Modelování sesuvu svahu v Halenkovicích pomocí metody kriging

Podobné dokumenty
dat Robust ledna 2018

Pro bodový odhad při základním krigování by soustava rovnic v maticovém tvaru vypadala následovně:

Interpolační funkce. Lineární interpolace

Pokročilé metody geostatistiky v R-projektu

Eva Fišerová a Karel Hron. Katedra matematické analýzy a aplikací matematiky Přírodovědecká fakulta Univerzity Palackého v Olomouci.

Prostorové interpolace. Waldo Tobler 1970: "Everything is related to everything else, but near things are more related than distant things.

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.

PROSTOROVÁ STATISTIKA V MATLABU. , Liberci, Liberec

Fakulta stavební GEOSTATISTIKA. Martin Dzurov, Kristýna Kitzbergerová, Lucie Šindelářová

AVDAT Klasický lineární model, metoda nejmenších

Aplikace T -prostorů při modelování kompozičních časových řad

LINEÁRNÍ MODELY. Zdeňka Veselá

Testování hypotéz o parametrech regresního modelu

Testování hypotéz o parametrech regresního modelu

MATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci

Regresní analýza. Ekonometrie. Jiří Neubauer. Katedra ekonometrie FVL UO Brno kancelář 69a, tel

MĚŘENÍ STATISTICKÝCH ZÁVISLOSTÍ

Digitální kartografie 7


Experimentální realizace Buquoyovy úlohy

Klasifikační metody pro genetická data: regularizace a robustnost

Aktuální mapy znečištění ovzduší v evropském i českém měřítku (roční charakteristiky) a vývoj v oblasti mapování

INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ. Modernizace studijního programu Matematika na PřF Univerzity Palackého v Olomouci CZ.1.07/2.2.00/28.

AVDAT Mnohorozměrné metody, metody klasifikace

Optimalizace provozních podmínek. Eva Jarošová

Digitální modely terénu a vizualizace strana 2. ArcGIS 3D Analyst

Statistika (KMI/PSTAT)

Rovnice přímky vypsané příklady. Parametrické vyjádření přímky

Měření dat Filtrace dat, Kalmanův filtr

Odhad parametrů N(µ, σ 2 )

MÍRY ZÁVISLOSTI (KORELACE A REGRESE)

KGG/STG Statistika pro geografy

Náhodný vektor. Náhodný vektor. Hustota náhodného vektoru. Hustota náhodného vektoru. Náhodný vektor je dvojice náhodných veličin (X, Y ) T = ( X

Statistika. Regresní a korelační analýza Úvod do problému. Roman Biskup

7.2.1 Vektory. Předpoklady: 7104

Základy ekonometrie. XI. Vektorové autoregresní modely. Základy ekonometrie (ZAEK) XI. VAR modely Podzim / 28

{ } ( 2) Příklad: Test nezávislosti kategoriálních znaků

AVDAT Geometrie metody nejmenších čtverců

Zadání Máme data hdp.wf1, která najdete zde: Bodová předpověď: Intervalová předpověď:

ANALÝZA DAT V R 3. POPISNÉ STATISTIKY, NÁHODNÁ VELIČINA. Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK

Karta předmětu prezenční studium

Aplikovaná statistika v R - cvičení 2

INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ. Modernizace studijního programu Matematika na PřF Univerzity Palackého v Olomouci CZ.1.07/2.2.00/28.

PRAVDĚPODOBNOST A STATISTIKA

Aplikovaná statistika v R - cvičení 3

Popis metod CLIDATA-GIS. Martin Stříž

Regresní a korelační analýza

Fyzikální korespondenční seminář MFF UK

Robustní statistické metody

Regresní a korelační analýza

4EK211 Základy ekonometrie

KGG/STG Statistika pro geografy

Odhady Parametrů Lineární Regrese

Regresní analýza 1. Regresní analýza

INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ. Modernizace studijního programu Matematika na PřF Univerzity Palackého v Olomouci CZ.1.07/2.2.00/28.

Digitální modely terénu (9-10) DMT v ArcGIS Desktop

EKONOMICKÁ APLIKACE KOMPOZIČNÍHO REGRESNÍHO MODELU

Příklady - Bodový odhad

Regresní a korelační analýza

Úvodem Dříve les než stromy 3 Operace s maticemi

10. Předpovídání - aplikace regresní úlohy

V praxi pracujeme s daty nominálními (nabývají pouze dvou hodnot), kategoriálními (nabývají více

Úvod do problematiky měření

Měření závislosti statistických dat

Funkce. Úkol: Uveďte příklady závislosti dvou veličin.

Bakalářská matematika I

Alternativní přístup k analýze vícefaktorových dat

INDUKTIVNÍ STATISTIKA

Stavový model a Kalmanův filtr

1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností,

Teorie náhodných matic aneb tak trochu jiná statistika

PRAVDĚPODOBNOST A STATISTIKA

KGG/STG Statistika pro geografy. Mgr. David Fiedor 4. května 2015

Diferenciální rovnice 3

Geostatistika v R-projektu

Voda a život Wasser und Leben

Měření dat Filtrace dat, Kalmanův filtr

CHOVÁNÍ SILOFUNKCÍ TESTŮ V COXOVĚ MODELU PROPORCIONÁLNÍCH RIZIK

Luxmetr LS-BTA, lampička, izolepa, 32 kusů průhledné fólie (nejlépe obaly od CD).

KGG/STG Statistika pro geografy

Náhodný vektor. Náhodný vektor. Hustota náhodného vektoru. Hustota náhodného vektoru. Náhodný vektor je dvojice náhodných veličin (X, Y ) T = ( X

1 Modelování systémů 2. řádu

Matematika I. Katedra matematiky a deskriptivní geometrie mdg.vsb.cz

Regresní a korelační analýza

6. Lineární regresní modely

Rovnovážné modely v teorii portfolia

ZÁKLADY AUTOMATICKÉHO ŘÍZENÍ

13.1. Úvod Cílem regresní analýzy je popsat závislost hodnot znaku Y na hodnotách

Základní pojmy teorie množin Vektorové prostory

Regresní a korelační analýza

PRAVDĚPODOBNOST A STATISTIKA

Digitální modely terénu (6-8) DMT v GIS Idrisi Andes

VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA METALURGIE A MATERIÁLOVÉHO INŽENÝRSTVÍ KATEDRA KONTROLY A ŘÍZENÍ JAKOSTI

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz

Pravděpodobnost a statistika I KMA/K413

5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza

AVDAT Nelineární regresní model

Klasická a robustní ortogonální regrese mezi složkami kompozice

9. přednáška z předmětu GIS1 Digitální model reliéfu a odvozené povrchy. Vyučující: Ing. Jan Pacina, Ph.D.

Univerzita Pardubice SEMESTRÁLNÍ PRÁCE. Tvorba nelineárních regresních modelů v analýze dat. 2015/2016 RNDr. Mgr. Leona Svobodová, Ph.D.

Transkript:

Modelování sesuvu svahu v Halenkovicích pomocí metody kriging Robert Zůvala, Eva Fišerová Katedra matematické analýzy a aplikací matematiky Přírodovědecká fakulta Univerzity Palackého v Olomouci ROBUST 2014

Cíl práce Demonstrovat základní principy krigingu při modelování svahu Vytvořit a popsat krigovací mapy

Halenkovice sesuv se nachází 4 kilometry od Napajedel

Horní část svahu březen 2011

Horní a dolní část svahu březen 2011

Modelování sesuvu- analýza dat

Variogram prostorovou závislost obvykle vyjadřujeme pomocí rozptylu nebo kovariance. Při volbě rozptylu (variance) se veličina popisující prostorovou závislost sledovaného procesu nazývá variogram. značí se symbolem a platí hodnota variogramu pro posun mezi body délky h hodnota realizace prostorového procesu v bodě (s+h) hodnota v bodě s

Variogram Variogram tedy popisuje, jak se mění rozptyl rozdílu hodnot mezi dvěma body prostoru v závislosti na měnící se vzdálenosti těchto bodů. Poloviční hodnota variogramu je označována jako semivariogram. Bodové odhady variogramu: je počet dvojic vzdálených od sebe o délku h.

Variogram-předpoklady nutno předpokládat vnitřní stacionaritu procesu vnitřně stacionární proces: pokud platí předpoklad, že závislost je stejná mezi jakýmikoli dvěma místy, která mají od sebe stejnou vzdálenost a směr, bez ohledu na umístění těchto dvou míst

Modely variogramu výsledkem bodových odhadů je soubor hodnot variogramu pro různé vzdálenosti mezi body nestačí znalost hodnot variogramu pro vzdálenosti mezi body potřeba znát hodnotu pro obecně libovolnou vzdálenost => proložíme získané odhady teoretickou křivkou. používané modely: lineární,sférický, exponenciální, gausovský

Variogram

Kriging pojmenována po Dr. D.G.Kriegovi profesor G.Matheron tuto metodu zlepšil a nazval ji kriging jevy, které nastávají blíže sobě, jsou si podobnější než jevy, které nastávají dále od sebe. při odhadu neznámé hodnoty z pozorovaných hodnot v okolních bodech platí, že pozorování, která se nacházejí blíže k odhadovanému bodu, mají na odhad větší vliv než vzdálenější pozorování. dává nejlepší nestranné lineární odhady bodových hodnot.

Kriging- základní typy Ordinary kriging: předpokládá vnitřně stacionární prostorový proces s nulovou střední hodnotou. Universal kriging: užívá se v případě nesplnění podmínek stacionarity. Prostorová proměnná je pak považována za součet dvou komponent - trendu, který určuje průměrnou hodnotu v tomto místě, a reziduí. Další: simple kriging, cokriging Cílem:odhad tj. neznámé hodnoty procesu Z v bodě s 0 : váhy přiřazeny jednotlivým bodům s i

Ordinary kriging- vytvoření rovnic rovnice krigingu: : vektor hodnot hledaných vah : hodnoty semivariog. mezi vstupními body : Lagrangeův multiplikátor : vektor hodnot semivariog. mezi vstupními body s i a odhadovaným bodem s 0

Výsledky v x-ovém směru došlo k největším posunům u bodů 6,16 a 17, kde se posuny pohybovaly okolo jednoho metru. v bodech 4,10,12,14 a 28 byl zaznamenán posun už jen kolem 50 cm a v ostatních bodech pouze okolo 10 cm. v y-ovém směru byly posuny výraznější a u bodů 6,10,16 a 17 dosahovaly od 1.5 do 2.1 metru. V bodech 4,12,14 a 28 byly posuny obdobné jako v x-ovém směru kolem 50 cm.

Výsledky Lze si všimnout, že body, které zaznamenaly největší posuny, pocházejí z dolní části svahu Podle hustoty vrstevnic lze říci, že k pozvolnému sesuvu došlo z jihozápadu od bodu 23 směrem k bodům 16 a 17. Naopak ke strmému sesuvu došlo v okolí bodů 5 a 28, kde jsou vrstevnice nejhustší Index determinace pro x-ový směr je roven R2 = 0.94 a pro y-ový směr R2 = 0.73

Literatura [1] Cressie (1993). Statistics for spatial data J. Wiley & Sons, New York. [2] Amstrong, M. (1998). Basic linear geostatistic Springer. [3] Arzu Erener, H. Sebnem and B. Düzgün: (2010). Improvement of statistical landslide susceptibility mapping by using spatial and global regression methods in the case of More and Romsdal (Norway) Landslides. [4] Schejbal, C. (1996). Úvod do geostatistiky VŠB TU Ostrava, HGF.

Děkuji za pozornost