克里金插值法.pptx
克里金插值法
克里金插值法及其适用范围克里金插值法又称空间局部插值法，是以变异函数理论和结构分析为基础，在有限区域内对区域化变量进行无偏最优估计的一种方法，是地统计学的主要内容之一，由南非矿产工程师D. Matheron 于1951年在寻找金矿时首次提出，法国着名统计学家G . Matheron 随后将该方法理论化、系统化，并命名为Kriging ，即克里金插值法。
1 克里金插值法原理克里金插值法的适用范围为区域化变量存在空间相关性，即如果变异函数和结构分析的结果表明区域化变量存在空间相关性，则可以利用克里金插值法进行内插或外推。
其实质是利用区域化变量的原始数据和变异函数的结构特点，对未知样点进行线性无偏、最优估计，无偏是指偏差的数学期望为0，最优是指估计值与实际值之差的平方和最小[1]。
因此，克里金插值法是根据未知样点有限领域内的若干已知样本点数据，在考虑了样本点的形状、大小和空间方位，与未知样点的相互空间关系，以及变异函数提供的结构信息之后，对未知样点进行的一种线性无偏最优估计。
假设研究区域a 上研究变量Z （x ），在点xi ∈A （i=1，2，……，n ）处属性值为Z （xi ），则待插点x0∈A 处的属性值Z （x0）的克里金插值结果Z*（x0）是已知采样点属性值Z （xi ）（i=1，2，……，n ）的加权和，即：)()(10*i ni i x Z x Z ∑==λ （1） 式中i λ是待定权重系数。
其中Z(xi)之间存在一定的相关关系，这种相关性除与距离有关外，还与其相对方向变化有关，克里金插值方法将研究的对象称“区域化变量”针对克里金方法无偏、最小方差条件可得到无偏条件可得待定权系数i λ(i=1，2，……，n)满足关系式： 11=∑=n i i λ（2）以无偏为前提，kriging 方差为最小可得到求解待定权系数i λ的方程组：⎪⎪⎩⎪⎪⎨⎧=⋯⋯==+∑∑==1)n ,2,1)(,(),(101n i i j j i n i i j x x C x x C λμλ， （3）式中，C （xi ，xj ）是Z(xi)和Z(xj)的协方差函数。
克里金插值法
克里金插值法克里金插值法又称空间局部插值法，是以变异函数理论和结构分析为基础，在有限区域内对区域化变量进行无偏最优估计的一种方法，是地统计学的主要内容之一，由南非矿产工程师D. Matheron 于1951年在寻找金矿时首次提出，法国著名统计学家G. Matheron 随后将该方法理论化、系统化，并命名为Kriging ，即克里金插值法。
1 克里金插值法原理克里金插值法的适用范围为区域化变量存在空间相关性，即如果变异函数和结构分析的结果表明区域化变量存在空间相关性，则可以利用克里金插值法进行内插或外推。
其实质是利用区域化变量的原始数据和变异函数的结构特点，对未知样点进行线性无偏、最优估计，无偏是指偏差的数学期望为0，最优是指估计值与实际值之差的平方和最小[1]。
因此，克里金插值法是根据未知样点有限领域内的若干已知样本点数据，在考虑了样本点的形状、大小和空间方位，与未知样点的相互空间关系，以及变异函数提供的结构信息之后，对未知样点进行的一种线性无偏最优估计。
假设研究区域a 上研究变量Z （x ），在点x i ∈A （i=1，2，……，n ）处属性值为Z （x i ），则待插点x 0∈A 处的属性值Z （x 0）的克里金插值结果Z*（x 0）是已知采样点属性值Z （x i ）（i=1，2，……，n ）的加权和，即：)()(10*i ni i x Z x Z ∑==λ （1） 式中i λ是待定权重系数。
其中Z(x i )之间存在一定的相关关系，这种相关性除与距离有关外，还与其相对方向变化有关，克里金插值方法将研究的对象称“区域化变量”针对克里金方法无偏、最小方差条件可得到无偏条件可得待定权系数i λ (i=1，2，……，n)满足关系式：11=∑=n i i λ（2）以无偏为前提，kriging 方差为最小可得到求解待定权系数i λ的方程组：⎪⎪⎩⎪⎪⎨⎧=⋯⋯==+∑∑==1)n ,2,1)(,(),(101n i i j j i n i i j x x C x x C λμλ， （3） 式中，C （x i ，x j ）是Z(x i )和Z(x j )的协方差函数。
克里金插值-Kriging插值-空间统计-空间分析
克里金插值方法-Kriging 插值-空间统计-空间分析1.1 Kriging 插值克里金插值（Kriging 插值）又称为地统计学，是以空间自相关为前提，以区域化变量理论为基础，以变异函数为主要工具的一种空间插值方法。
克里金插值的实质是利用区域化变量的原始数据和变异函数的结构特点，对未采样点的区域化变量的取值进行线性无偏、最优估计。
克里金插值包括普通克里金插值、泛克里金插值、指示克里金插值、简单克里金插值、协同克里金插值等，其中普通克里金插值是最为常用的克里金插值方法。
以下介绍普通克里金插值的原理。
包括普通克里金方法在内的各种克里金插值方法的使用前提是空间数据存在着显著的空间相关性。
判断数据空间相关性是否显著的工具是半变异函数（semi-variogram ），该函数以任意两个样本点之间的距离h 为自变量，在h 给定的条件下，其函数值估计方法如下：2||||1()[()()]2()i j i j s s h h z s z s N h γ-==-∑其中()N h 是距离为h 的样本点对的个数。
()h γ最大值与最小值的差m a x m i n γγ-可以度量空间相关性的强度。
max min γγ-越大，空间相关性越强。
如果()h γ是常数，即max min 0γγ-=，则说明无论样本点之间的距离是多少，样本点之间的差异不变，也就是说样本点上的值与其周围样本点的值无关。
在实际操作中，会取一些离散的h 值，当||s s ||i j -接近某个h 时，即视为||||i j s s h -=。
然后会通过这些离散点拟合成连续的半变异函数。
拟合函数的形式有球状、指数、高斯等。
在数据存在显著的空间相关性的前提下，可以采用普通克里金方法估计未知点上的值。
普通克里金方法的基本公式如下：01ˆ()()()n i ii Z s w s Z s ==∑普通克里金方法的基本思想是：通过调整i s 的权重()i w s ，使未知点的估计值0ˆ()Z s 满足两个要求：1.0ˆ()Z s 是无偏估计，即估计误差的期望值为0，2.估计误差的方差达到最小。
克里金插值(kriging)
二、统计推断与平稳要求
任何统计推断（cdf，数学期望等）均要求重复取样。 但在储层预测中，一个位置只能有一个样品。 同一位置重复取样，得到cdf，不现实
P
考虑邻近点，推断待估点
区域化变量： 能用其空间分布来表征一个自然现象的变量。
（将空间位置作为随机函数的自变量）
空间一点处的观测值可解释为一个随机变量在该点
P
F(u; z) F(u h; z)
可从研究区内所有数据的累积直方图推断而得 （将邻近点当成重复取样点）
太强的假设，不符合实际
二阶平稳
当区域化变量Z(u)满足下列二个条件时，则称其 为二阶平稳或弱平稳：
① 在整个研究区内有Z(u)的数学期望存在， 且等于常数，即： E[Z(u)] = E[Z(u+h)] = m(常数) x h
为相应的观测值。区域化变量在 x0处的值 z* x0 可
采用一个线性组合来估计：
n
z*x0 i zxi i 1
无偏性和估计方差最小被作为 i 选取的标准
无偏 E Zx0 Z * x0 0 最优 Var Zx0 Z * x0 min
绝对收敛，则称它为ξ的数学期望，记为E(ξ)。
E(ξ) =
xp( x)dx
数学期望是随机变量的最基本的数字特征，
相当于随机变量以其取值概率为权的加权平均数。
从矩的角度说，数学期望是ξ的一阶原点矩。
对于一组样本：
N
( zi )
m i1 N
(2)方差 为随机变量ξ的离散性特征数。若数学期望
随机函数在空间上的变化没有明显趋势， 围绕m值上下波动。
空间插值PPT课件
第1页/共45页
空间插值
空间插值是用已知点的数值来估算其他点的数值的过程。 在GIS应用中，空间插值主要用于估算出栅格中每个像元的 值。因此，空间插值是将点数据转换成面数据的一种方法。
2
第2页/共45页
控制点
控制点是已知数值的点，它提供了为空间插值建立插值方 法（例如数学方程）的必要数据。
34
第34页/共45页
图15.19 块金、变程、总基台值和基台值。
35
第35页/共45页
普通克里金法（Ordinary Kriging）
假设不存在漂移，普通克里金法重点考虑空间相关的因 素，并用拟合的半变异直接进行插值。
36
第36页/共45页
图15.20 基于指数模型的普通克里 金插值法生成的等雨量线图。
40
第4降水量曲面的标准差 分布图。
41
第41页/共45页
其它克里金法
除了普通克里金和泛克里金外，其它克里金法包括指示性 克里金法、离析克里金法和块克里金法
42
第42页/共45页
空间插值方法的比较
基于相同数据，不同的插值方法将生成不同的插值结果。 同样，用 相同的方法，不同的参数值，将得出不同的预测值。
27
第27页/共45页
区间分组（binning）
半变异云图包含所有的控制点对，使之操作和使用不方便。区 间分组（binning）的过程，是以距离和方向来平均半变异数据。
28
第28页/共45页
图15.15 对图（a）中的1和2 样本按方向进行区间归类的常用方法是径 向扇区（b）。ArcGIS 中的Geostatistical Analyst 则使用如图（c）的格 网像元。
11
第11页/共45页
克里格空间插值法ppt课件
4．高斯模型（Gaussian model） 变程为 。
1.9 理论变异函数模型
图是球状模型、指数模型和高斯模型的比较，可以看出，球状模型的变程最小，指数的模型变程最大，高斯模型的变程介于二者之间。球状模型和指数模型过原点存在切线，高斯模型则没有。
1.9 理论变异函数模型
3．指数模型(Exponential model) 其中，d是控制方程空间范围的距离参数。这里，仅在无穷远处相关性完全消失。变程为3d。指数模型在统计理论中地位重要，它表示了空间随机性的要素，是一阶自回归和马尔可夫过程的半方差函数。作为自相关函数，它们是采样设计有效性的理论基础。
1.4邻域函数的统计函数及其意义
摄影测量得到的正射航片或卫星影象； 卫星或航天飞机的扫描影象； 野外测量采样数据，采样点随机分布或有规律的线性分布（沿剖面线或沿等高线； 数字化的多边形图、等值线图；
1.5 空间插值的数据源
图1 各种不同的采样布置方式
1.6 采样布置方式
1.8 方差变异函数
2）曲线从较低的方差值升高，到一定的间隔值时到达基台值，这一间隔称为变程（range）。在理论函数模型中，变程用a表示。 变程是半方差函数中最重要的参数，它描述了该间隔内样点的空间相关特征。在变程内，样点越接近，两点之间相似性、即空间上的相关性越强。很明显，如果某点与已知点距离大于变程，那么该点数据不能用于数据内插（或外推），因为空间上的自相关性不复存在。 变程的高低取决于观测的尺度，说明了相互作用所影响的范围。不同的属性，其变程值可以变化很大。
1.2.2局部插值方法 分类
1.4邻域函数的统计函数及其意义
众数（majority)：邻域中出现频率最高的数值 最大值(max)：邻域中最大的数值 最小值(min)：邻域中最小的数值 中位数(median)：邻域中数值从小到大排列后位于中间的数 平均值(mean)：邻域中数值的算术平均 频率最小数(minority)：邻域中出现频率最小的数值 范围(range)：邻域中数值的范围，最大值与最小值之差 标准差(std)：邻域中数值的标准差 和(sum)：邻域中数值的和 变异度(varity)：邻域中不同数值的个数
克里金插值(kriging)PPT
二、统计推断与平稳要求
•任何统计推断（cdf，数学期望等）均要求重复取样。 •但在储层预测中，一个位置只能有一个样品。 •同一位置重复取样，得到cdf，不现实
P
13
考虑邻近点，推断待估点
区域化变量： 能用其空间分布来表征一个自然现象的变量。
（将空间位置作为随机函数的自变量）
•空间一点处的观测值可解释为一个随机变量在该点
可出现E[Z(u)]不存在， 但E[Z(u)-Z(u+h)]存在并为零的情况
E[Z(u)]可以变化,但E[Z(u)-Z(u+h)]=0
18
② 增量[Z(u)-Z(u+h)]的方差函数 (变差函数,Variogram)
存在且平稳 (即不依赖于u)，即：
Var[Z(u)-Z(u+h)] = E[Z(u)-Z(u+h)]2-{E[Z(u)-Z(u+h)]}2 = E[Z(u)-Z(u+h)]2 = 2γ(u,h) = 2γ(h),
半变差函数(或半变异函数)
28
在二阶平稳假设，或作本征假设，此时：
E[Z(x)-Z(x+h)] = 0 h
则：
(x,h)
=
1 2
Var[Z(x)-Z(x+h)]
1
=2
E[Z(x)-Z(x+h)]2-{E[Z(x)-Z(x+h)]}2
(x,h)
=
1 2
E[Z(x)-Z(x+h)]2
地质统计学中最常用 的基本公式之一。
E
n i 1
iZ xi
Z x0
n i m m 0
i1
（在搜寻邻域内为 常数，不同邻域可 以有差别）
第5章克里格法PPT课件
实际研究中常常会需要获取研究区内研究对象大于某一给定阈值的概率分布，即要获知研究区内任一点x处随机变量Z(x)的概率分布。 还会碰到采样数据中存在特异值的问题。（特异值是指那些比全部数值的均值或中位数高的多的数值，其既非分析误差所致，也非采样方法等人为误差引起，而是实际存在于所研究的总体之中）。 指示克立格法就是为解决上述问题而发展起来的一种非参数地统计学方法。 指示克立格法不必去掉重要而实际存在的高值数据的条件下处理各种不同现象，并能够给出某点x处随机变量Z(x)的概率分布。
二、线性克里金法
1、简单克里金法
设区域化变量Z(x)满足二阶平稳假设，其数学期望为常数m，协方差函数C(h)和变异函数γ (h)存在且平稳。 现要估计中心点在x0 的待估块段V 的均值Z(x)， Z(x)表达式为 由于 E[Z(x)]=m已知 令 Y(x)=Z(x)-m 则 E[Y(x)]=E[Z(x)-m]= E[Z(x)]-m=0 待估块段新待估值
（3）Z(x)的泛克里金法估计
求出函数F对n个权系数λi的偏导数，并令其为0，和无偏性条件联立建立如下方程组。 整理得估计Z (x)的泛克里金方程组：
泛克里金方程组可用矩阵表示为： 其中
（3）Z(x)的泛克里金法估计
从泛克里金方程组可得以下两等式： 将等式带入估计方差公式可得泛克里金方差，记为： 用变异函数γ(h)表示如下：
或 普通克里金方程组用矩阵形式表达为： 或 权重系数 或 普通克里金估计方差用矩阵表达为： 或
2、普通克里金法
普通克里金计算示例： 设某一区域气温数据满足二阶平稳假设，协方差函数和变异函数存在，拟合的变异函数模型为球状模型，如下所示。 数据如下，点的空间分布如图所示。现用普通克里金方法根据已知五个点的气温数据估算0点处的气温值。
kriging(克里金方法,克里金插值)
ቤተ መጻሕፍቲ ባይዱ
E(ξ) = xp(x)dx
•数学期望是随机变量的最基本的数字特征，
相当于随机变量以其取值概率为权的加权平均数。
•从矩的角度说，数学期望是ξ的一阶原点矩。
对于一组样本：
N
( zi )
m i1 N
(2)方差 为随机变量ξ的离散性特征数。若数学期望
E[ξ-E(ξ)]2存在，则称它为ξ的方差，记为D(ξ)， 或Var(ξ)，或σξ2。
(2)
2. 变差函数的理论模型
设Z(x)为满足本征假设的区域化变量，则常 见的理论变差函数有以下几类：
球状模型 指数模型 高斯模型 幂函数模型 空洞效应模型
① 在整个研究区内有Z(u)的数学期望存在， 且等于常数，即： E[Z(u)] = E[Z(u+h)] = m(常数) x h
随机函数在空间上的变化没有明显趋势， 围绕m值上下波动。
② 在整个研究区内，Z(u)的协方差函数存在且平稳 (即只依赖于滞后h，而与u无关)， 即
Cov{Z(u),Z(u+h)} = E[Z(u)Z(u+h)]-E[Z(u)]E[Z(u+h)] = E[Z(u)Z(u+h)]-㎡ = C(h)
P
条件累积分布函数（ccdf）后验 conditional cumulative distribution function
F(u; z | (n)) Pr ob{Z(u) z | (n)}
离散变量（类型变量）：
P
F(u;k | (n)) Prob{Z(u) k | (n)}
不同的取值方式：估计（estimation）
条件累积分布函数（ccdf）
F(u1,,uK ; z1,, zK | (n)) Prob{Z(u1) z1,, Z(uK ) zK | (n)}
kriging(克里金方法_克里金插值)[1]
![kriging(克里金方法_克里金插值)[1]](https://img.taocdn.com/s3/m/f5fb9b4e79563c1ec5da7181.png)
(h) C(0) C(h)
（二阶平稳假设条件下边查函数与写防查的关系）
变程(Range) ：指区域化变量在空间上具有相关性的 范围。在变程范围之内，数据具有相关性；而在变 程之外，数据之间互不相关，即在变程以外的观测 值不对估计结果产生影响。
具不同变程 的克里金插 值图象
块金值(Nugget) ：变差函数如果在原点间断，在地质统计学中称 为“块金效应”，表现为在很短的距离内有较大的空间变异性， 无论h多小，两个随机变量都不相关 。它可以由测量误差引起， 也可以来自矿化现象的微观变异性。在数学上，块金值c0相当于 变量纯随机性的部分。
Z*(x0)
（1）无偏条件
从本征假设出发, 可知 EZx为常数,有
EZ * x0 Zx0
E n i Z xi Z x0
i1
n i m m 0 i1
（在搜寻邻域内为 常数，不同邻域可 以有差别）
可出现E[Z(u)]不存在， 但E[Z(u)-Z(u+h)]存在并为零的情况
E[Z(u)]可以变化,但E[Z(u)-Z(u+h)]=0
② 增量[Z(u)-Z(u+h)]的方差函数 (变差函数,Variogram)
存在且平稳 (即不依赖于u)，即：
Var[Z(u)-Z(u+h)] = E[Z(u)-Z(u+h)]2-{E[Z(u)-Z(u+h)]}2 = E[Z(u)-Z(u+h)]2 = 2γ(u,h) = 2γ(h),
发表了专著《应用地质统计学论》。
阐明了一整套区域化变量的理论，
为地质统计学奠定了理论基础。
1977年我国开始引入
区域化变量理论 克里金估计 随机模拟
克里金插值(kriging)[知识探索]
![克里金插值(kriging)[知识探索]](https://img.taocdn.com/s3/m/7d3408b9f78a6529657d5384.png)
相当于要求：Z(u)的变差函数存在且平稳。
峰谷文书
19
可出现协方差函数不存在，但变差函数存在的情况。
例：物理学上的著名的布朗运动是一种呈现出无限 离散性的物理现象，其随机函数的理论模型就是维 纳-勒维(Wiener-Levy)过程(或随机游走过程)。
σξ=
D( ) E[ - E( )]2 E( 2) -[E( )]2
•从矩的角度说，方差是ξ的二阶中心矩。
峰谷文书
10
2. 随机函数
研究范围内的一组随机变量。
{Z(u),u 研究范围} 简记为 Z(u)
条件累积分布函数（ccdf）
F(u1,,uK ; z1,, zK | (n)) Prob{Z(u1) z1,, Z(uK ) zK | (n)}
峰谷文书
21
三、克里金估计(基本思路
----以普通克里金为例
设 x1,, xn 为区域上的一系列观测点，zx1 ,, zxn
为相应的观测值。区域化变量在 x0处的值 z* x0 可
采用一个线性组合来估计：
n
z*x0 i zxi i 1
无偏性和估计方差最小被作为 i 选取的标准
无偏 E Zx0 Z * x0 0 最优 Var Zx0 Z * x0 min
峰谷文书
2
H. S. Sichel (1947) D.G. Krige (1951)
应用统计学方法研究金矿品位
Kriging法（克里金法，克立格 法）:“根据样品空间位置不同、样 品间相关程度的不同，对每个样品 品位赋予不同的权，进行滑动加权 平均，以估计中心块段平均品位”
克里格法ppt课件
行估计。
•
所谓泛克里金法，就是在漂移的形式E[Z(x)]=m(x)，和非平稳随机函数Z(x)的
协方差函数C(h)或变异函数γ(h)为已知的条件下，一种考虑到有漂移的无偏线
性估计量的地统计学方法，这种方法属于线性非平稳地统计学范畴。
19
（1）漂移和涨落
• 漂移：非平稳区域化变量Z(x)的数学
期望，在任一点x上的漂移就是该点 上区域化变量Z(x)的数学期望。 • 漂移经常用邻域模型来研究。可表达 为：在给定的以点x为中心的邻域内 的任一点，其漂移m(x)可用如下函数 表示。 •
• 将解出的λi(i =1,2,…,n)带入估计量 公式得到普通克里金估计量： • 普通克里金方程组和普通克里金估 计方差也可用变异函数γ(h)表示。
•
从普通克里金方程组可得：
•
将此式带入估计方差公式得普通克 里金估计方差，记为 ：
•
在Z(x)满足二阶平稳条件时，可采 用协方差或变异函数表达的普通克 里金方程组及克里金估计方差计算 式进行求解计算；但在本证假设条 件下，则只可采用变异函数的表达 式进行求解计算。
•
由于估计值Y(x)是对数变换后的数值，因此对估计所得Y*(x)需进行反变换。
28
2、指示克里金法
• 实际研究中常常会需要获取研究区内研究对象大于某一给定阈值的概率分布， 即要获知研究区内任一点x处随机变量Z(x)的概率分布。
•
还会碰到采样数据中存在特异值的问题。（特异值是指那些比全部数值的均值 或中位数高的多的数值，其既非分析误差所致，也非采样方法等人为误差引起 ，而是实际存在于所研究的总体之中）。
简单克里金法的估计精度在很大程度上依赖于m值的准确度，但是通常情 况下很难正确估计m值，从而导致简单克里金估计精度降低。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
针对克里金方法无偏、最小方差条件可得到无偏条件可得待定权系数i (i=1，2，……，
n)满足关系式：
n
i 1
i 1
以无偏为前提，kriging 方差为最小可得到求解待定权系数i 的方程组：
（5）根据求出的权重值，代入公式（1），即可求得评估领域内 n 个采样值的线性组合[2]。
克里金插值法的方法路线图如下：
3
导入数据
数据分析
是否服从 正态分布
是
是否存在 趋势
否
否 数据变换
是 泛克里金方法
根据数据选择 合适的方法
进行预测
计算克里金系数
拟合理论半 变异函数图
绘制经验半 变异函数图
绘制方差 变异云图
c 1
i
ni
dw 1
i1 c d w
（2）根据搜索策略选择合适的参估点，如图 2：
（4）
2
图 2 参估点图示
（3）根据已经求出的变异函数以及采样点数量，三个采样点列出三个等式，求出方程 组的系数，公式为：
C(1,1) C(2,1)
C(3,1)
C(1,2) C(2,2) C(3,2)
C(1,3)1 C(0,1) C(2,3)2 C(0,2)
不取决于 s 点的位置，而取决于位移量 h。为了确保自相关方程有解，必须允许某两点间自 相关可以相等。
然后，可以对方程式左边 Z(s) 进行变换。例如，可以将其转换成指示变量，即如果Z(s)
低于一定的阈值，则将其值转换为 0，将高于阈值的部分转换为 1，然后对高于阈值部分作 出预测，基于此模型作出预测便形成了指示克里金模型。如果将指示值转变成含有变量的
4
值，它可以分解为确定趋势值 (s) 和自相关随机误差(s) 。通过对这个公式进行变化，可
以生成克里金插值法的不同类型。
首先，对于趋势值(s)，可以简单地赋予一个常量，即在任何位置 s 处 (s)= ，如
果 是未知的，这便是普通克里金基本模型； (s) 也可表示为空间坐标的线性函数，如：
(s)
克里金插值法
克里金插值法又称空间局部插值法，是以变异函数理论和结构分析为基础，在有限区 域 内对区域化变量进行无偏最优估计的一种方法，是地统计学的主要内容之一，由南非矿 产工 程师 D. Matheron 于 1951 年在寻找金矿时首次提出，法国著名统计学家 G. Matheron 随后将 该方法理论化、系统化，并命名为 Kriging，即克里金插值法。
假设研究区域 a 上研究变量 Z（x），在点 xiA（i=1，2，……，n）处属性值为 Z（xi）， 则待插点 x0A 处的属性值Z（x0）的克里金插值结果Z*（x0）是已知采样点属性值 Z（xi）
（i=1，2，……，n）的加权和，即：
n
Z * (x0 ) iZ(x i)
i1
（1）
式中i 是待定权重系数。
（2）
1
n
iC(xi , xj ) C(x 0, x j)( j
1,2,，n)
i1
n
i 1
i1
（3）
式中，C（xi，xj）是 Z(xi)和 Z(xj)的协方差函数。
2 方法步骤
克里金插值法的应用步骤如下：
1、输入原始数据，即采样点，下面以输入三个采样点求待估插值为例来进行说明。
如 图 1 所示：
金（Logistic Normal Kriging）、指示克里金（Indicator Kriging）、概率克里金（Probability
Kriging）和析 取克里金（Disjunctive Kriging）等[1]。
克里金插值法可以简单地表达为：
Z(s) (s) (s)
(6)
式中，s 为不同位置的点，可以人为是用经纬度表示的空间坐标；Z（s）为 s 处的变量
C(3,3)3 C(0,3)
（5）
（4）分析在各向同性条件下改变块金值与在块金值相同条件下改变各向异性对权重值 的影响[2]。各向同性条件下改变块金值时对权重值的影响效果如图 3（a），在块金值相同条
件下改变各向异性对权重值带来的影响如图 3（b）：
（a）
（b）
图 3 各向同性条件下改变块金值与在块金值相同条件下改变各向异性对权重值的影响
0
1 x
2y
3
x 2
y
2
xy
4
5
(7)
如果趋势面方程中的回归系数是未知的，则形成泛克里金模型；如果在任何时候趋势已
知的（如所有系数和协方差均已知），无论趋势常量与否，都会形成简单克里金模型。
其次，无论趋势如何复杂， (s) 仍无法获得很好的预测，在这种情况下需要对误差项
(s) 进行一些假设，即假设误差项 (s) 的期望均值为 0，且 (s) 和 (s h) 之间的自相关
1 克里金插值法原理 克里金插值法的适用范围为区域化变量存在空间相关性，即如果变异函数和结构分析的
结果表明区域化变量存在空间相关性，则可以利用克里金插值法进行内插或外推。其实质是 利用区域化变量的原始数据和变异函数的结构特点，对未知样点进行线性无偏、最优估计， 无偏是指偏差的数学期望为 0，最优是指估计值与实际值之差的平方和最小[1]。因此，克里 金插值法是根据未知样点有限领域内的若干已知样本点数据，在考虑了样本点的形状、大小 和空间方位，与未知样点的相互空间关系，以及变异函数提供的结构信息之后，对未知样点 进行的一种线性无偏最优估计。
计算样点间的 距离矩阵
按组统计平均距离 及对应的平均方差
计算样点间的 属性方差
按距离分组
图 4 方法路线图
3 克里金插值法分类及适用类型 克里金插值法主要有以下几种类型：普通克里金（Ordinary
Kriging）、简单克里金（
Simple Kriging）、泛克里金（Universal Kriging）、协同克里金（Co-Kriging）、对数正态克里
图 1 采样点图示
2、网格化，选择区域的范围和网格的大小，对区域进行网格化处理。 3、数据检验与分析，根据采样值是否合乎实际情况，剔除明显差异点。 4、直方图的计算，直方图有助于掌握区域变化的分布规律，以便决定是否对原始数 据 进行转换。 5、利用变异函数进行变异函数计算，了解变量的空间结构。 6、克里金插值估计 （1）待估点权重系数估计 利用多边形估计的方法，首先确定离待估点最近的采样点的权重，根据公式（4）进行 采样点权重估计：