Upload
hermann-schuster
View
216
Download
0
Embed Size (px)
Citation preview
Geostatistik in der Geoinformation II
Kovarianzfunktionen&
stochastische Prädiktion
Referent: Jens Saatkamp
Betreuer: Prof. Dr.-Ing. Wolf-Dieter Schuh Boris Kargoll
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 2
Meßreihe: Modellansatz
Meßwerte setzen sich zusammen aus:
Trend: modellierbar mit determinis-tischem Modell (Andreas)
stochastischem Signal
Rauschen > zufällig
Ort
Meßwert l(Ort)Trend = Ax
Signal + Rauschen=z+n
l=Ax+z+n
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 3
Bezug zur Geoinformation
• Wo tritt so etwas in Geoinformations-systemen auf?
Messungen / Ermittlungen von:• Grundwasserständen• Stoffkonzentrationen im Wasser• geochemischen Variablen (Erzgehalte)• topographischen Höhenmaßen
• Können über Ortskoordinaten räumlich eingeordnet werden.
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 4
GIS > stochastisches Signal
• Beispiel: Geländemodell• große Gebirge > angenähert durch Trend• kleine „Hügel" werden hier nicht erfaßt• „Hügel“ einfach als zufällig verteilt angenommen =
stochastisches Signal
grober Trend feinere Betrachtung
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 5
Motivation
Problem:• An einer Stelle fehlt
eine Messung.Abhilfe:• Wert dort rechnerisch
vorhersagen = prädizieren!
• Bestimmen einer Funktion.
• Berechnen des Funktionswertes.
Ort x
Signal z(x)
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 6
Stochastischer Ansatz
• Meßwert annehmen als Realisierung einer Zufallsvariable, d.h. jeder Meßwert besitzt eine eigene Verteilungsfunktion
• Inwieweit sind die Meßwerte stochastisch voneinander abhängig = korreliert?
• Inwieweit hängt die Korrelation der Meßwerte vom Ort ab?
• Aufgabe: untersuchen des räumlichen Zusammenhangs Verteilungsfunktionen betrachten
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 7
Grundlagen: Momente von Zufallsvariablen
• Erwartungswert: E {z(xi)}=mz
• Autokorrelation: rxixj=E {z(xi) * z(xj)}
Erwartungswert des Produktes zweier Meßwerte aus einer Meßreihe
• Autokovarianz:Cov (xi, xj) = E {[z(xi) - mz} ] * [z(xj) - mz]} Erwartungswert des Produktes der Abweichungen zweier Meßwerte vom Mittelwert
Sonderfall i=j: Varianz
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 8
Schwache Stationarität
• die Meßreihe muß schwach stationär sein• Mittelwert der Messungen unabhängig vom
betrachteten Ort: mxi = const.
Meßreihe schwankt um einen konstanten Wert
• hier: mxi = 0
Autokorrelation = Autokovarianz
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 9
Schwache Stationarität
• Autokorrelation (hier =Autokovarianz) ist:
nur abhängig vom Abstand zwischen den Meßstellen = relative Lage auf der x-Achse
nicht abhängig von der absoluten Lage auf der x-Achse
Cov (xi,xj) =Cov (|xj-xi|)=Cov(s) Definition: s= |xj-xi|
• Varianz ist endlich
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 10
Wie den Zusammenhang ermitteln?
Idee:
Ermitteln einer Kovarianzfunktion
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 11
Diagramm
• Berechnung der Kovarianzen für alle möglichen Meßwertkombinationen nur „Nachbarwerte“
betrachten! d.h. weglassen aller Kovarianzen von Punkten, deren Abstand auf der x-Achse z.B. mehr als 100 beträgt
• Auftragen im Diagramm in Abhängigkeit vom Abstand s der Meßstellen untereinander
s> Abstand
zi*zj > Kovarianz
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 12
Klassenbildung
Problem:• keine Funktion
erkennbar
Lösung: • Abstandsintervalle
= Abstandsklassen
s> Abstand
zi*zj > Kovarianz
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 13
Mittelbildung
Lösung: • Abstandsintervalle
= Abstandsklassen• Bilden des Mittels
in jeder Abstandsklasse
• für den Abstand 0 eigene Klasse bilden = Varianz
s> Abstand
zi*zj > Kovarianz
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 14
Funktion
s> Abstand
zi*zj > Kovarianz Lösung: • Abstandsintervalle
= Abstandsklassen• Bilden des Mittels
in jeder Abstandsklasse
empirische Kovarianz-funktion
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 15
Mathematische Kovarianzfunktionen
• empirische Kovarianzfunktionen > diskrete Werte
Wie erreicht man kontinuierliche Werte?
• mathematische Kovarianzfunktionen müssen positiv definit sein,
d.h. positiv definite Kovarianzmatrizen erzeugen
• ermitteln z.B. mit einem Gauß-Markoff-Modell
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 16
Ansätze für mathematische Kovarianzfunktionen
Funktionen müssen positiv definit sein!
s
Cov
s
Cov
e-as e-as²
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 17
Ansätze für mathematische Kovarianzfunktionen
• Weitere Ansätze:
s
Cov
sinc(as)= assin as
• Sinc-Funktion• Funktionen der Form
cos(as), sin(as)
• beliebige Linearkombinationen, Produkte, Quotienten der hier genannten Funktionen
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 18
Merkmale von Kovarianzfunktionen
s
Cov • Amplitude maximale Kovarianz
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 19
Merkmale von Kovarianzfunktionen
• Amplitude maximale Kovarianz
• Krümmung im Ursprung Veränderung bei
unmittelbar benachbarten Meßwerten
s
Cov
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 20
Merkmale von Kovarianzfunktionen
• Amplitude maximale Kovarianz
• Krümmung im Ursprung Veränderung bei
unmittelbar benachbarten Meßwerten
• Halbwertsbreite Abstand, bis zu dem
die Kovarianz auf die Hälfte zurückgeht
Cov
s
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 21
Beispiel 1
empirische Kovarianzfunktio
n
mathematische Kovarianzfunktio
n80*e-4,4*10-3*s²
• Meßreihe über 560km• jeden Kilometer eine Messung
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 22
Beispiel 2
empirische Kovarianzfunktio
n
mathematische Kovarianzfunktio
n50*e-1,2*10-3*s²
• Meßreihe über 560km• jeden Kilometer eine Messung
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 23
Anwendung
• Wie kann die ermittelte Kovarianzfunktion zur Prädiktion genutzt werden?
Kollokation
Kolmogoroff-Wiener-Prädiktion
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 24
Schätzfunktion
Annahme:• „wahre“ Funktion f(x) existiert für beliebige Orte x
beschreibt das Signal
Ansatz:• schätzen von f(x) durch eine Funktion
)()()(~1
i
n
ii xzxxf
n: Anzahl der Meßwerte bekannt: z(xi) Meßwerte gesucht: i (x)
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 25
Kleinste Quadrate - Schätzung
Minimumaufgabe:• minimieren von ² in Abhängigkeit von den i:
22 )()(~
xfxfE
• eingesetzt:
2
1
2 )()()( xfxzxE i
n
ii
• Erwartungswert des quadratischen Schätzfehlers:
0²
i
ermitteln der i
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 26
Ergebnis
zxxDxxDxf ijj 1,,)(~Ergebnis:
)(...)(
)0(...),(......
),(...)0(),(...),(
11
1
1
1
nn
n
n
xz
xz
CovxxCov
xxCovCovxxCovxxCov
D sind Kovarianzmatrizen:• linke Matrix (1xn): Kovarianzen von gemessenen Werten
und dem Wert an der zu prädizierenden Stelle ist also für jedes x einzeln zu ermitteln
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 27
Ergebnis
zxxDxxDxf ijj 1,,)(~Ergebnis:
)(...)(
)0(...),(......
),(...)0(),(...),(
11
1
1
1
nn
n
n
xz
xz
CovxxCov
xxCovCovxxCovxxCov
D sind Kovarianzmatrizen:• rechte Matrix (nxn): Kovarianzen von Meßwerten
kann direkt bestimmt werden, ohne daß bekannt ist, welche Werte zu prädizieren sind
• ist zu invertieren
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 28
Ergebnis
zxxDxxDxf ijj 1,,)(~Ergebnis:
)(...)(
)0(...),(......
),(...)0(),(...),(
11
1
1
1
nn
n
n
xz
xz
CovxxCov
xxCovCovxxCovxxCov
z ist ein nx1 Vektor: • enthält die Meßwerte• im voraus bekannt
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 29
Zusammenfassung
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 30
Anleitung zum Rechnen
1. den Trend eliminieren (> Andreas)2. Berechnung der empirischen Kovarianzfunktion3. Modellierung der empirischen durch eine positiv
definite mathematische Kovarianzfunktion4. Berechnung der Matrix D(xj,xi)5. Berechnen von D(xj,xi)-1*z6. für einzelne zu prädizierende x: Berechnung von
D(x,xj)7. Bestimmen des Funktionswertes der geschätzten
Funktion: zxxDxxDxf ijj 1,,)(~
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 31
Beispiel 1
• Meßwerte zwischen 300km und 330km• prädizierte Werte jeweils um 0,5km versetzt• Kovarianzen berechnet mit der Funktion:
80*e-4,4*10-3*s²
)(~xf
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 32
Bewertung
• Vorteile dieses Ansatzes: geschätzte Funktion ist harmonisch Funktion gilt für den gesamten Bereich: vermeidet Problem der
Unstetigkeiten bei Splines und anderen stückweisen Funktionen
• Nachteil: Funktion enthält Inverse einer nxn Matrix: großer Rechenaufwand
• in der Geostatistik werden in der Regel andere Verfahren verwendet: Variogramme > Kriging
• Wird hier dasselbe nur mit einem anderen theoretischen Ansatz gemacht?
Jeff
19.11.01 Kovarianzfunktionen und stochast. Prädiktion 33
E N D E