nonstationarity, covariance estimation and state-space ... - EPFL
nonstationarity, covariance estimation and state-space ... - EPFL
nonstationarity, covariance estimation and state-space ... - EPFL
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Riassunto<br />
1 dati geostatistici sono costituiti da misure eseguite in punti definiti ne1 dominio spaziale. Solitamente<br />
sono continui spazialmente. L'ingegneria mineraria, la geologia, la geotecnica e l'idrologia sono degli<br />
esempi tipici. 1 modelli geostatistici si basano su1 concetto di processo spaziale O spazio-temporale e<br />
servono a descriverne la struttura di dipendenze. La variabilità spaziale è rappresentata da una funzione<br />
della distanza tra i luoghi di misura. Questa funzione è chiamata 'variogramma' O 'covariogramma' ed è<br />
utilizzata per applicare metodi statistici come la stima e/o la previsione, chiamati 'kriging' ne1 contesto<br />
geostatistico. Per quantificare le dipendenze spazio-temporali, si applicano delle tecniche di stima che si<br />
basano su ipotesi stazionarie che in pratica si verificano solo raramente.<br />
La non stazionarietà e la stima della cowrianza sono i temi di fondo di questa tesi che è costituita da<br />
quattro capitoli.<br />
Il primo capitolo presenta una panoramica breve e coincisa delle definizioni geostatistiche usate in questa<br />
tesi. E una premessa necessaria alla generalizzazione dei concetti ai processi multivariati e spazio-temporali;<br />
è stabilita in base ai processi spaziali univariati.<br />
Esistono molti tipi differenti di non stazionarietà, due dei quali sono trattati ne1 secondo capitolo. In un<br />
primo tempo ci si occupa del caso in cui la media del processo dipende da1 luogo. L'identificazione di una<br />
tendenza non è un problema semplice e si sottolinea che non esistono procedure di stima della tendenza<br />
per processi puntiformi la cui struttura di dipendenza non è nota. Si illustrano inoltre degli strumenti d'e-<br />
splorazione del variogramma empirico O del processo in esame, e dei metodi parametrici e non parametrici<br />
usati correntemente per la stima della tendenza. Si sviluppa un metodo semplice che deriva dall'analisi<br />
visuale dei dati, ossia la stima del variogramma basata sulla 'stima locale della tendenza'. Quest'ultima<br />
separa il dominio in diversi sottodominii O parti, nei quali si stima una tendenza propria; i residui vengono<br />
in seguito combinati sull'intero dominio per permettere una stima globale. Delle simulazioni mostrano<br />
che una suddivisione semplice e quasi arbitraria è già sufficiente per migliorare i risultati della stima del<br />
variogramma. In più, il metodo funziona anche quarido la scomposizione (euristica) non coincide con la<br />
(vera) separazione delle popolazioni. Anche ne1 caso in cui la tendenza non è lineare questo metodo for-<br />
nisce risultati migliori dei metodi già noti di stima parametrica e non parametrica della tendenza. Per<br />
verificare queste affermazioni il metodo viene applicato a dei dati reali. Una seconda forma di non stazio-<br />
narietà è costituita dalla dipendenza dalla struttura di covarianza rispetto al luogo. In queste circostanze<br />
le tecniche classiche di stima non si possono applicare. Per esempio, nelle scenze dell'atmosfera, si possono<br />
trovare facilmente situazioni nelle quali la dipendenza spaziale varia ne1 tempo O dove la magnitudine della<br />
massima variabilità si modifica ne1 tempo. Per tali fenomeni è necessario sviluppare nuovi modelli. Con-<br />
seguentemente la parte restante del primo capitolo presenta un nuovo metodo, valido per la creazione del<br />
covariogramma per dei processi spazio-temporali non stazionari. Questi nuovi niodelli vengono illustrati<br />
tramite simulazioni e un'applicazione ad un insieme di dati.