Kriging data with measurement error: A review and a generalized approach
Notice bibliographique
Résumé
Filtered kriging with parametric error (FKPE) is a mathematically sound method that generalizes and addresses the oversimplifications of previous kriging algorithms designed to filter error. The proposed approach is developed for handling grade-dependent (heteroscedastic), non-stationary, and spatially correlated sampling errors. The covariance between each pair of measurements or nodes is estimated from their model of errors and the spatial continuity of the underlying process. This research is driven by the fact that sampling and analytical errors are inherent in the samples used in the mining industry. In recent decades, data from quality control programs monitoring these errors have become widely available. FKPE handles more types of errors than other kriging algorithms to filter error and, for any number of subsets, it avoids jointly modelling the models of co-regionalization required by co-kriging methods. The precision gains of FKPE over other methods depend on how well the error model is fit to the data. Therefore, a detailed analysis of the error model and how to estimate its components is discussed. In a five-data toy example with high independent and grade-dependent error, kriging methods with oversimplified error models overweighted a high-grade datum by 50% compared to FKPE estimates. The performance of FKPE and other methods is illustrated by two synthetic examples.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».