Respuestas:
Dependiendo del tipo de Kriging que desee aplicar, hay diferentes paquetes para elegir:
La versión más común se implementa, por ejemplo, en:
Kriging simple usa el promedio de todo el conjunto de datos, mientras que Kriging Ordinario usa un promedio local. Por lo tanto, el Kriging simple puede ser menos preciso, pero generalmente produce resultados "más suaves". Se implementa en:
Kriging universal permite considerar la deriva en los datos. Las implementaciones están incluidas en:
Otros tipos de Kriging
GRASS v.krige también es compatible con Block Kriging.
HPGL implementa una gran cantidad de métodos de Kriging menos conocidos (consulte el manual para obtener más información al respecto):
SAGA ofrece diferentes versiones de Kriging tanto ordinario como universal.
Gstat krige también es compatible con Block y Point Kriging.
Parece que hay algunas opciones con GRASS GIS. Echa un vistazo a la página Wiki de GRASS Kriging: http://grass.osgeo.org/wiki/Kriging
Un proyecto de Google Summer of Code en 2009 produjo V.krige: http://grass.osgeo.org/wiki/V.krige_GSoC_2009
El paquete GPL gstat debería funcionar solo o en interfaz con GRASS GIS. http://www.gstat.org/
Dylan Beaudette tiene un buen ejemplo de hacer kriging con GRASS. http://casoilresource.lawr.ucdavis.edu/drupal/node/438 (¡Su blog está lleno de excelentes e interesantes ejemplos del uso de OpenSource GIS y herramientas estadísticas!)
El proyecto R tiene un número considerable de paquetes de software de estadísticas espaciales , pero R tiene una curva de aprendizaje bastante empinada.
Si está contento de leer su ráster en una matriz numpy ( gdal puede hacer esto), entonces podría usar la implementación de la Biblioteca de geoestadística de alto rendimiento de Python o C / C ++.
HPGL implementa los siguientes algoritmos:
- Kriging simple (SK)
- Kriging Ordinario (OK)
- Indicador Kriging (IK)
- Kriging medio variable local (Kriging LVM)
- CoKriging simple (modelos 1 y 2 de Markov)
- Simulación de Indicador Secuencial (SIS)
- Corellogram SIS medio variable variable (SIS CLVM)
- SIS medio variable local (LVM SIS)
- Simulación secuencial gaussiana (SGS)
- Simulación gaussiana truncada (GTSIM) [en la colección de scripts de Python]
No lo he usado yo mismo, pero he escuchado cosas buenas al respecto, especialmente con respecto a la velocidad.
Consulte este libro gratuito, se trata de hacer geoestadística en R, y también contiene información sobre cómo hacerlo en SAGA y GRASS. http://spatial-analyst.net/book/ http://spatial-analyst.net/book/sites/default/files/Hengl_2009_GEOSTATe2c1w.pdf
Puede probar el modelo Kriging en Surfpack versión 1.1 (lo escribí mientras todavía estaba en el equipo de DAKOTA), o la última y mejor versión que viene con la versión "estable" de DAKOTA (Surfpack es un sub-paquete de DAKOTA) , realiza Kriging universal desde la perspectiva de las funciones de correlación en lugar de semi-variogramas.
Recientemente, un usuario, Joel Guerrero, lo comparó frente a un montón de otras implementaciones y declaró que "Siempre relacionado con surfpack, lo estamos comparando con otras implementaciones (incluida una comercial), y hasta ahora las ha superado a todas, hasta el punto de que a veces parece que está haciendo magia negra "
GSLIB (Geostatistical Software Library) es un software de primera clase basado en archivos / comandos desarrollado por la Universidad de Stanford y lanzado en la década de 1990, con algunos mantenimientos en la última década. El código fuente se puede descargar y compilar libremente en Linux / Windows utilizando un compilador Fortran. Hay recursos en línea y un libro disponible.
Kriging es uno de los puntos fuertes del software: