Home › Roadmap › Spatial Statistics › Part 5

Spatial Interpolation IDW Kriging

📘 মাপা বিন্দু থেকে পুরো এলাকার মান অনুমান।

🌐 Estimate values across space from samples.

📍 স্পেশিয়াল পরিসংখ্যান🎚 Intermediate📍 Part 5 / 8🧩 3 সাব-টপিক
📍
1

ধারণা · Concept

কী এবং কেন
📘 বাংলা ব্যাখ্যা:
মাপা বিন্দু থেকে পুরো এলাকার মান অনুমান।
🌐 English:
Estimate values across space from samples.

🗂 কোথায় পড়ে

৫. জিওএআই → স্পেশিয়াল পরিসংখ্যান → Spatial Interpolation IDW Kriging

🎯 এই শাখার লক্ষ্য

Test autocorrelation, find hotspots, interpolate, GWR

🧰 টুলস

PySAL, GeoDa, R sf

🪜

ধাপে ধাপে শিখুন · Step-by-step

কেন শিখবেন → কীভাবে শিখবেন → উদাহরণ → সাধারণ ভুল
💡 কেন গুরুত্বপূর্ণ?

কিছু বিন্দুর মাপ থেকে পুরো এলাকার মানচিত্র—বৃষ্টিপাত, দূষণ, আর্সেনিক।

  1. ধাপ 1
    IDW: কাছের মাপকে বেশি ওজন (১/দূরত্বᵖ)—সহজ, দ্রুত
  2. ধাপ 2
    Kriging: ভ্যারিওগ্রাম দিয়ে দূরত্বের সাথে মিল কীভাবে কমে তা মডেল করে; অনিশ্চয়তাও দেয়
  3. ধাপ 3
    ভ্যারিওগ্রাম মডেল (spherical, exponential) ফিট: nugget, sill, range
  4. ধাপ 4
    leave-one-out ক্রস-ভ্যালিডেশন দিয়ে পদ্ধতি তুলনা

🧪 বাস্তব উদাহরণ

নলকূপের আর্সেনিক মাপ থেকে Kriging দিয়ে উপজেলাভিত্তিক ঝুঁকি মানচিত্র ও অনিশ্চয়তা মানচিত্র।

⚠️ সাধারণ ভুল

মাপের বিন্দু খুব কম বা এক জায়গায় জমা—বাকি এলাকার অনুমান অবিশ্বাস্য।

🔑 মূল শব্দ (Key terms)

interpolationIDWkrigingvariogramnuggetsillrange

3

সাব-টপিক ও বিস্তারিত · Sub-topics

টপিক → সাব-টপিক → সাব-সাব টপিক
5.1 IDW5.1.1 দূরত্বের বিপরীত ওজন
5.2 Kriging5.2.1 ভ্যারিওগ্রাম ভিত্তিক
5.3 ক্রস-ভ্যালিডেশন দিয়ে যাচাই
🎬

ভিডিও · Videos (বাংলা ও English)

ক্লিক করলে সাইটের ভেতরেই ফ্লোটিং প্লেয়ারে চলবে · ভিডিও MySQL-এ সংরক্ষিত

📺 আরও খুঁজুন

💻

হাতে-কলমে · Try it (Spatial Statistics)

এডিট করে Run চাপুন · Ctrl+Enter
import numpy as np
# Global Moran's I on a 6x6 grid with rook contiguity
rng=np.random.default_rng(0); g=np.zeros((6,6)); g[:3,:3]=10; g+=rng.normal(0,1,(6,6)); x=g.ravel(); n=x.size
W=np.zeros((n,n))
for i in range(6):
    for j in range(6):
        for di,dj in [(1,0),(-1,0),(0,1),(0,-1)]:
            a,b=i+di,j+dj
            if 0<=a<6 and 0<=b<6: W[i*6+j,a*6+b]=1
z=x-x.mean(); I=n/W.sum()*(z@W@z)/(z@z)
perm=[(lambda s:n/W.sum()*(s@W@s)/(s@s))(rng.permutation(z)) for _ in range(499)]
print("Moran's I =",round(I,3)," pseudo p =",round((np.sum(np.array(perm)>=I)+1)/500,3))
❓

সেল্ফ-চেক · Self check

1. “দূরত্বের বিপরীত ওজন” — এটি কোন সাব-টপিকের বর্ণনা?

2. “ভ্যারিওগ্রাম ভিত্তিক” — এটি কোন সাব-টপিকের বর্ণনা?

🔗

সংযুক্ত কনসেপ্ট · Connected concepts

← আগের টপিকKernel Density Estimationপরের টপিক →Geographically Weighted Regression
🎬 Video