The paper presents some contemporary approaches to spatial environmental data analysis. The main topics are concentrated on the decision-oriented problems of environmental spatial data mining and modeling: valorization and representativity of data with the help of exploratory data analysis, spatial predictions, probabilistic and risk mapping, development and application of conditional stochastic simulation models. The innovative part of the paper presents integrated/hybrid model—machine learning (ML) residuals sequential simulations—MLRSS.

For the analysis of spatially distributed data, a fundamental aspect is first considered: can the data be interpolated, or are they of such a type that an interpolation between two values measured at different locations makes no sense?

В настоящей статье мы перейдем от задачи пространственной интерполяции, изложенной в выше, к проблеме стохастического моделирования многих пространственных переменных. Оно является наиболее современным методом пространственного анализа и имеет ряд преимуществ перед моделями интерполяции.

Обратимся собственно к проблеме оценивания значения непрерывной переменной V в произвольной точке х пространства S. Основанием для этого будет служить набор из и измерений, сделанных в точках х1,x2 ,...,хn пространства. Базовой моделью оценивания в геостатистике является кригинг. Термин кригинг был взят на вооружение для обозначения семейства алгоритмов пространственной регрессии. Само слово кригинг происходит от имени ученого Д. Крита (D. Krige). в честь которого Г. Матерон и назвал базовые геостатистические модели.

Одним из важнейших свойств всех природных явлений является пространственная непрерывность, то есть взаимная зависимость (корреляция) для значений в точках расположенных ближе друг к другу больше, чем для разделенных большим расстоянием. Пространственная непрерывность пространственно распределенных данных обычно описывается с помощью корреляционных функций, ковариационных функций, полу-вариограмм и других мер пространственной корреляции. В геостатистике традиционно используются полу-вариограммы. что связано с простотой ее использования в геостатистических интерполяционных моделях. Из-за широкого использования полу-вариограмм для описания пространственной корреляционной структуры данных этот этап анализа принято называть «вариография».

Проблема анализа пространственно-распределенной информации по окружающей среде является чрезвычайно важной в настоящее время. Глубокий анализ и моделирование пространственных данных требует применения комплексного подхода и различных методов, характеризующих ту или иную особенность явления. Сложность такого анализа обусловлена несколькими факторами: наличием большого количества количественной и качественной информации по исследуемому явлению, многомасштабностью и многопеременностью, наличием различных факторов влияния. Это прежде всего относится к задачам анализа загрязнения окружающей среды.