDispersion
  • BinnedVariogram 返回二维 WeightedData，权值是每个距离箱对的个数.

范例

打开所有单元关闭所有单元

基本范例  (2)

由数据计算 BinnedVariogramList：

计算分箱变异函数：

从地理数据计算 BinnedVariogramList：

通过注释键指定值：

范围  (3)

基本用法  (3)

计算随机位置的分箱变异函数：

可视化分箱变异函数，权值是每个距离箱对的个数.

使用 HistogramList 规范进行分箱：

绘制数据：

使用 Automatic 分箱规范计算分箱变异函数：

使用固定的箱数：

使用给定宽度的箱：

使用命名的分箱方法（默认为 Scott）：

绘制所有分箱变异函数：

计算地理数据的 BinnedVariogramList：


分箱变异函数：

可视化：

选项  (7)

DistanceFunction  (1)

对于非地理位置，可以使用不同的 DistanceFunction：

EuclideanDistance 是笛卡尔坐标的默认距离函数：

直接使用 p 范数：

Method  (5)

Method  (1)

默认方法 "NonLattice" 旨在用于位置和值的列表：

BinCenter  (1)

计算不同 "BinCenter" 规范的 BinnedVariogramList:

指定 "BinCenter" 设置：

可视化：

MaxDistanceRatio  (1)

计算不同 "MaxDistanceRatio" 规范的 BinnedVariogramList：

指定 "MaxDistanceRatio" 设置：

可视化：

MinPairs  (1)

计算不同 "MinPairs" 规范的 BinnedVariogramList：

指定 "MinPairs" 设置：

可视化：

ScaleEstimator  (1)

为各种 "ScaleEstimator" 规范计算 BinnedVariogramList：

指定 "ScaleEstimator" 设置：

可视化：

SpatialTrendFunction  (1)

默认情况下，BinnedVariogramList 假设没有趋势，但数据可以自动去趋势：

使用 SpatialTrendFunction 指定趋势设置并计算分箱变异函数：

该图显示数据至少具有一阶趋势：

应用  (2)

分箱变异函数可用于获得 EstimatedVariogramModel 的初始视觉形状概念：

为注释键指定的值计算分箱变异函数：

拟合一些初始变化缓慢的模型：

BinnedVariogramList 可用于指示数据中是否存在趋势：

计算没有趋势规范的分箱变异函数：

该图显示数据有一个趋势：

用线性趋势计算分箱变异函数：

将线性去趋势分箱变异函数与默认值进行比较：

可能存在的问题  (1)

如果没有足够的数据来满足每个分箱的最小配对数要求，BinnedVariogramList 将失败：

Wolfram Research (2021)，BinnedVariogramList，Wolfram 语言函数，https://reference.wolfram.com/language/ref/BinnedVariogramList.html.

文本

Wolfram Research (2021)，BinnedVariogramList，Wolfram 语言函数，https://reference.wolfram.com/language/ref/BinnedVariogramList.html.

CMS

Wolfram 语言. 2021. "BinnedVariogramList." Wolfram 语言与系统参考资料中心. Wolfram Research. https://reference.wolfram.com/language/ref/BinnedVariogramList.html.

APA

Wolfram 语言. (2021). BinnedVariogramList. Wolfram 语言与系统参考资料中心. 追溯自 https://reference.wolfram.com/language/ref/BinnedVariogramList.html 年

BibTeX

@misc{reference.wolfram_2024_binnedvariogramlist, author="Wolfram Research", title="{BinnedVariogramList}", year="2021", howpublished="\url{https://reference.wolfram.com/language/ref/BinnedVariogramList.html}", note=[Accessed: 21-November-2024 ]}

BibLaTeX

@online{reference.wolfram_2024_binnedvariogramlist, organization={Wolfram Research}, title={BinnedVariogramList}, year={2021}, url={https://reference.wolfram.com/language/ref/BinnedVariogramList.html}, note=[Accessed: 21-November-2024 ]}