nonstationarity, covariance estimation and state-space ... - EPFL
nonstationarity, covariance estimation and state-space ... - EPFL
nonstationarity, covariance estimation and state-space ... - EPFL
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Kurzfassung<br />
Als geostatistische Daten bezeichnet man alle Arten von Messungen, die an einem bestimmten Orten<br />
in einem festgelegten raumlichen Gebiet vorgenommen wurden. Diese Gebiete sind gewohnlich stetig,<br />
wie zum Beispiel in der Geologie, der Hydrologie, den Erdwisssenschaften und im Bergwesen. Model-<br />
le für geostatistische Daten basieren auf raumlichen oder hum-Zeitprozessen, welche die innewohnende<br />
Abhanigkeitsstruktur zu beschreiben versuchen, zum Beispiel wird die raumliche Variabilitat (Kovarianz)<br />
durch eine Funktion der Stichprobenorte beschrieben. Diese Funktion wird üblicherweise Variogramm oder<br />
Kovariogramm genannt, ihre Verwendung zur Schatzung undIoder Vorhersage ist ein grundlegendes Ele-<br />
ment der Geostatistik. Die meisten Techniken zur Schatzung der Raum-Zeitabhanigkeitsstruktur basieren<br />
auf der Annahme, dass der zugrundeliegende Prozess stationar ist, diese Annahme entspricht jedoch nur<br />
selten der Realitat. Nichtstationaritat und Kovarianzschatzung bilden den roten Faden dieser Dissertation,<br />
die in die im Folgenden kurz zusammengefassten vier Kapitel aufgeteilt ist.<br />
Das erste Kapitel gibt einen kurzen Überblick über geostatistische Definitionen und Schreibweisen,<br />
welche spater gebraucht werden. Es wird mit raumlichen Prozessen begonnen und sukzessive zu mehrdi-<br />
mensionalen und Raum-Zeitprozessen verallgemeinert.<br />
Es existieren viele verschiedene Formen von Nichtstationaritat, von denen zwei im zweiten Kapitel<br />
genauer betrachtet werden. Im ersten Fall, Trend gennant, hiingt der Mittelwert des Prozesses vom Ort<br />
im Raum ab. Die Identifizierung eines Trends ist ein nichttriviales Problem und es wird versucht auf-<br />
zuzeigen, dass es keine optimale Trendschatzung gibt, wenn die zugrundeliegende Abhangigkeitsstruktur<br />
nicht bekannt ist. Wir zeigen einige explorative Datenanalysemethoden für empirische Variogramme und<br />
beobachtete Prozesse. Im Weiteren werden st<strong>and</strong>ardmassige parametrische und nichtparametrische Trend-<br />
anpassungsmethoden erlautert. Von diesen Methoden ausgehend wird eine neue, einfache Denkweise zur<br />
Variogrammschatzung beschrieben, 'Lokale Trendschatzung' genannt. Diese teilt das Gebiet in mehrere<br />
Untergebiete ein, auf welchen der Trend geschatzt wird. Die Residuen werden zusammengefasst und er-<br />
lauben eine globale Schatzung undIoder statistische Schlussfolgerungen. Simulationen zeigen, dass eine<br />
einfache und heuristische Aufteilung zu Verbesserung der Variogrammschatzung führt. Wenn der wahre<br />
(unbekannte) Trend nicht linear ist oder wenn die heuristische Aufteilung nicht der wahren (unbekannten)<br />
Aufteilung entspricht, ist die Methode besser als parametrische und nichtparametrische Trendschatzung,<br />
wie in Simulationen und in einer Anwendung gezeigt wird. Eine zweite Art der Nichtstationaritat ist die<br />
Abhangigkeit der Form der Kovarianzstruktur vom Messort oder von der Messzeit, unter diesen Umst<strong>and</strong>en<br />
ist die klassische Variogrammschatzung nicht moglich. Im Zusammenhang mit Untersuchungen der At-<br />
mosphare kann zum Beispiel die Grosse der Variabilitat der Daten von der Zeit abhangen, für solche<br />
Phanomene werden neue Modelle gebraucht. Im letzten Teil des zweiten Kapitels wird eine neue Methode<br />
zur Konstruktion von gültigen, nichtseparierbaren Kovariogrammen für nichtstationare Raum-Zeitprozesse<br />
hergeleitet. Diese neuen Kovariogramme werden mit Simulationen und einer Anwendung illustriert.<br />
Viele statistische Anwendungen basieren auf der Kovarianzmatrix des modellierten Prozesses. Ein<br />
klassisches Beispiel einer solchen Methode ist (funktionale) Hauptkomponentenanalyse, welche eine Menge