Monthly Archive: ژانویه 2017

كد: 2420

عنوان پروژه: فروش پروژه ارزیابی درون یابی به روش کریجینگ با نرم افزار MATLAB

قالب بندی: m

دسته: کامپیوتر – MATLAB

قیمت: 40.000 تومان

قابلیت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه ارزیابی درون یابی به روش کریجینگ با نرم افزار MATLAB

کریجینگ (Kriging)، یکی از مهمترین و گسترده ترین روش های درون یابی برپایه مدل سازی و روابط آماری، پایه ریزی شده است. به طور کلی، درون یابی که بر اساس تخمین مدل های آمار فضایی صورت می گیرد، فرایندی است که طی آن می توان مقدار یک کمیت در نقاطی با مختصات معلوم را با استفاده از مقدار همان کمیت در نقاط دیگری با مختصات معلوم به دست آورد. مهمترین تخمین گر آمار فضایی به افتخار یکی از پیشگامان علم زمین آمار (ژئو استاتیک) به نام D.G. Krige که یک مهندس افریقای جنوبی بوده است، به نام کریجینگ، نام گذاری شده است. کریجینگ یک روش تخمین است که برپایه منطق میانگین متحرک وزن دار بنا شده است. تخمین گر کریجینگ، یکی از مهمترین تخمین گرهای خطی نااُریب است، زیرا اولا بدون خطای سیستماتیک می باشد و ثانیا واریانس تخمین آن، حداقل است.

از مهمترین ویژگی های کریجینگ می توان به مطلق بودن تخمین در درون یابی اشاره کرد. بدین مفهوم که مقدار تخمین کمیت در نقاط نمونه برداری با مقدار اندازه گیری شده بابر می باشد و واریانس تخمین صفر می گردد. این ویژگی سبب می شود که تخمین گر کریجینگ در رسم خطوط هم ارزش، از حداکثر نقاط، نمونه برداری نموده و تمایلی به بسته شدن و دور زدن را نداشته باشد و از مرز محدوده مورد مطالعه فراتر رود. به عبارت دیگر، این مدل در تخمین کمیت مجهول نقاط یا مختصات معلوم، مقدار واریانس را به حداقل می رساند. لذا منحنی های میزان بر اساس روندیابی ترسیم می گردند. در نتیجه از مرز محدوده ترسیم فراتر می روند.

یکی دیگر از ویژگی های کریجینگ، هموارسازی یا نرم شدن تغییرات هنگام درون یابی است. بدین معنا که واریانس نمونه های تخمین زده شده نسبت به نقاط واقعی، تغییرات کمتری دارد.

در روش کریجینگ، هر نمونه معلوم در تخمین نقطه مجهول، بستگی کامل به ساختار فضایی محیط مربوط دارد. در حالی که در روش های دیگر، وزن ها فقط به یک مشخصه هندسی مانند فاصله بستگی دارد و با تغییر ساختار فضایی نمونه ها، تغییری نمی کند و با ضعیف شدن ساختار فضایی، نقش نمونه ها کمتر می شود. تا آن جا که وزن تمام نمونه ها برابر خواهد شد. به عبارت دیگر، دامنه تاثیر متغیر معلوم بر متغیر مجهول به حداکثر و حداقل فاصله نمونه ها از هم بستگی دارد. لذا در استفاده از این روش، باید به توزیع فضایی نمونه ها و دامنه تاثیر آن ها توجه نمود.

خاصیت جمع پذیری، یکی دیگر از ویژگی های قابل تحلیل در روش کریجینگ است. این ویژگی سبب می شود تا اگر در مورد مجموعه ای از واحدهای کوچک، تخمین کریجینگ صورت بگیرد، میانگین مقادیر تخمینی این واحدها برابر می شود با مقدار تخمین واحدهای بزرگتر که حاوی تمام واحدهای کوچکتر است. البته در هر دو حالت برای تخمین واحدهای کوچکتر و بزرگتر، باید از یک سری نقاط یکسان استفاده شود که این ویژگی در یک سری از مطالعات جغرافیایی مثل حوضه های رودها، سبب انتقال خصوصیات زیر حوضه ها به یکدیگر می شود و لذا در چنین مطالعاتی باید در استفاده از این تخمین گر، احتیاط نمود.

روش کریجینگ، از دقیق ترین مدل هایی است که در تهیه نقشه های پراکندگی از جمله ایزوپلت و کروپلت و … به کار گرفته می شود.

عكس خروجی برنامه

برای خرید این پروژه با شماره 09360703858

یا آدرس ایمیل nn4e@aol.com در تماس باشید.