克里金插值原理

克里格方法（Kriging）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。 南非矿产工程师D.R.Krige（1951年）在寻找金矿时首次运用这种方法，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，即克里格方法。

克里格方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，则可以利用克里格方法进行内插或外推；否则，是不可行的。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。也就是说，克里格方法是根据未知样点有限邻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位置关系，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。

扩展资料：

应用

克里金法被广泛用于各类观测的空间插值，例如地质学中的地下水位和土壤湿度的采样；环境科学研究中的大气污染（例如臭氧）和土壤污染物的研究；以及大气科学中的近地面风场 、气温、降水等的单点观测。

克里金法在工程问题的数值试验中可作为代理模型（surrogate model）对有限的模拟结果进行插值。具体而言，若对问题全局使用确定性模拟方法（deterministic computer simulations），例如有限元方法会占用大量计算资源而无法（快速）实现时，可以仅模拟局部个别点的结果并使用克里金法插值到全局

参考资料：百度百科-克里金法

克里金插值法比较麻烦。

克里金插值法（Kriging）是依据协方差函数对随机过程/随机场进行空间建模和预测（插值）的回归算法[1]。在特定的随机过程，例如固有平稳过程中，克里金法能够给出最优线性无偏估计（Best Linear Unbiased Prediction, BLUP），因此在地统计学中也被称为空间最优无偏估计器（spatial BLUP）[1]。

对克里金法的研究可以追溯至二十世纪60年代，其算法原型被称为普通克里金（Ordinary Kriging, OK），常见的改进算法包括泛克里金（Universal Kriging, UK）、协同克里金（Co-Kriging, CK）和析取克里金（Disjunctive Kriging, DK）[1]；克里金法能够与其它模型组成混合算法。

若协方差函数的形式等价，且建模对象是平稳高斯过程，普通克里金的输出与高斯过程回归（Gaussian Process Regression, GPR）在正态似然下输出的均值和置信区间相同，有稳定的预测效果[2][1]。克里金法是典型的地统计学算法，被应用于地理科学、环境科学、大气科学等领域[1]。

---