本文選題：主成分分析　切入點：協(xié)同克里金插值　出處：《測繪通報》2017年11期

【摘要】：針對協(xié)同克里金插值方法在插值時,輔助變量較多造成計算復雜度增加,而輔助變量較少引起插值精度降低這一問題,提出了一種基于主成分分析的協(xié)同克里金插值方法(PCA-CoKriging)。該方法首先使用主成分分析對插值相關變量進行將維,得到較少幾個綜合指標,然后里利用這幾個綜合指標作為輔助變量進行協(xié)同克里金插值。為驗證該方法的有效性和數(shù)據(jù)分布對該方法的影響,本文選取了2016年北京市范圍內(nèi)4個季節(jié)中PM2.5濃度滿足正態(tài)分布效果不同的4組數(shù)據(jù),分別使用PCA-CoKriging和普通克里金插值方法、常規(guī)協(xié)同克里金插值方法,進行了插值試驗。結果表明,本文方法與普通克里金插值方法、常規(guī)協(xié)同克里金插值法在4組試驗中的平均絕對誤差分別為4.91、6.04、5.61,平均均方根誤差分別為6.65、8.76、7.57。綜合比較,本文方法比常規(guī)協(xié)同克里金插值的平均絕對誤差與均方根誤差分別提升了10.73%、12.56%,比普通克里金插值法的平均絕對誤差與均方根誤差分別提升了18.71%、24.09%。
[Abstract]:In order to solve the problem that there are more auxiliary variables and less auxiliary variables to reduce the interpolation precision, a cooperative Kriging interpolation method based on principal component analysis (PCA) is proposed in this paper.In this method, we first use principal component analysis (PCA) to dimension the relevant variables of interpolation, and obtain a few synthetic indexes, and then use them as auxiliary variables to carry out cooperative Kriging interpolation.In order to verify the validity of the method and the effect of data distribution on the method, four groups of data with different normal distribution effects in four seasons in Beijing in 2016 are selected in this paper. PCA-CoKriging and Kriging interpolation methods are used respectively.The interpolation experiment was carried out by the conventional cooperative Kriging interpolation method.The results show that the average absolute error and mean root mean square error of the method are 4.91 ~ 6.04 ~ 5.61 and 6.65 ~ 8.7 ~ 7.57, respectively, compared with the ordinary Kriging interpolation method and the conventional synergetic Kriging interpolation method in the four groups of experiments.In a comprehensive comparison, the average absolute error and root mean square error of this method are increased by 10.73 and 12.56, respectively, and 18.71 and 24.09, respectively, compared with the average absolute error and root mean square error of the ordinary Kriging interpolation.
【作者單位】： 中國測繪科學研究院;武漢大學資源與環(huán)境科學學院;
【基金】：基金項目:測繪新技術系統(tǒng)開發(fā)與示范應用(2016KJ0104)
【分類號】：X831

【相似文獻】

相關期刊論文 前10條

1 DelValls T A ,丁海燕;確定海洋沉積物中污染物來源的方法——多變量主成分分析方法[J];海洋地質(zhì)動態(tài);2003年11期

2 劉星;王震;馬新東;林忠勝;徐恒振;姚子偉;;常見亞非原油飽和鏈烷烴分布特征及主成分分析[J];環(huán)境污染與防治;2009年08期

3 周海廷;;四川綠豆地方品種資源研究 Ⅲ地方品種群體數(shù)量性狀的通經(jīng)分析和主成分分析[J];西南科技大學學報(哲學社會科學版);1988年04期

4 韓波,林華榮;主成分分析在水質(zhì)監(jiān)測優(yōu)化布點中的應用[J];中國環(huán)境監(jiān)測;1991年01期

5 王麗,何鷹,王顏萍,趙英,李偉,王小如,Frank Lee;近紅外光譜技術結合主成分聚類分析判別海面溢油種類[J];海洋環(huán)境科學;2004年02期

6 梁偉,張紀伍,吉榮梅;主成分分析對土壤污染源的分辨[J];農(nóng)村生態(tài)環(huán)境;1985年01期

7 張高生,李玉春;運用主成分分析評價山東25個水體的環(huán)境質(zhì)量[J];環(huán)境科學研究;1989年02期

8 張松濱;;加權主成分分析與區(qū)域環(huán)境質(zhì)量評價[J];重慶環(huán)境科學;1989年05期

9 陸安祥;王紀華;潘瑜春;馬智宏;趙春江;;小尺度農(nóng)田土壤中重金屬的統(tǒng)計分析與空間分布研究[J];環(huán)境科學;2007年07期

10 馬志強;王躍思;孫揚;吉東生;;北京大氣中常規(guī)污染物的垂直分布特征[J];環(huán)境科學研究;2007年05期

相關會議論文 前5條

1 孟繁麗;孫丹;司饒迪;許純領;何連生;;宿遷空氣特征污染物主成分識別[A];2014中國環(huán)境科學學會學術年會（第六章）[C];2014年

2 張海偉;千懷遂;;基于GIS和主成分分析的生態(tài)脆弱性評價[A];發(fā)揮資源科技優(yōu)勢 保障西部創(chuàng)新發(fā)展——中國自然資源學會2011年學術年會論文集（下冊）[C];2011年

3 蔡長杰;耿福海;俞瓊;安俊琳;韓晶晶;;上海中心城區(qū)夏季VOCs的源解析[A];第26屆中國氣象學會年會大氣成分與天氣氣候及環(huán)境變化分會場論文集[C];2009年

4 王嵐;王亞平;許春雪;安子怡;;長江水體中重金屬元素來源的分析和評價[A];中國礦物巖石地球化學學會第12屆學術年會論文集[C];2009年

5 范亞民;何華春;崔云霞;吳濤;岳強;;洪澤湖水域環(huán)境演變的遙感分析[A];首屆中國湖泊論壇論文集[C];2011年

相關重要報紙文章 前1條

1 謝揚林;克里尼：讓意大利結緣北京“綠色奧運”[N];中國經(jīng)營報;2006年

相關碩士學位論文 前10條

1 楊陽;北京市大氣污染與人群健康研究[D];北京協(xié)和醫(yī)學院;2015年

2 滕浩宇;基于常規(guī)大氣監(jiān)測數(shù)據(jù)對PM_(2.5)的評估和預測[D];東北林業(yè)大學;2015年

3 孫干;干旱礦區(qū)生態(tài)修復抗旱材料定量選擇實驗[D];中國礦業(yè)大學;2016年

4 田亞玲;主成分聚類分析在經(jīng)濟發(fā)展與環(huán)境污染中的研究[D];重慶大學;2016年

5 郭莉;武漢市PM2.5濃度預測的統(tǒng)計分析及仿真[D];華中科技大學;2015年

6 馬思萌;邯鄲市PM_(2.5)污染特征及基于受體模型的來源分析[D];河北工程大學;2017年

7 王子良;空間數(shù)據(jù)預處理及插值方法對比研究[D];合肥工業(yè)大學;2010年

8 田美影;污染場地空間插值的精度評價方法及應用[D];首都師范大學;2013年

9 劉萍;基于主成分分析和多元線性回歸模型的空氣質(zhì)量評價方法研究[D];云南大學;2015年

10 李霞;一種海水水質(zhì)在線分析方法的研究[D];天津大學;2016年

，

本文編號：1693330