实现克里金(kriging)插值(二)代码实现

接上篇的计算原理,本篇主要介绍如何通过 C# 来实现这样的算法。

程序下载


回顾算法流程

  1. 求取已知点的距离以及点对的半方差
  2. 筛选第一步求取的结果,计算出几个均值点,用于拟合
  3. 选定拟合模型,为了方便代码实现,我选择了指数模型
  4. 用指数模型去拟合第二步得出的均值点,得出偏基台值 c 和主变程值 r
  5. 根据拟合得到的模型,按照公式通过已知点高程计算位置点高程

通过C#实现的难点

在试图实现这个算法的过程中,首先碰到的难题是算法不懂,但是这个问题已经解决了。接下来的难题是,如何用C#进行离散点的拟合,以及如何高效的实现算法中公式的矩阵运算。

为了解决以上的问题,我利用了网络上的C#的数学库,比较好的有:开源的“Math.NET”,以及收费的“ILNumerics”,我选用了“Math.NET”。

如何将Math.NET加入到自己的项目中:参考网页:Math.NET Numerics

在VS的主界面上,选择“工具”=>“NuGet程序包管理器”=>“程序包管理器控制台”,可以看到这样的界面:

NuGet

输入“Install-Package MathNet.Numerics”后,回车,等待片刻即可。


算法实现

求取已知点的距离以及点对的半方差

点对的半方差计算公式:

    \[Semivariogram(distance_h)={1\over2}∗(value_i-value_j)^2\]

计算结果为一堆横坐标为distance_h,纵坐标为Semivariogram(distance_h)的点。

将这些点按照横坐标分为约10份,(此处可按照实际情况修改),计算每个区间里的点的横坐标纵坐标均值,这样就能得到10个点代表刚刚的整个计算结果。

如果点数过多,拟合的效果以及效率会受到影响。

拟合刚刚计算得到的点

拟合的方法我参考了文章”使用Math.NET求解线性和非线性最小二乘问题“,原链接已失效,读者可以尝试下根据文章标题搜索一下。这篇文章翻译自” Linear And Nonlinear Least-Squares With Math.NET “,同样失效,自行搜索。

我提取了文章中的高斯牛顿法实现的拟合算法,主要由“GaussNewtonSolver”类和“PowerModel”类组成,读者也可以试着使用示例代码所提供的别的拟合算法来完成。

下图是我的DEM:

DEM及在上面选取的随机点

我在已知的DEM上选取随机点,再利用这些随机点进行插值,方便比较计算结果与原始值。

下图是这些随机点的半方差拟合结果:

拟合结果

红色的点是初始计算的结果,实际上已经做过一次筛选了,因为选取的随机点约100个,初步计算出来的半方差值约有9900个。蓝色的叉叉是再次筛选后的结果,每隔10个单位的区间计算一个平均点。深蓝色的线即为对蓝色叉叉的拟合。

实际上,我用同样的离散点在ArcGIS中做一次插值,我的拟合结果与ArcGIS的拟合结果有一定差距,偏基台值基本一致,主变程值只有ArcGIS的拟合结果的一半,如果追求准确的插值结果,需要考虑对拟合算法的优化。

根据拟合模型计算未知点高程

以下提到的数学参数请对照上篇《实现克里金(kriging)插值(一)计算原理》一文中的定义。

定义方法:

private double CalCij(double x1, double y1, double x2, double y2)
{
	double distance = Math.Sqrt(
		Math.Pow(x1 - x2, 2) + Math.Pow(y1 - y2, 2));
	if (distance == 0)
	{
		return formula_c;
	}
	else
	{
		return formula_c* Math.Exp(-distance / formula_r);
	}
}

计算两点之间的C_{ij}值,c_{ij}=c−r(h_{ij}),其中 r(h_{ij}) 就是上一步中拟合得到的模型结果,c 就是模型结果中的一个值。

计算矩阵 K

//size为已知点的个数
var K = new DenseMatrix(size, size);
for (int m = 0; m < size; m++)
		for (int n = 0; n < size; n++)
			K[m, n] = CalCij(
			 pointList[m].X,
			 pointList[m].Y, 
			 pointList[n].X,
			 pointList[n].Y);

计算矩阵 K 的逆矩阵K^{-1}

Kn = K.Inverse();

假设求坐标为 (m,n) 的未知点的高程:

1. 计算向量 D

var D = new DenseVector(size);
for (int p = 0; p < size; p++)
	D[p] = CalCij(randomPointList[p].point.X,
		randomPointList[p].point.Y, m, n);

2. 计算λ(i),表示第 i 个已知点对当前未知点的影响权重:

var namuta = Kn.LeftMultiply(D);

3. 计算 Z(x_i),即为第 i 个点的高程值:

for (int q = 0; q < size; q++)
	interpolationDEMData[m, n] += 
		namuta[q] * randomPointList[q].altitudeValue;

至此,坐标为 (m,n) 的未知点的高程就求得了,存在了 interpolationDEMData 数组中。

下图为插值结果:

插值比较

结果与原始数据相比较,还是比较准确的。

发布者

Zhang

hope you enjoy my articles.

《实现克里金(kriging)插值(二)代码实现》上有2条评论

  1. 不知道还有没有更好的拟合方法,现在的这个看着感觉效果不够好。

发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注