使用R擬合半變異函數

Question

我已經使用“ geoR”包擬合了半變異函數，如下所示：

#loading geoR
library(geoR)
#calculating the semivariogram
bin1 <- variog(geodata)
#plotting
plot(bin1)
#fitting the model
lines.variomodel(cov.model = "exp", cov.pars = c(0.571,0.2527), nug = 0.13, max.dist=1)

有什么方法可以輕松地了解指數模型的擬合優度？

提前致謝 ...

Answer 1

您在這里並沒有真正擬合模型，可以使用variofit將模型擬合到經驗半變異函數。

例如

library(geoR)
vario100 <- variog(s100, max.dist=1)
ini.vals <- expand.grid(seq(0,1,l=5), seq(0,1,l=5))
ols <- variofit(vario100, ini=ini.vals, fix.nug=TRUE, wei="equal")
## variofit: model parameters estimated by OLS (ordinary least squares):
## covariance model is: matern with fixed kappa = 0.5 (exponential)
## fixed value for tausq =  0 
## parameter estimates:
## sigmasq     phi 
##  1.1070  0.4006 
## Practical Range with cor=0.05 for asymptotic range: 1.200177
## 
## variofit: minimised sum of squares = 0.1025

您可以使用cov.spatial在變異函數圖的每個點上計算自己的適當平方和。

我認為這不是一個好主意。

---

相反，您可以使用loglik.GRF計算與給定模型和所有數據相關的可能性

# you can pass an existing model
loglik.GRF(s100, obj.model = ols)
## [1] -87.32958

或者只是參數

 loglik.GRF(s100, cov.pars = c(1.5,0.6), nugget = 0.01)

---

如果你真的想加權最小二乘值，你可以使用fit.variogram從gstat包，而無需實際安裝任何東西。

一件好事是， gstat具有一些幫助程序功能，可將其從geoR模型轉換為gstat版本。 這非常有用，因為gstat可以更快，更有效地進行預測。

例如

 library(gstat)
 # convert geodata to  data.frame object
 s100df <- as.data.frame(s100)
 # remove geodata.frame class that causes problems
 class(s100df) <- 'data.frame'

 # create gstat version of variogram
 s100v <- variogram(data~1, ~X1+X2, s100df)

 # convert a variomodel to vgm object

 foo <- as.vgm.variomodel(list(cov.model = 'exponential', kappa = 0.5,
                          cov.pars = c(1.5,0.6), nugget = 0.2))

 # get the weighted least squares value
 # calling fit.variogram without fitting any thing
 fittedfoo <- fit.variogram(s100v, foo, fit.sills = FALSE, fit.ranges = FALSE)
 # the weighted sum of squares is
 attr(fittedfoo, 'SSErr')
 ## [1] 0.6911813