اهمیت زمین آمار چیست؟

زمین آمار مطالعه آمار با تمرکز بر اطلاعات مکانی و زمانی است . هدف مدل سازی و یافتن الگوهای پدیده های جغرافیایی است.

رشته زمین آمار طیف گسترده ای از موضوعات آماری مکانی مانند:

• نیمه متغیر برای توصیف الگوی فضایی در داده ها
• کریجینگ برای پیش بینی فضایی
• خطای استاندارد برای اندازه گیری عدم قطعیت در مورد مقادیر نمونه برداری نشده

زمین آمار یک زمینه مطالعاتی در حال رشد است که ما در معدن، مطالعات آب و هوا، علوم خاک و بیشتر زمینه های زیست محیطی از آن استفاده می کنیم.

 

چرا از زمین آمار استفاده کنیم؟

سه ابزار اصلی که زمین آمار ارائه می دهد عبارتند از:

• نیمه واریوگرام برای مدل کردن رابطه بین تمام جفت نقاط.
• مدل سازی کریجینگ برای پیش بینی مقادیر در مکان های نمونه برداری نشده.
• خطای استاندارد برای اندازه گیری اطمینان در مقادیر نمونه برداری نشده.

به عنوان مثال، اگر نمونه های خاک در مکان های خاص دارید، زمین آمار می تواند به این نوع سوالات پاسخ دهد:

• میزان رطوبت خاک پیش بینی شده در مکان های نمونه برداری نشده چقدر است؟
• پیش بینی فضایی برای مقدار رطوبت خاک چقدر مطمئن است؟

این با تکنیک های درون یابی قطعی مانند وزن دهی فاصله معکوس (IDW) متفاوت است ، جایی که فقط مکان های ناشناخته را تخمین می زند.

به طور کلی، IDW از یک تابع توان از پیش تعریف شده استفاده می کند. سپس، نتیجه همان می شود که هست. اما به شما نمی گوید چقدر اعتماد به نفس دارید.

ابزارها و موضوعات زمین آمار

نیمه واریوگرام ها

زمین‌آمار ابزارهای توصیفی مانند نیم‌واریوگرام‌ها را برای شناسایی روندهای اساسی در پدیده‌های فضایی فراهم می‌کند. طبق قانون اول جغرافیای توبلر ، چیزهای نزدیک تر نسبت به چیزهای دورتر به هم مرتبط هستند. این همچنین ایده اصلی برای مفهوم خودهمبستگی فضایی است .

Semivariogram تمام جفت داده ها را بر اساس فاصله نمودار می کند. مشاهدات نزدیک به هم همبستگی بالاتری دارند. اما در یک فاصله (محدوده) مشخص، دیگر رابطه ای بین نقاط نزدیک به هم وجود ندارد.

Semivariogram رابطه را تا زمانی که به آستانه برخورد می کند، نشان می دهد، جایی که نمونه های بیشتر دیگر همبستگی ندارند. هدف برازش یک تابع ریاضی است که روند را در نیم‌واریوگرام شما مدل می‌کند.

به عنوان مثال، شما می توانید یک نیم متغیری را انتخاب کنید که:

درون یابی کریجینگ

“کریجینگ” یک تکنیک درونیابی است که از ارتباط فضایی بین نمونه‌ها برای پیش‌بینی مقادیر در مکان‌های نمونه‌برداری نشده استفاده می‌کند. تفاوت اصلی آن در این است که می‌توان آن را با استفاده از تابع ریاضی، به دست آمده از “سمی وریوگرام” بسازید.

در اینجا انواع مختلف کریجینگ موجود در زمین آمار آورده شده است:

Co-Kriging: روش Co-Kriging با استفاده از متغیرهای مرتبط، پیش‌بینی را با دقت بالاتری ارائه می‌دهد. به عنوان مثال، برای پیش‌بینی تغییرات باران در مناطق کوهستانی، ارتفاع را به عنوان یک متغیر کمکی، با مقادیر باران ارتباط داده و با روش Co-Kriging، پیش‌بینی دقیق‌تری انجام می‌دهیم.

بیزی کریجینگ تجربی (EBK): تجربه کریجینگ بیزی (EBK) می‌تواند با درمان واریانس‌های محلی به طور جداگانه به شما کمک کند. این تکنیک به جای داشتن یک واریانس مشابه تا حد زیادی، کریجینگ را به عنوان یک فرآیند زیربنایی جداگانه در مناطق مختلف انجام می‌دهد. هنوز هم کریجینگ انجام می‌شود، اما به صورت محلی و با توجه به ویژگی‌های مربوط به هر منطقه.

کریجینگ جهانی: متد کریجینگ جهانی، آنالیز سطح دریفت را با متد کریجینگ معمولی و حسابداریِ روندها، ترکیب کرده است. این روش کریجینگ، ابزاری قوی برای پیش‌بینی تحولات فرایندی است که با استفاده از آن می‌توان به سادگی نوسانات ناگهانی و تبدیلات در فرایندهای تولیدی و… را تشخیص داد. در این روش، مقداری به نام “دریفت”، به صورت پیوسته و دائمی تغییر می‌کند. درصورتی که سطح دریفت به پایین یا بالا تغییر کند، فعالیت‌های پردازشی که در گذشته به درستی انجام می‌شد، دیگر قابل اعتماد نیستند و باید اصلاح شوند. به کمک متد کریجینگ جهانی، می‌توان در صورت رخ دادن این حوادث، به سرعت و به‌روزرسانی‌های لازم را اعمال کرد و فرایند تولیدی را بدون نقص و تاخیر ادامه داد. در کل، این روش می‌تواند بهبود روند فعالیت‌های تولیدی و کاهش هزینه‌های ناشی از توقف و تعطیلی خطوط تولیدی را داشته باشد.

کریجینگ اندیکاتور: اندیکاتور کریجینگ، فرایندی است که برای تحلیل داده‌های دو حالته (۰ و ۱) مانند دسته‌بندی سلول‌های شهری و غیرشهری، استفاده می‌شود. در این روش، اطلاعاتی از نقشه‌ها و داده‌های جغرافیایی استفاده می‌شود تا به تفکیک شهری و غیرشهری بودن هر نقطه بپردازد. این روش قابلیت بسیار خوبی برای پردازش داده‌های جغرافیایی دارد و به صورت گسترده در تحلیل داده‌های مکانی و جغرافیایی مورد استفاده قرار می‌گیرد.

احتمال کریجینگ: یک روش پیش‌بینی است که از داده‌های باینری، مانند کریجینگ نشانگر، استفاده می‌کند و نقاطی را که قبلاً در داده‌ها مشاهده نشده‌اند را برای یک سری از برش‌ها تخمین می‌زند. این نمونه، مدل پیش‌بینی فضایی کریجینگ را نشان می‌دهد.

خطای استاندارد

زمین‌آمار به‌عنوان یک ابزار سودمند، اطمینان ما را درمورد صحت نتایج نمونه‌برداری نشده را با استفاده از یک نقشه‌ی خطای استاندارد، به‌دست می‌دهد. این نقشه، معیاری برای ارزیابی احتمال درست ‌بودن پیش‌بینی درازمدت است.

همچنین خطای استاندارد، ارزیابی قدرت نمونه‌گیری و کیفیت مدل‌تان را به‌دست می‌دهد. با مقایسه‌ی مقادیر واقعی و پیش‌بینی شده و با استفاده از باقی‌مانده‌ها، این نقشه برایمان عدم قطعیت را ارزیابی می‌کند.

در کل، با کاهش تعداد مشاهدات، استاندارد خطا بالاتر می‌رود. اما درصورتی‌که خطای استاندارد به یک حد بحرانی برسد، واریوگرام می‌تواند به ما درتجزیه و تحلیل داده‌ها کمک کند.

کاربردها و موارد استفاده

زمین‌آمار در ابتدا برای صنعت معدن به منظور برآورد و مدیریت منابع معدنی و معدنی توسعه داده شده بود.اما اکنون، زمین‌آمار برای انواع مختلفی از پدیده‌های فضایی با تنوع محلی کاربرد دارد.برای مثال، از آن برای پیش‌بینی آب و هوا، بررسی آلودگی هوا و سایر پدیده‌های جوی استفاده می‌کنیم.

همچنین، با استفاده از زمین‌آمار، ویژگی‌ها و شیمی خاک را در همه مقیاس‌های مختلف ارزیابی می‌کنیم.علاوه بر این، زمین‌آمار برای تعیین فراوانی ماهی در شیلات و جمعیت پایدار نیز به کار می‌رود.این رشته مطالعاتی نوظهور در زمینه مهندسی، ژئوفیزیک و اکثر پدیده‌های طبیعی مورد استفاده قرار می‌گیرد.