کریگنگ ماڈلز کے فوائد:
1. مقامی ڈیٹا کی تبدیلی کی امکانی نمائندگی فراہم کرتا ہے۔
2. ماڈل کو آسانی سے نئے ڈیٹا کے ساتھ اپ ڈیٹ کیا جا سکتا ہے۔
3. یہ ایک لچکدار طریقہ ہے جسے مختلف شکلوں میں لاگو کیا جا سکتا ہے، جیسے عام، عالمگیر، یا اشارے کریگنگ۔
4. اس کا استعمال ڈیٹا سیٹس میں موجود گمشدہ اقدار کو بھر کر ڈیٹا کو انٹرپولیٹ یا ایکسٹراپولیٹ کرنے کے لیے کیا جا سکتا ہے۔
5. یہ مقامی خود کار تعلق کے لیے اکاؤنٹس کرتا ہے اور ڈیٹا پوائنٹس کے درمیان فاصلے کی بنیاد پر پیشین گوئیوں کو ایڈجسٹ کرتا ہے۔
کریگنگ ماڈلز کے نقصانات:
1. درست پیشین گوئیاں کرنے کے لیے ماڈل کو بڑی مقدار میں ڈیٹا درکار ہوتا ہے۔
2. یہ سٹیشناریٹی کے مفروضے پر انحصار کرتا ہے، جو یہ فرض کرتا ہے کہ ڈیٹا کے مقامی نمونے اور اعداد و شمار وقت کے ساتھ تبدیل نہیں ہوتے ہیں۔
3. حساب کتاب کا عمل وقت طلب ہو سکتا ہے، خاص طور پر بڑے ڈیٹا سیٹس کے لیے۔
4. ماڈل فرض کرتا ہے کہ مقامی کوواریوگرام معلوم ہے یا اس کا درست اندازہ لگایا جا سکتا ہے۔
5. کریگنگ ماڈل غیر سٹیشنری ڈیٹا کے لیے موزوں نہیں ہو سکتے، جیسے کہ وقت کے ساتھ بدلتے ہوئے رجحان یا تغیر کے ساتھ۔
تاریخ اشاعت: