Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mô Hình Phi Đồng Nhất Để Kriging Dữ Liệu Đo Liệu
Tóm tắt
Bài báo này đề cập đến phương pháp nội suy dựa trên kriging cho dữ liệu đo liều. Dữ liệu như vậy thường cho thấy những biến thiên không đồng nhất mà khó có thể đưa vào các mô hình không đồng nhất thông thường sẵn có trong địa chất thống kê. Bằng cách tích hợp kiến thức về các nguồn nghi ngờ tiềm tàng (như ống dẫn hoặc bể chứa), có thể thu được những ước lượng tốt hơn, ngay cả khi không có dữ liệu cụ thể nào về những nguồn này. Phương pháp đề xuất phân tách các tỷ lệ liều đo được thành một thành phần đồng nhất khuếch tán và sự đóng góp từ các nguồn. Tương ứng, hai mô hình hàm ngẫu nhiên được giới thiệu, mô hình đầu tiên liên quan đến thành phần khuếch tán, và mô hình thứ hai với sự đóng góp từ các nguồn không xác định và không được đo đạc. Việc ước lượng các tham số của mô hình dựa trên sai số bình phương qua xác thực chéo. Như một điểm cộng, mô hình thu được cho phép ước tính hoạt độ của nguồn. Hiệu quả của phương pháp này được chứng minh trên dữ liệu được mô phỏng theo các phương trình vật lý của hệ thống. Phương pháp này có sẵn cho các nhà nghiên cứu thông qua một gói R do các tác giả cung cấp theo yêu cầu.
Từ khóa
#kriging #nội suy #dữ liệu đo liều #mô hình không đồng nhất #thống kê địa lýTài liệu tham khảo
Chilès JP, Delfiner P (2012) Geostatistics. Modeling spatial uncertainty. Probability and Statistics. Wiley, Hoboken (ISBN) 978-0-470-18315-1
Cressie N (1993) Statistics for spatial data. Wiley, Hoboken
Denoyers Y, Dubot D (2014) Characterization of radioactive contamination using geostatistics. Nuclear Eng Int 59(716):16–18
Dong A (1990) Estimation géostatistique des phénomènes régis par des équations aux dérivées partielles. Doctoral thesis, 260 p., Ecole des Mines de Paris, CG. 35 rue St. Honoré, Fontainebleau
Dubois G, Galmarini S (2005) Introduction to the spatial interpolation comparison (SIC) 2004 exercise and presentation of the datasets. Appl GIS 1(2):09-1–09-11
Elogne S, Hristopulos D, Varouchakis E (2008) An application of spartan spatial random fields in environmental mapping: focus on automatic mapping capabilities. Stoch Environ Res Risk Assess 22:633–646
Fouedjio F, Desassis N, Romary T (2015) Estimation of space deformation model for non stationary random functions. Spatial Stat 13:45–61
Galassi M (2019) GNU scientific library reference manual (3rd Ed.) (ISBN) 0954612078
Kazianka H (2013) Spatialcopula: a matlab toolbox for copula-based spatial analysis. Stoch Environ Res Risk Assess 27:121–135
Matheron G (1973) The intrinsic random functions and their applications. Adv Appl Probab 5:439–468
Perrin O, Meiring W (1999) Identiability for non-stationary spatial structure. J Appl Probab 36:1244–1250
Pilz J, Spöck G (2008) Why do we need and how should we implement Bayesian kriging methods. Stoch Environ Res Risk Assess 22:621–632
Sampson P, Guttorp P (1992) Nonparametric estimation of nonstationary spatial covariance structure. J Am Stat Assoc 87:108–119
Wackernagel H (2003) Multivariate geostatistics: an introduction with applications. Springer, Berlin (ISBN) 3540441425
Warnery E, Ielsch G, Lajaunie C, Cale E, Wackernagel H, Debayle C, Guillevic J (2015) Indoor terrestrial gamma dose rate mapping in france: a case study using two different geostatistical models. J Environ Radioact 139:140–148