Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "variogram function" wg kryterium: Wszystkie pola

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-2 z 2
    Tytuł:
    Pierwsze dwa momenty oceny wariogramu
    Autorzy:
    Trusz, M.
    Arcimowicz, I.
    Powiązania:
    https://bibliotekanauki.pl/articles/93030.pdf
    Data publikacji:
    2005
    Wydawca:
    Uniwersytet Przyrodniczo-Humanistyczny w Siedlcach
    Tematy:
    wariogram
    analiza wariogramu
    procesy losowe
    variogram function
    spatially variable data
    modelling semivariograms
    geostatistical methods
    Opis:
    In this article we deal with theoretical bases of geostatistic which have employment in research of time series. Let we have stationary random process, defined on R, with expected value equal 0, given covariance function and spectral density. For this process we define variogram function and prove two theorems about variogram estimator property.
    Źródło:
    Studia Informatica : systems and information technology; 2005, 1(5); 27-33
    1731-2264
    Pojawia się w:
    Studia Informatica : systems and information technology
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Badania korelacji przestrzennych zawartości wybranych pierwiastków śladowych w glebach Warszawy i okolic
    Spatial correlation studies of trace element concentrations in the soils of Warsaw and immediate vicinity
    Autorzy:
    Zawadzki, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/237618.pdf
    Data publikacji:
    2002
    Wydawca:
    Polskie Zrzeszenie Inżynierów i Techników Sanitarnych
    Tematy:
    zanieczyszczenie gleb
    metale ciężkie
    geostatystyka
    korelogram wzajemny
    funkcja kodyspersji
    soil contamination
    trace elements
    geostatistics
    cross variogram
    codispersion function
    Opis:
    W artykule omówiono metody geostatystyczne przeznaczone do opisu korelacji przestrzennych. Obliczono empiryczne miary korelacji i zmienności przestrzennej i przedyskutowano je na przykładach opartych na zbiorze danych składającym się z pomiarów zawartości pierwiastków śladowych w glebie. Zawartość As, Cd, Co, Mn, Ni, Pb i Zn była badana w glebach Warszawy i jej okolic. Próbki gleby były pobierane z głębokości 0-0,2 m i poddawane odpowiednim analizom chemicznym. Następnie wykonano obliczenia statystycznych parametrów opisowych, po których wykonano analizę składowych głównych. Rezultaty tej analizy pokazały, że badane pierwiastki można pogrupować w trzy klasy: As i Cd; Co, Mn i Ni; Pb i Zn. Następnie obliczono i szczegółowo przedyskutowano typowe geostatystyczne miary ciągłości przestrzennej: autowariogramy oraz wariogramy krzyżowe. Dla porównania wykonano również obliczenia autokorelogramów oraz korelogramów krzyżowych. Następnie wykonano dokładne modelowanie eksperymentalnych autowariogramów oraz wariogramów krzyżowych. Stwierdzono, że najlepsza "struktura gniazdowa" dla wszystkich badanych pierwiastków z wyjątkiem As i Cd jest sumą efektu losowego oraz modelu sferycznego. W przypadku As i Cd zaobserowwano wariogram, w którym dominował efekt losowy. Otrzymano również parametry autowariogramów oraz wariogramów krzyżowych. Wysoką korelację klasyczną opisywaną poprzez współczynnik korelacji Pearsona, w połączeniu z wysoką korelacją przestrzenną znaleziono w przypadku następujących par pierwiastków: Co-Ni, Pb-Zn, Cu-Zn, Mn-Co, Mn-Ni, Cu-Pb, Ni-Zn, Ni-Cu, Ni-Pb. W celu lepszego zrozumienia zaobserwowanych korelacji wykorzystano liniowy model koregionalizacji. W tym celu wyznaczono i wymodelowano współczynnik koregionalizacji, który jest geostatystycznym odpowiednikiem współczynnika korelacji Pearsona. Współczynnik koregionalizacji zawiera informację dotyczącą zarówno klasycznych jak i przestrzennych korelacji. Z tego powodu współczynnik koregionalizacji może osiągać maksimum dla odległości większych od zera (korelacje przesunięte).
    Empirical measures of spatial correlation and variability were calculated and discussed using examples based on a data set which included soil concentrations of As, Cd, Co, Mn, Ni, Pb and Zn measured in Warsaw and in the neighbouring area. Chemical analyses were carried out with soil samples collected at the depth of 0 to 0.20 m. Next the descriptive statistical parameters were calculated and thereafter Principal Component Analysis was carried out. The results showed that the trace elements under study can be grouped into the following three classes: As nad Cd; Co, Mn and Ni; Pb and Zn. Conventional geostatistical measures of spatial continuity - auto-variograms and cross-variograms - were calculated and discussed in detail. For comparison, calculations were also carried out for auto-correlograms and cross-correlograms. The computations were followed by accurate modelling of the experimental auto-variograms and cross-variograms. It was found that for all the trace elements under study (except As and Cd) the best "nested structure" was a combination of the nugget effect and spherical model. For As and Cd, nugget-like variograms were observed. The parameters of the variograms and cross-variograms describing spatial continuity and spatial correlation were also determined. A significant classical correlation described by the Pearson coefficient and a significantly high spatial correlation described by the cross-variograms were obtained for the concentrations of the following pairs of elements: Co-Ni, Pb-Zn, Cu-Zn, Mn-Ni, Cu-Pb, Ni-Zn, Ni-Cu and Ni-Pb. To gain a better understanding of the correlations observed, use was made of the linear model of coregionalization. For this purpose, the spatial dependence of the coregionalization coefficient, which is a geostatistical equivalent of the Pearson coefficient provides information on both classical and spatial correlations. This is why it can take values greater than 1 and reach a maximum for sampling distances greater than zero ("deferred correlation"). Such behavioral pattern was detected by modelling via "nested structures", which are combinations of the nugget effect and spherical model for the probable sets of component variogram parameters.
    Źródło:
    Ochrona Środowiska; 2002, 4; 17-26
    1230-6169
    Pojawia się w:
    Ochrona Środowiska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-2 z 2

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies