条件模拟值法是近年兴起的土壤重金属空间变异研究方法。本方法最大的特点是克服了克里金方法的平滑效应，能重复再现区域化变量的真实值的离散性和波动性大小，在未观测点上也可以给出模拟值，且只要反复进行模拟，就可以得到任意多个条件模拟的实现。缺点是其模拟结果不是区域化变量的最优估计，其估计方差是克里插值估计方差的两倍。下面就几种常用的条件模拟值法进行简要的概述。
（1）序贯高斯条件模拟值法 条件模拟值法是一种基于统计模型的数字地图制作的蒙特卡罗过程，该统计模型代表了区域化变量的概率分布函数和空间变异结构，制作的数字地图在监测点位置忠实于实际监测数据。因此，条件模拟值法制作的数字地图不但能真实地再现实际监测数据的空间变异性，而且还可以产生一系列等概率的数字地图，从而允许通过对模型输出结果的变异性进行分析来评价空间不确定性对输出结果的影响及模型的灵敏度。
序贯高斯条件模拟值法是条件模拟值方法中的一种。本方法为产生多变量高斯场的实现提供了最直观的算法。模拟过程是从一个象元到另一个象元的序贯进行的，用于建立局部累计概率分布的数据不仅包括原始条件数据，而且考虑已模拟过的数据。从局部累计条件概率分布中随机提取分位数便可得到一个象元的模拟数据。
连续变量Z（x）的序贯高斯条件模拟值法步骤如下：
第一步，确定代表全研究区的变量FZ（z），检验数据的奇异值，并做相应处理。
第二步，对数据z进行正态变换，转换成标准正态分布累积分布函数Y。
第三步，检查变换后的数据Y的正态性。
第四步，如果高斯模型适用于Y变量，则继续序贯模拟，即：①确定随机路径，每次访问每个网格节点一次（不必是规则的）。每个节点（x）保留一定数量的领域条件数据，包括原始Y数据和先前模拟的网格节点Y值。②应用简单克里金法结合半变异函数模型来决定此处理随机函数Y（x）的参数（平均值和方差）。③从随机函数提取模拟值Y′（x）。④将模拟值Y′（x）加载到数据组。⑤沿随机路径进行下个节点（x）′，一直进行到所有节点都被模拟，将模拟结果反转换成原始区域化变量。
第五步，整个序贯模拟过程可以按一条新的随机路径重复上述步骤，以获得一个新实现。
序贯高斯模拟是建立在区域化变量符合二阶平稳的基础之上的，且对输入的变异函数模型有明显的依赖性。因此，在变异函数模型的选择及拟合时，应在对原始数据进行充分空间探索性分析的基础上进行。
（2）矩阵分解法 矩阵分解法最早由Davis于1987年提出。其基本思想是先利用区域化变量的协方差函数C（n）（r）建立所有待模拟点和取样点的协方差矩阵；然后将矩阵分解为上下两个三角矩阵；最后在矩阵分解的基础上对各待模拟点进行条件模拟。(www.xing528.com)
如果在研究的空间变异几何域V内共有m个待模拟点和取样点，记为点集S＝{X1，X2，…，Xm}。S内各点的协方差矩阵为C，由协方差函数的对称性及正定性可知C为对称正定矩阵，可以将其分解为上下两个三角矩阵L、U。
式（3-47）中，L为上三角矩阵，U为下三角矩阵且U＝LT。因此，式（3-47）又可写成C＝LLT。若W是由m个相互独立且服从标准正态分布N（0，1）的随机数所组成的列向量，则由式（3-48）可得出m维列向量Y：
其平均值E（Y）＝0，协方差矩阵E（YYT）＝LU。因此，Y中的m个分量可以看成是S中各点的非条件模拟值。将点集S按取样点和模拟点划分为取样点集S1与模拟点集S2两个子集。同时将矩阵C、L、U和向量W、Y也做如下相关划分：
则式（3-47）可写成：
式（3-48）可写成：
由式（3-50）可得：
要得到点集S2中各待模拟点的条件模拟值，可将Y1＝L11W1中的Y1用S1中各取样点的实测值所组成的向量V1代替，则Y1＝L11W1可写成V1＝L11W1，将V1＝L11W1代入Y2＝L21W1＋L22W2可得到点集S2中各待模拟点的条件模拟值：
由式（3-53）可知，要得到各待模拟点的条件模拟值，只需由C求出L并利用N（0，1）分布独立的产生随机向量W2即可。由中心极限定理可知，所得条件模拟值服从高斯正态分布。因此，在对非高斯随机场进行条件模拟之前，应先对取样点实测数据作高斯变换，模拟完成后再对模拟值进行反高斯变换即可得到条件模拟值。
（3）模拟退火算法 模拟退火算法与高斯模拟方法不同，可用于对任何分布类型和空间变异性的区域化变量Z（x）进行直接条件模拟。退火方法不再涉及随机函数模型，而是一个最优化的过程。对某个问题来讲，一般都有一个近似的答案，以此为起点，逐步修正，得到满足约束条件的最优解。
可将其他模拟方法的结果作为该方法的原始图像的输入，利用一定的扰动机制进行模拟，直到满足目标函数为止。常用的目标函数有单点的概率分布函数、变异函数模型、指示变异函数模型、多点统计、相关系数、交叉变异函数。目标函数可以由多个部分构成，每个部分赋予不同的权重。在扰动修正过程中，每一部分及其权重都可以变化。具体步骤为：①建立目标函数。②根据区域化变量的统计分布规律采用蒙特卡洛法拟合点随机赋予一初始值，取样点则赋予实测数据。③确定初始温度T0。④对待模拟点进行扰动。⑤计算因扰动而引起的目标函数变化值ΔE，并决断是否接受扰动。⑥在某一温度下对扰动点进行足够多的接受扰动后按预定退火方案进行降温。⑦重复步骤④～⑥直至目标函数满足精度要求或经过扰动目标函数值改进很小为止。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
