【摘要】：地统计学中采用以下五项指标来评判模型的估值精度，其中符合以下标准的模型是最优的，即预测误差均值和标准平均值最接近于0，均方根预测误差最小，平均标准误差最接近于均方根预测误差，标准均方根预测误差最接近于1。
基于的空间变异模型建立及有效估值_流域水环境生态系
4.3 基于Kriging的空间变异模型建立及有效估值
考虑到样本容量和实验区域大小，仅选用10 000m2采样点进行空间变异结构分析，利用地统计学方法得到各指标变异函数理论模型的相应参数见表4.4，各指标估值精度如表4.5所示。
表4.4 各指标Kriging插值模型相关参数
从表4.4可见，五项指标均符合球状模型，其中变程大小依次为含水量＜全磷＜硝氮＜全氮＜速效磷。地统计学中采用以下五项指标来评判模型的估值精度，其中符合以下标准的模型是最优的，即预测误差均值和标准平均值最接近于0，均方根预测误差最小，平均标准误差最接近于均方根预测误差，标准均方根预测误差最接近于1。
表4.5 各指标估值精度
根据以上评判标准，结合表4.4数据分析得出，所选用的Kriging模型模拟精度比较高。同时与水文学中常用的距离反比加权插值方法进行比较，对比分析结果见表4.6，前者均方根预测误差均小于后者，模拟精度更优，说明在样本量不够充分的情况下，采用考虑空间局部相关性的地统计方法能得到更为精确的结果。
表4.6 普通Kriging法与距离反比加权法估值精度比较
通过分析两两指标间的相关系数我们发现，硝氮与全氮具有较高的相关性，相关系数为0.52，同时速效磷与全磷也具有较高的相关性，相关系数为0.44。因此我们考虑可否利用某一指标来推测另一指标的值，这样不仅可以减少野外工作量，同时也有利于更多信息量的获取。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
