Sebuah estimator linier sekuensial dikembangkan dalam penelitian ini untuk menggabungkan

set data spasial yang baru atau berbeda dalam estimasi. Hal ini diawali dengan estimator linier klasik
(yaitu, kriging atau cokriging) untuk memperkirakan rata-rata untuk satu set data yang diamati. Ketika
set data tambahan tersedia, sequential estimator meningkatkan estimasi sebelumnya dengan
menggunakan jumlah bobot linear dari beda antara set data baru dan estimasi sebelumnya di lokasi
sampel. Seperti estimator linier klasik, bobot digunakan dalam estimator linier sekuensial yang berasal
dari sistem persamaan yang mengandung covariances dan cross-covariances antara lokasi sampel dan
lokasi di mana perkiraan tersebut harus dibuat. Namun, covariances dan cross-covariances dikondisikan
pada set data sebelumnya.
Sequential estimator ditunjukkan untuk menghasilkan estimasi linear yang terbaik dan unbias,
dan untuk memberikan estimasi dan variansi yang sama sebagai simple kriging klasik atau cokriging
dengan penggunaan simultan dari seluruh kumpulan data. Namun, dengan menggunakan data set
secara sequential, algoritma baru ini dapat mengurangi kesulitan numerik terkait dengan kriging klasik
atau teknik cokriging ketika sejumlah besar data digunakan. Hal ini juga memberikan cara baru untuk
menggabungkan informasi tambahan ke dalam estimasi sebelumnya.

Introduction
Selama beberapa dekade terakhir, teknik kriging dan cokriging telah diterapkan secara luas
untuk banyak studi dari bawah permukaan hidrologi. Misalnya, Kitanidis dan Vomvoris (1983), dan
Hoeksema dan Kitanidis (1984) menerapkan teknik cokriging untuk satu- dan dua dimensi saturity, untuk
memperkirakan konduktivitas hidrolik media geologi. Dengan cokriging, Yates dan Warrick (1987)
menggunakan suhu tanah untuk memperkirakan distribusi spasial dari kelembaban konten bawah
permukaan. Sun dan Yeh (1992) memperluas metode ini untuk memperkirakan konduktivitas
menggunakan informasi kepala hidrolik di bawah kondisi aliran jenuh yang transient. Harter dan Yeh
(1996) menggunakan teknik cokriging untuk menyelidiki efek pendingin menggunakan kepala dan
konduktivitas pengukuran pada zat terlarut transportasi di zona vadose. Teknik yang sama juga
digunakan oleh Yeh dan Zhang (1996) memperkirakan parameter konduktivitas tak jenuh berdasarkan
kelembaban dan kepala pengukuran. Tong (1996) menerapkan cokriging untuk memperkirakan
konduktivitas kejenuhan media geologi menggunakan pengukuran konsentrasi tracer. Harvey dan
Gorelick (1995) mengembangkan pendekatan sekuensial untuk cokriging di mana informasi seperti
kepala dan waktu zat terlarut digunakan berturut-turut untuk meningkatkan perkiraan konduktivitas
eld heterogen. Li (1998) menggunakan pendekatan sekuensial untuk cokrige konduktivitas jenuh
geologi media menggunakan beberapa data konduktivitas rst maka konsentrasi tracer pengukuran. Di
sisi lain, Yeh et al. (1995 dan 1996) mengusulkan berulang cokriging teknik untuk sistem nonlinear di
mana kebutuhan unbiasness dan varians minimum yang diberlakukan di setiap iterasi. Ini berulang
Pendekatan kemudian diperpanjang untuk tak jenuh OW oleh Zhang dan Yeh (1997) untuk parameter
estimasi untuk konduktivitas hidrolik jenuh di zona vadose. Demikian pula, pendekatan geostatistik
kuasi-linear disampaikan oleh Kitanidis (1995) dalam upaya untuk menggabungkan hubungan nonlinear
antara parameter dan informasi sekunder dari sistem bawah permukaan OW.
Kriging dan cokriging dengan set data yang besar dapat menjadi masalah non-trivial karena
ketidakstabilan numerik yang berhubungan dengan pemecahan sistem persamaan yang besar (Davis
dan Grivet 1984, Dietrich dan Newsam, 1989). Davis (1975) memperkenalkan alternatif yang disebut ``
moving or local neighborhood kriging '' yang merupakan circular atau elliptic mmoving window yang
memungkinkan untuk Krige titik pusat hanya menggunakan data dalam suatu lingkungan lokal. Seperti

yang disebutkan oleh Davis dan Culhane (1984), lingkungan lokal menghasilkan efek perilaku palsu
dalam estimasi. Mereka juga mengusulkan alternatif yang menggunakan kovarians yang bukan
variogram dan menata kembali baris dan kolom dalam matriks kriging untuk menghasilkan
matriks
kriging
simetris
yang
lebih
mudah
untuk
diinvers.
Namun
demikian,
Pendekatan seperti ini masih berkaitan dengan matriks besar dan memiliki kelemahan masalah
tidak sepenuhnya terselesaikan jika kisaran korelasi spasial sangat besar.
Dalam tulisan ini, kami menyajikan pendekatan sekuensial yang menyelesaikan kesulitan
numerik terkait dengan interpolasi dengan set data yang besar, menggunakan kriging atau cokriging.
Pendekatan baru tersebut memungkinkan kita untuk menggabungkan sekelompok kecil data pada
waktu atau secara sequential selama estimasi. Oleh karena itu, pendekatan baru kami diharapkan akan
sangat berguna untuk memecahkan banyak masalah dalam hidrologi yang membutuhkan estimasi
dengan sejumlah besar data atau yang membutuhkan integrasi banyak informasi yang berbeda dalam
waktu dan ruang. Sedangkan kunci kriging sekuensial dan cokriging adalah estimasi linear berturut-turut
secara empiris diperkenalkan oleh Yeh et al. (1996), tujuan kami di sini adalah untuk memberikan teori
untuk sekuensial kriging dan cokriging dan membuktikan validitasnya.

Background
Penaksir berturut-turut untuk non linearitas
Saat menerapkan pendekatan geostatistik (yaitu, cokriging) untuk masalah invers hidrologi di bawah
permukaan, Gutjahr et al. (1994) dan Yeh et al. (1995, 1996) menyadari sifat prediktor linear cokriging
dan hubungan nonlinear antara sifat hidrologi dan respon dari bawah permukaan. Untuk memungkinkan
pendekatan geostatistik mempertimbangkan kenon-linearitasan, Yeh et al. (1996) memperkenalkan
successive estimator linier dalam bentuk

di mana

adalah estimasi konduktivitas pada iterasi r+ 1, dan

sebelumnya, r, dan
adalah residual antara prediksi
merepresentasikan persamaan flow) dan diamati di lokasi j. Itu adalah,

adalah estimasi pada iterasi

di mana G

ketika r=1;
adalah estimasi cokriging klasik didasarkan pada beberapa pengukuran f dan h, dan
bobot yang berasal dari persamaan cokriging yang melibatkan kovarians h dan f dan cross-kovarians
mereka. Setelah iterasi (r>1), berturut-turut estimator linier memecahkan sistem persamaan mirip
dengan yang di cokriging klasik untuk menentukan bobot,
.Namun, menggunakan kovarians dan
cross-kovarians h dan f perkiraan mereka sebelumnya di sistem persamaan, bukan covariances tanpa

syarat. Dengan kata lain, berturut-turut pendekatan estimasi linear successive merambat rata bersyarat
dan covariances selama tiap iterasi.
Estimator linier successive menyebar momen bersyarat untuk menggabungkan hubungan nonlinear
antara h dan f. Konsep propagasi saat juga dapat diterapkan untuk ruang atau waktu domain untuk
mengurangi ukuran sistem persamaan kriging atau untuk memasukkan data set baru - kriging sekuensial
atau cokriging.
2.2 Estimasi oleh kriging sederhana
Pertimbangkan daerah acak spasial, Z(x), yang merupakan second order stationerity dan
menganggap nilai dari daerah acak dikenal di lokasi sampel x1; . . . ; xn. BLUE estimator untuk nilai z(x0)
di beberapa lokasi xo, menggunakan semua sampel secara bersamaan yang diperoleh dari set estimator
simple kriging klasik (misalnya, Journel dan Huijbregts, 1978). Itu adalah,

dimana
xn.

adalah vektor dari bobot kriging dan vektor

mewakili data pada lokasi sampel x1; . . . ;

Sebelum mengembangkan teori kriging sekuensial, kita akan membahas simultan kriging
sederhana klasik dinyatakan dalam matriks partisi. Hasil Ini akan berguna untuk membandingkan kriging
klasik pendekatan sekuensial kami. Misalkan kita membagi data ke dalam dua set:
adalah,

estimator simple kriging simultan dr Persamaan. (3) dapat ditulis sebagai berikut:

Sistem persamaan kriging untuk menentukan bobot dalam persamaan adalah

. Itu

Dari teori matrix basic , inverse dari kuadrat, non singular matrix partisi adalah

Oleh karena itu, estimator simple kriging klasik mengikuti pers 4 yang diekspresikan dalam
bentuk partisi untuk dua dataset

Estimator sequential kriging

Untuk menghindari penggunaan simultan dari sejumlah besar sampel, estimator sekuensial kami
akan mempartisi data ke dalam himpunan bagian. Misalnya, kumpulan data,
menjadi s subset seperti Persamaan. (4). Akhirat, subskrip menunjukkan set data
pasial dan superscripts menunjukkan langkah-langkah dalam pendekatan
dijelaskan di bagian berikut. Alih-alih menggunakan semua s subset secara

, dipartisi
atau lokasi
sequenetial
bersamaan,

kami perkiraan estimator sequential, z(x0), di beberapa lokasi x0 di s langkah, dalam bentuk
vektor, yaitu

Dimana

adalah bobot kriging untuk residual dari data baru yang dimasukkan pada langkah r .

Vektor mengestimasi di lokasi data baru dari langkah sebelumnya yang dilambangkan dengan
..
Setelah Persamaan . ( 13 ) , estimator sequential pada langkah apapun adalah estimasi sebelumnya
ditambah kontribusi dari set data baru .
Estimator sequential dari Persamaan . ( 13 ) ini dapat dianalisis pada setiap langkah dalam hal simple
kriging simultan klasik. Sebagai contoh, perhatikan partisi di Eq . ( 4 ) , maka pada langkah sequential
kriging terakhir di Persamaan . ( 13 ), estimasi dari langkah sebelumnya setara dengan estimasi kriging
simultan ketika hanya

adalah digunakan sebagai berikut :

di mana data vektor lama

merepresentasikan data set sampai step s-1 dan bobot

adalah bobot kriging simultan terkait dengan vektor data

dan Lokasi xo. Hampir sama, istilah

di Persamaan. (13) dapat dinyatakan sebagai

dimana

adalah bobot matriks untuk memperkirakan subset

di lokasi data baru

menggunakan set data lama,

. Penerapan Persamaan. (14) dan (15) ke langkah terakhir dari
sequential kriging estimator dari Persamaan. (13) mengarah ke

Kami akan membuktikan di Sect. 3.3 bahwa bobot

dengan yang sesuai (sub) vektor bobot

dari langkah s sequential terakhir adalah sama

dari simultan simple kriging. Sekarang, tinggalkan data

dari kumpulan data secara keseluruhan, sehingga satu langkah sebelum data vektor

adalah

Kami sekarang menerapkan analisis yang sama seperti sebelumnya. Estimasi kriging simultan
adalah setara dengan perkiraan yang diperbarui di langkah s-1 dalam pendekatan sequential. Di
bentuk yang analog dengan persamaan. (17), hasilnya adalah

Perhatikan bahwa setiap data time keluar dari sistem, sistem baru dari persamaan kriging
dapat diselesaikan. Akhirnya, vektor pertama dari data
tercapai setelah terus mundur, keluar
dari set data. Kriging sekuensial adalah lawan dari analisis backward step ini. Segera akan
menjadi jelas, seluruh analisis untuk sejumlah besar langkah-langkah yang berurutan tidak
diperlukan. Perkembangan dari subsquent Teori hanya perlu mempertimbangkan partisi dari data
ke dalam dua set: data lama atau data sebelumnya di lokasi tertentu dan data baru atau tambahan
ditetapkan pada lokasi yang berbeda. Perluasan pendekatan berurutan akan dilakukan dengan
menggunakan ini analisis backward step
Turunan persamaan sekuensial kriging
Seperti ditunjukkan dalam Persamaan. (17) dan (20) pada setiap tahap pendekatan sekuensial,
estimator dapat dibagi menjadi dua bagian: satu berhubungan dengan data lama ~ zp, dan
kedua yang sesuai dengan suatu data set baru ~ zs. Menggunakan pers. (12) dan (17), variansi
dari estimasi dapat ditulis sebagai

dimana
dari data
sehubungan
dengan bobot

adalah matriks kovarians antara pasangan titik variabel random

sebelumnya dan data tambahan.
dengan lokasi titik perkiraan. Membedakan

adalah
Persamaan. (24)

covariances
sehubungan

dan mengatur hasil yang sama dengan nol mengarahkan ke kriging pertama

menjamin bahwa estimasi meminimalkan varians estimasi sebelumnya.

Membedakan pers (24) sehubungan dengan bobot set lain,

sama dengan nol, kita memperoleh

, dan membiarkan Hasil yang

dan dalam bentuk yang lebih disingkat adalah

Dengan demikian, berikut Persamaan. (30). bobot kriging dari pendekatan berurutan dapat
dinyatakan sebagai

Hasil ini akan memungkinkan kita untuk menemukan hubungan antara siple kriging simultan
klasik dan sekuensial kriging.
Selain itu, urutan turunan kedua ditulis sebagai:

Dari Pers. (31) dan (36), kita menyadari bahwa kondisi

harus dipenuhi untuk
mendapatkan estimasi varians minimal.
Pada titik ini, kami telah menurunkan sistem kriging bersyarat, yang diberikan oleh Persamaan.
(30) dan residual covariances bersyarat dari pers. (31) dan (32). Hasil di atas
dapat
digeneralisasi
dengan
mempertimbangkan
dua
langkah
r
dan
r+1
di
Pendekatan sequential.
Selain itu, seluruh data yang ditetapkan pada langkah r+1 adalah
pers (4) dan (19) dapat pula ditulis sebagai

yang mengikuti

Dari Persamaan. (20) dan turunan dari kriging bersyarat di atas, residual kovarians bersyarat
selama beberapa lokasi

pada langkah r adalah

di mana p menyiratkan estimasi yang dibuat dengan semua data yang tersedia sebelum elangkah
r. 1, dan q menunjukkan estimasi yang dibuat dengan semua data yang tersedia sebelum ke
langkah r. Informasi baru pada langkah r+1 adalah
Eq. (39) sebagai:

. Karena partisi, kita dapat menulis

Mengganti bobot dengan bobot sequential sesuai dengan Persamaan. (20) menghasilkan

Dengan mengembangkan rumus di atas, diperoleh

Yang secara sequensial mengarah pada covarians bersyarat residual yang terbaru

Hal ini memungkinkan generalisasi bersyarat residual kriging untuk pendekatan sequential di
mana varians diminimalkan dengan langkah-langkah yang berurutan. Kondisi untuk
meminimalkan estimasi varians, dinyatakan di atas, juga digeneralisasikan sebagai

Persamaan (25) merupakan langkah pertama dalam sistem kriging dan Persamaan. (30)
digunakan dalam semua langkah berturut-turut menggunakan covariances bersyarat diperbarui
diberikan oleh Persamaan. (43). Persamaan berikutnya merupakan bentuk eksplisit baru dari
kriging

Asumsi yang dibuat dalam bentuk estimator di pers. (17) dan (20) didapat dari hasil pada bagian
selanjutnya
yang
membuktikan
bahwa
hasil
yang
diperoleh
oleh
Pendekatan baru ini memberikan hasil yang sama seperti simultan kriging global yang sederhana.
3.3
Kesetaraan antara kriging sederhana klasik dan kriging sekuensial
Pada bagian ini, kita akan menunjukkan bahwa kriging estimator
sederhana
kriging
estimator
keduanya
menghasilkan
estimasi
Estimator simple kriging dari matriks yang dipartisi dalam Pers. (11) adalah

dan sekuensial
yang
sama.

Di sisi lain, dari pers 17, 25, dan 35, estimator sequential kriging dalam hal matriks partisi adalah

Dari segi kedua di sisi kanan dua persamaan ini, kondisi untuk kesetaraan adalah

Secara identik, pers. (50) dan (55), membuktikan bahwa pers. (45) dan (46) adalah sama, hal ini
menyiratkan bahwakriging sekuensial akan menghasilkan estimasi yang identik dengan simple

kriging saat menggunakan semua data set secara bersamaan. Perhatikan bahwa urutan data set
yang digunakan tidak mempengaruhi estimasi final.
3.4
Variansi Sequential kriging
Sekarang kita mengembangkan bukti matematis bahwa varians
simple kriging dari
Pendekatan klasik simultan akan sama dengan total atau estimasi akhir varians
dari pendekatan sequential. Ini juga menunjukkan bahwa variansi estimasi sequensial akan
berturut-turut berkurang saat lebih banyak data yang digunakan dalam perbaikan
dari yang dibuat oleh estimasi.
Variansi kriging klasik dalam bentuk matriks adalah

Dimana
adalah variansi. Dalam simple kriging yang simultan dan klasik, variansi dari nilai
estimasti dapatditentukan dari eq 8 dan 11. This is

Di sequential kriging, kita juga memiliki variansi akumulasi dari nilai estimasi langkah
sebelumnya. Ini ekuivalen dengan smooth variance dari estimasi data sebelumnya

Residual adalah bagian dari data tambahan yang independen dengan data sebelumnya
dan
varians
kriging
estimasi
residual
independen
dari
varians
dari
estimasi sebelumnya. Dengan demikian, berikut jumlahan aljabar

Dengan demikian, persamaan. (66) menjadi sama dengan Persamaan. (57). Hal ini membuktikan
bahwa secara simultan dan final variansi sekuensial kriging adalah sama, dan hal ini juga
menyiratkan bahwa asumsi independensi antara residual dan estimasi lama adalah benar.
Mengingat pendekatan sekuensial, yang variansi
sequensial kriging adalah
dan menurun saat data tersedia untuk estimasi. Dengan kata lain,

residualakan menjadi lebih smooth dan estimasi akan meningkatkan variansi saat lebih banyak
data yang masuk dalam lokasi estimasi.
Diskusi
Dari sudut pandang praktis, kami telah menyediakan alternatif untuk memecahkan kriging dan cokriging
dengan set data yang besar. Sebagian besar perangkat lunak yang tersedia saat ini yang set data kriges
menggunakan algoritma local neighborhood yang mungkin tidak memberikan hasil yang unik atau
berbeda. Pendekatan sekuensial, yang disediakan di sini, adalah sebuah algoritma yang memungkinkan
ntuk hasil yang unik dan membutuhkan usaha yang lebih sedikit dalam hal inversi matriks. Perhatikan,
misalnya, 100 lokasi data dan 1.000 grid points untuk Kriging. Menggunakan pendekatan local
neighborhood, seseorang harus menginvers matriks kovarians di masing-masing 1000 lokasi jaringan,
karena local neighborhood adalah jendela bergerak dan array data yang tersedia berubah dari satu titik
ke titik lain. Bagian kedua interpolasi adalah perkalian matriks sederhana. Dalam pendekatan sekuensial
yang diusulkan di sini, kasus paling lambat mungkin bahwa seseorang mengambil hanya dua lokasi data
dan meginvers two by two matriks covariances. Produk matriks dibutuhkan untuk memperkirakan 1000
lokasi. Dalam langkah berikutnya, dua titik data tambahan digunakan untuk menghitung covariances
residual bersyarat dengan menggunakan produk matriks. Kemudian, two by two matriks covariances
residual kondisional ini dibalik. Di langkah ini, hasilnya akan menghasilkan 1000 estimasi residual. Dalam
contoh khusus ini, Pendekatan sekuensial hanya membutuhkan 50 inversi matriks kecil, sedangkan local
neighborhood membutuhkan 1.000 inversi dari matriks yang lebih besar. Namun, Pendekatan
sekuensial mungkin membutuhkan produk matrix yang lebih besar. Keuntungan utama dari pendekatan
berurutan adalah memberikan solusi numerik yang unik. Di sisi lain, kriging local neighborhood
menunjukkan perilaku palsu, dan hasilnya mungkin tergantung dari ukuran dan bentuk dari
lingkungan.//
Pendekatan sequential kriging dan cokriging adalah hasil dari minimalisasi berturut-turut estimasi
varians. Kesetaraan hasil dari pendekatan baru dan rekan-rekan klasik memvalidasi algoritma sekuensial
kami yang merupakan solusi yang diinginkan untuk interpolasi dengan set data yang besar dan / atau
ketika semua Data tidak tersedia sekaligus. Matriks kovarians untuk dikelola mungkin
cukup kecil. Namun, covariances antara data lama dan baru di setiap langkah masih diperlukan untuk
perhitungan kovarians residual bersyarat saat cross-covariances bersyarat dihitung analog ke
covariances residual univariat bersyarat. Penemuan penting lainnya adalah bahwa residual covariances
bersyarat yang diperbarui dapat dengan mudah dihitung dari sisa sebelumnya covariances bersyarat.
Penggunaan notasi matriks sangat memfasilitasi yang dibutuhkan operasi, dan efek smoothing dari
kriging terbukti dikurangi secara berurutan. Dalam kasus cokriging, sebuah cokriging estimasi kovarians
matriksmengukur efek smoothing. Kriging sekuensial untuk lemah stasioner acak fungsi dapat
diturunkan dengan menggunakan prosedur yang sama. Selain itu, cokriging berurutan diharapkan
menjadi berguna untuk memecahkan masalah dalam hidrologi dan interpolasi dalam ruang dan waktu
domain.