有哪些好的kriging/插值方法或选项可以让重点加权的点在绘制的R地图上渗透到轻点加权的点?
康涅狄格州有八个县。我找到了它们的质心并想要绘制每个县的贫困率。其中三个县人口非常多（约100万人），其余五个县人口稀少（约10万人）。由于这三个人口密集的县拥有超过州总人口的90％，因此我希望这三个人口密集的县完全“压倒”地图，并影响跨越县界的其他点。
R fields包中的Krig函数有很多参数，还可以调用协方差函数，但我不知道从哪里开始？
这是可复制的代码，可以快速生成一个硬边框地图，然后再生成三个不同加权的地图。希望我只需更改此代码，但也许需要像geoRglm包这样更复杂的东西？其中两个加权地图看起来几乎相同，尽管一个比另一个加权10倍..
谢谢！！
编辑：这是我想要的行为的图片示例 -
话虽如此，如果你只是想达到你所要求的视觉效果，并且不打算用于某种统计分析，我认为有一些相对简单的解决方案。
正如您所评论的那样，尽管以下建议使用theta和smoothness参数可以使预测表面更加平滑，但它们同样适用于所有测量值，因此不能将人口密集县相对于人口较少的县的“影响范围”扩大。经过进一步考虑，我认为有两种方法可以实现这一点：通过改变协方差函数以依赖于人口密度或使用权重，就像您所做的那样。如我下面所写，您的加权方法会改变krigging函数的误差项。也就是说，它会反向缩放nugget方差。
Krig参数。 我尝试玩定义自己的协方差函数，就像Krig示例中一样，但只得到错误。range <- data.frame(lon=range(ct.data$lon),lat=range(ct.data$lat))
range[2,]-range[1,]
lon lat
2 1.383717 0.6300484
因此，您的测量点在经度上变化约1.4度，在纬度上变化约0.6度。因此，您可以尝试在该范围内指定theta值，以查看其对结果的影响。通常，较大的theta会导致更平滑，因为您从更多的值中进行预测。
Krig.output.wt <- Krig( cbind(ct.data$lon,ct.data$lat) , ct.data$county.poverty.rate ,
weights=c( size , 1 , 1 , 1 , 1 , size , size , 1 ),Covariance="Matern", theta=.8)
r <- interpolate(ras, Krig.output.wt)
r <- mask(r, ct.map)
plot(r, col=colRamp(100) ,axes=FALSE,legend=FALSE)
title(main="Theta = 0.8", outer = FALSE)
points(cbind(ct.data$lon,ct.data$lat))
text(ct.data$lon, ct.data$lat-0.05, ct.data$NAME, cex=0.5)
给出：
Krig.output.wt <- Krig( cbind(ct.data$lon,ct.data$lat) , ct.data$county.poverty.rate ,
weights=c( size , 1 , 1 , 1 , 1 , size , size , 1 ),Covariance="Matern", theta=1.6)
r <- interpolate(ras, Krig.output.wt)
r <- mask(r, ct.map)
plot(r, col=colRamp(100) ,axes=FALSE,legend=FALSE)
title(main="Theta = 1.6", outer = FALSE)
points(cbind(ct.data$lon,ct.data$lat))
text(ct.data$lon, ct.data$lat-0.05, ct.data$NAME, cex=0.5)
给出：
smoothness 参数将改变用于平滑预测的函数顺序。默认值为0.5，导致使用二次多项式。Krig.output.wt <- Krig( cbind(ct.data$lon,ct.data$lat) , ct.data$county.poverty.rate ,
weights=c( size , 1 , 1 , 1 , 1 , size , size , 1 ),
Covariance="Matern", smoothness = 0.6)
r <- interpolate(ras, Krig.output.wt)
r <- mask(r, ct.map)
plot(r, col=colRamp(100) ,axes=FALSE,legend=FALSE)
title(main="Theta unspecified; Smoothness = 0.6", outer = FALSE)
points(cbind(ct.data$lon,ct.data$lat))
text(ct.data$lon, ct.data$lat-0.05, ct.data$NAME, cex=0.5)
提供：
fields 的手册。它写得非常好，并很好地解释了参数。
此外，如果这在任何方面是定量的，我强烈建议与具有显著空间统计知识的人交谈！size <- 5与size <- 100进行比较。这些选项都没有改善size <- 5和size <- 100之间的比较。我正在寻找一种方法，其中一个高权重点明显侵占了附近的轻权重点，但是低权重点的侵占程度不那么严重。（对我的非专业术语表示抱歉） - Anthony Damicofields包中的Krig。参考手册在此：http://cran.r-project.org/web/packages/fields/fields.pdf。我同意它不能满足他所描述的期望结果。 - Cotton.Rockwoodlibrary(sp)
library(spatstat)
library(RColorBrewer)
library(maps)
library(maptools)
# grab us map from R maps package
usMap <- map("usa")
usIds <- usMap$names
# convert to spatial polygons so this can be used as a windo below
usMapPoly <- map2SpatialPolygons(usMap,IDs=usIds)
# just select us with no islands
usMapPoly <- usMapPoly[names(usMapPoly)=="main",]
# create a random sample of points on which to smooth over within the map
pts <- spsample(usMapPoly, n=250, type='random')
# just for a quick check of the map and sampling locations
plot(usMapPoly)
points(pts)
# create values associated with points, be sure to play aroud with
# these after you get the map it's fun
vals <-rnorm(250,100,25)
valWeights <- vals/sum(vals)
ptsCords <- data.frame(pts@coords)
# create window for the point pattern object (ppp) created below
usWindow <- as.owin(usMapPoly)
# create spatial point pattern object
usPPP <- ppp(ptsCords$x,ptsCords$y,marks=vals,window=usWindow)
# create colour ramp
col <- colorRampPalette(brewer.pal(9,"Reds"))(20)
# the plots, here is where the gausian kernal density estimation magic happens
# if you want a continuous legend on one of the sides get rid of ribbon=FALSE
# and be sure to play around with sigma
plot(Smooth(usPPP,sigma=3,weights=valWeights),col=col,main=NA,ribbon=FALSE)
map("state",add=TRUE,fill=FALSE)
显然，在您将此类地图可重复应用于各种空间聚合和样本数据的目标之间有很多工作要做，但是好运，这似乎是一个很酷的项目。
p.s.最初我没有使用任何加权，但我想您可以直接向平滑函数提供权重。如上两个示例地图。
fields:::cover.design来保留权重，但我不确定如何操作？现在你所使用的“随机”抽样会破坏用户一开始设定的任何权重。有没有什么解决方法呢？谢谢！ - Anthony Damico