Réponses:
Selon le type de Kriging que vous souhaitez appliquer, vous pouvez choisir parmi différents packages:
La version la plus courante est implémentée par exemple dans:
Le Kriging simple utilise la moyenne de l'ensemble des données alors que le Kriging ordinaire utilise une moyenne locale. Par conséquent, le krigeage simple peut être moins précis, mais il produit généralement des résultats plus "lisses". Il est implémenté dans:
Le krigeage universel permet de prendre en compte la dérive des données. Les implémentations sont incluses dans:
Autres types de krigeage
GRASS v.krige prend également en charge Block Kriging.
HPGL implémente un grand nombre de méthodes de Kriging moins connues (consultez le manuel pour plus d'informations sur celles-ci):
SAGA propose différentes versions du krigeage ordinaire et universel.
Gstat krige prend également en charge le krigeage en blocs et en point.
Il semble y avoir quelques options avec GRASS GIS. Consultez la page Wiki de GRASS Kriging: http://grass.osgeo.org/wiki/Kriging
Un projet Google Summer of Code en 2009 a produit V.krige: http://grass.osgeo.org/wiki/V.krige_GSoC_2009
Le paquet GPL gstat devrait fonctionner seul ou interfacé avec GRASS GIS. http://www.gstat.org/
Dylan Beaudette a un bel exemple de krigeage avec GRASS. http://casoilresource.lawr.ucdavis.edu/drupal/node/438 (son blog regorge d'exemples intéressants et intéressants d'utilisation de SIG OpenSource et d'outils statistiques!)
Le projet R contient un nombre important de progiciels de statistiques spatiales , mais la courbe d’apprentissage de R est plutôt abrupte.
Si vous êtes heureux de lire votre raster dans un tableau numpy ( gdal peut le faire), vous pouvez utiliser l' implémentation de la bibliothèque géostatistique à hautes performances de Python ou C / C ++.
HPGL implémente les algorithmes suivants:
- Krigeage simple (SK)
- Krigeage ordinaire (OK)
- Indicateur de krigeage (IK)
- Krigeage moyen local variable (LVM Kriging)
- CoKrigeage simple (modèles de Markov 1 et 2)
- Simulation par indicateurs séquentiels (SIS)
- Corellogram Local Variable SIS (CLVM SIS)
- Moyenne variable locale SIS (LVM SIS)
- Simulation gaussienne séquentielle (SGS)
- Simulation gaussienne tronquée (GTSIM) [dans la collection de scripts Python]
Je ne l'ai pas utilisé moi-même, mais j'ai entendu de bonnes choses à ce sujet, notamment en ce qui concerne la vitesse.
Consultez ce livre gratuit, il s’agit de faire de la géostatistique en R et contient quelques informations sur le faire dans SAGA et GRASS également. http://spatial-analyst.net/book/ http://spatial-analyst.net/book/sites/default/files/Hengl_2009_GEOSTATe2c1w.pdf
Vous pouvez essayer le modèle Kriging dans Surfpack version 1.1 (je l’ai écrit alors que j’étais encore dans l’équipe DAKOTA), ou la dernière et meilleure version fournie avec la version "stable" de DAKOTA (Surfpack est un sous-package de DAKOTA). , il fait du krigeage universel du point de vue des fonctions de corrélation plutôt que des semi-variogrammes.
Récemment, un utilisateur, Joel Guerrero, l'a comparé à une foule d'autres implémentations et a déclaré: "Toujours lié au surfpack, nous le comparons à d'autres implémentations (y compris une implémentation commerciale), et jusqu'à présent, il les surperforme toutes, au point qu'il semble parfois que cela fait de la magie noire "
GSLIB (Geostatistical Software Library) est un logiciel de pointe basé sur les fichiers et les commandes, développé par l’Université Stanford et publié dans les années 1990, avec quelques mises à jour au cours de la dernière décennie. Le code source peut être téléchargé et compilé librement sur Linux / Windows à l'aide d'un compilateur Fortran. Il existe des ressources en ligne et un livre disponible.
Le krigeage est l'une des forces du logiciel: