کریجینگ (Kriging) در GeoAI: وقتی آمار کلاسیک با هوش مصنوعی متحد می‌شود

نویسنده: فاطمه جعفری نوبخت

در درونیابی‌های ساده (مثل IDW)، ما فقط بر اساس فاصله قضاوت می‌کنیم: «هر چه نزدیک‌تر، شبیه‌تر». اما این نگاه ساده‌لوحانه است. شاید دو نقطه نزدیک باشند اما یکی در طرف آفتاب‌گیر کوه و دیگری در سایه باشد.

کریجینگ (که به نام مهندس معدن، Danie Krige نام‌گذاری شده) فراتر از فاصله می‌رود. این روش تلاش می‌کند ساختار فضایی داده‌ها را درک کند. در GeoAI، ما از این منطق قدرتمند استفاده می‌کنیم و محدودیت‌های محاسباتی آن را با قدرت شبکه‌های عصبی برطرف می‌کنیم.

۱. کریجینگ کلاسیک چگونه کار می‌کند؟ (مفهوم پایه)

کریجینگ به عنوان «بهترین پیش‌بینی‌کننده خطی بدون تورش» (BLUP) شناخته می‌شود.

قلب تپنده کریجینگ، نموداری به نام سمی‌واریوگرام (Semivariogram) است.

• وظیفه: این نمودار نشان می‌دهد که با افزایش فاصله، شباهت بین نقاط چقدر کم می‌شود.
• نقطه قوت: بر خلاف روش‌های ساده، کریجینگ می‌فهمد که تغییرات در جهت شمال-جنوب ممکن است متفاوت از شرق-غرب باشد (Anisotropy).

فرمول کلی آن شبیه میانگین وزنی است، اما وزن‌ها ($\lambda$) نه فقط بر اساس فاصله، بلکه بر اساس ساختار واریوگرام و حل معادلات ماتریسی پیچیده به دست می‌آیند:

\hat{Z}(x_0) = \sum_{i=1}^{N} \lambda_i Z(x_i)

۲. چرا کریجینگ سنتی در عصر کلان‌داده‌ها کم می‌آورد؟

با وجود دقت ریاضی بالا، کریجینگ کلاسیک سه مشکل بزرگ دارد که پای GeoAI را به میان می‌کشد:

1. هزینه محاسباتی سنگین ($O(N^3)$): برای محاسبه وزن‌ها، باید یک ماتریس بزرگ را معکوس کرد. اگر تعداد داده‌های شما از چند هزار نقطه بیشتر شود (مثلاً میلیون‌ها پیکسل ماهواره‌ای)، کریجینگ سنتی عملاً قفل می‌کند.
2. فرض ایستایی (Stationarity Assumption): کریجینگ فرض می‌کند الگوی تغییرات در کل منطقه یکسان است. اما در واقعیت، الگوی بارش در کوهستان با دشت متفاوت است.
3. ناتوانی در درک روابط غیرخطی: کریجینگ یک روش خطی است و نمی‌تواند روابط پیچیده غیرخطی بین متغیرها را مدل‌سازی کند.

۳. ظهور Deep Kriging و Neural Kriging

اینجا جایی است که GeoAI وارد می‌شود. ما منطق کریجینگ را حفظ می‌کنیم، اما موتور محاسباتی آن را با شبکه‌های عصبی (Neural Networks) عوض می‌کنیم.

الف) کریجینگ عصبی (Neural Kriging)

در این روش، به جای اینکه فرمول‌های ریاضی پیچیده وزن‌ها ($\lambda$) را محاسبه کنند، یک شبکه عصبی آموزش می‌بیند تا این وزن‌ها را پیش‌بینی کند.

• مزیت: سرعت بسیار بالاتر در مرحله پیش‌بینی و توانایی یادگیری روابط غیرخطی.

ب) یادگیری عمیق برای برآورد واریوگرام

یکی از سخت‌ترین مراحل کریجینگ، برازشِ دستیِ مدل روی نمودار واریوگرام است. مدل‌های یادگیری عمیق (Deep Learning) می‌توانند با دیدن هزاران نمونه داده، خودشان یاد بگیرند که ساختار وابستگی فضایی (Spatial Covariance) چگونه است، بدون اینکه نیاز باشد انسان مدل کروی یا نمایی را انتخاب کند.

ج) کریجینگ باقی‌مانده‌ها (Regression-Kriging with AI)

این محبوب‌ترین روش ترکیبی در حال حاضر است:

1. گام اول (روند): یک مدل هوش مصنوعی قوی (مثل Random Forest یا CNN) روند کلی داده‌ها را بر اساس متغیرهای کمکی (مثل ارتفاع، فاصله از دریا و …) پیش‌بینی می‌کند.
2. گام دوم (باقی‌مانده): خطاهای مدل (Residuals) محاسبه می‌شوند.
3. گام سوم (کریجینگ): از کریجینگ فقط برای درونیابی این خطاها استفاده می‌شود (چون خطاها معمولاً ساختار مکانی دارند).
4. نتیجه: ترکیب پیش‌بینی هوش مصنوعی + خطای اصلاح شده توسط کریجینگ.

$$Final\_Prediction = AI\_Prediction + Kriged\_Residuals$$

۴. مقایسه: کریجینگ سنتی در برابر Deep Kriging

ویژگی	کریجینگ سنتی (Traditional Kriging)	کریجینگ عمیق (Deep Kriging)
حجم داده	مناسب برای داده‌های کوچک (چند هزار)	عالی برای کلان‌داده‌ها (میلیون‌ها نقطه)
روابط	فقط خطی (Linear)	غیرخطی و پیچیده
فرضیات	نیاز به نرمال بودن داده‌ها و ایستایی	انعطاف‌پذیر نسبت به توزیع داده
تفسیرپذیری	بالا (مدل ریاضی شفاف است)	پایین (مدل جعبه سیاه است)
وابستگی به متغیر کمکی	سخت (Cokriging پیچیده است)	بسیار آسان (افزودن لایه‌های جدید به شبکه)

۵. چه زمانی از کدام استفاده کنیم؟

• از کریجینگ سنتی استفاده کنید اگر:
  • تعداد داده‌های نمونه‌برداری شما کم است (مثلاً ۱۰۰ چاه آب). شبکه‌های عصبی با داده کم خوب کار نمی‌کنند.
  • نیاز دارید دقیقاً توضیح دهید که مدل چگونه به عدد رسیده است (شفافیت قانونی).
• از Deep Kriging استفاده کنید اگر:
  • با تصاویر ماهواره‌ای یا سنسورهای IoT سروکار دارید (داده‌های حجیم).
  • رابطه بین متغیرها پیچیده و غیرخطی است (مثلاً مدل‌سازی آلودگی هوا در ترافیک شهری).
  • متغیرهای کمکی زیادی دارید (ارتفاع، باد، کاربری اراضی) و می‌خواهید همه را در مدل دخیل کنید.

6. نتیجه‌گیری

کریجینگ نمرده است؛ بلکه تکامل یافته است. در GeoAI، ما از «روح» کریجینگ (توجه به همبستگی مکانی) استفاده می‌کنیم اما آن را در «کالبد» شبکه‌های عصبی می‌دمیم.

نتیجه این پیوند، مدل‌هایی است که هم دقت آماری دارند (عدم قطعیت را می‌فهمند) و هم قدرت یادگیری ماشین (الگوهای پیچیده را کشف می‌کنند).