下载文档原格式
克里格，或者说克里金插值Kriging。
法国krige名字来的。
特点是线性，无偏，方差小，适用于空间分析。
所以很适合地质学、气象学、地理学、制图学等。
相对于其他插值方法。
主要缺点：由于他要依次考虑（这也是克里格插值的一般顺序）计算影响范围，考虑各向异性否，选择变异函数模型，计算变异函数值，求解权重系数矩阵，拟合待估计点值，所以反映速度很慢。
（当然也看你算法设计和电脑反应速度了呵呵）。
而那些趋势面法，样条函数法等。
虽然较快，但是毕竟程度和适合用范围都大受限制。
具体对比如下：方法外推能力逼近程度运算能力适用范围距离反比加权法分布均匀时好差快分布均匀最近邻点插值法不高强很快分布均匀三角网线性插值高差慢分布均匀样条函数高强快分布密集时候克里金插值高强慢均可克里格插值又分为：简单，普通，块，对数，指示性，泛，离析克里金插值等。
克里金插值的变异函数球形模型，指数模型，高斯模型，纯块金模型，幂函数模型，迪维生模型等。
以下结合我的绘制等值线（等高线）的程序和高斯迭代解矩阵方程方法以及多元线性回归方法（此两方法实现另补充）说明克里格方法的实现：注：选择变异函数模型为球形模型，选择插值方法为普通克里金，我为了简化问题，考虑为各向同性，变差距离为固定。
int i,j,i0,i1,j0,j1,k,l,m,n,p,h;//循环变量double *r1Matrix;//系数矩阵double *r0Matrix;//已知向量double *langtaMatrix;//待求解向量double *x0;//已知点横坐标double *y0;//已知点纵坐标double * densgridz;//存储每次小方格内的已知值。
double densgridz0;//待求值int N1=0;//统计有多少个已知值double r[71],r0[71];int N[70];for(i=0;i<100;i++){for(j=0;j<100;j++){if(bdataprotected[i*100+j]) continue;//原值点不需要插值//1.遍历所有非保护网格。
![[转载]插值算法（一）：各种插值方法比较](https://img.taocdn.com/s1/m/807a27741fd9ad51f01dc281e53a580216fc500f.png)
[转载]插值算法（⼀）：各种插值⽅法⽐较原⽂地址：插值算法（⼀）：各种插值⽅法⽐较作者：稻草⼈确定性随机性确定性随机性趋势⾯（⾮精确）回归（⾮精确）泰森（精确）克⾥⾦（精确）密度估算（⾮精确）反距离权重（精确）薄板样条（精确）整体拟合利⽤现有的所有已知点来估算未知点的值。
局部插值使⽤已知点的样本来估算位置点的值。
确定性插值⽅法不提供预测值的误差检验。
随机性插值⽅法则⽤估计变异提供预测误差的评价。
对于某个数据已知的点，精确插值法在该点位置的估算值与该点已知值相同。
也就是，精确插值所⽣成的⾯通过所有控制点，⽽⾮精确插值或叫做近似插值，估算的点值与该点已知值不同。
1、反距离加权法（Inverse Distance Weighted）反距离加权法是⼀种常⽤⽽简单的空间插值⽅法，IDW是基于“地理第⼀定律”的基本假设:即两个物体相似性随他们见的距离增⼤⽽减少。
它以插值点与样本点间的距离为权重进⾏加权平均，离插值点越近的样本赋予的权重越⼤，此种⽅法简单易⾏，直观并且效率⾼，在已知点分布均匀的情况下插值效果好，插值结果在⽤于插值数据的最⼤值和最⼩值之间，但缺点是易受极值的影响。
2、样条插值法（Spline）样条插值是使⽤⼀种数学函数，对⼀些限定的点值，通过控制估计⽅差，利⽤⼀些特征节点，⽤多项式拟合的⽅法来产⽣平滑的插值曲线。
这种⽅法适⽤于逐渐变化的曲⾯，如温度、⾼程、地下⽔位⾼度或污染浓度等。
该⽅法优点是易操作，计算量不⼤，缺点是难以对误差进⾏估计，采样点稀少时效果不好。
样条插值法⼜分为张⼒样条插值法（Spline with Tension）规则样条插值法（Regularized Spline）薄板样条插值法 (Thin-Plate Splin)3、克⾥⾦法（Kriging）克⾥⾦⽅法最早是由法国地理学家Matheron和南⾮矿⼭⼯程师Krige提出的，⽤于矿⼭勘探。
这种⽅法认为在空间连续变化的属性是⾮常不规则的，⽤简单的平滑函数进⾏模拟将出现误差，⽤随机表⾯函数给予描述会⽐较恰当。
二、克里格法（Kriging）转载克里格法（Kriging）是地统计学的主要内容之一，从统计意义上说，是从变量相关性和变异性出发，在有限区域内对区域化变量的取值进行无偏、最优估计的一种方法；从插值角度讲是对空间分布的数据求线性最优、无偏内插估计一种方法。
克里格法的适用条件是区域化变量存在空间相关性。
克里格法，基本包括普通克里格方法（对点估计的点克里格法和对块估计的块段克里格法）、泛克里格法、协同克里格法、对数正态克里格法、指示克里格法、折取克里格法等等。
随着克里格法与其它学科的渗透，形成了一些边缘学科，发展了一些新的克里金方法。
如与分形的结合，发展了分形克里金法；与三角函数的结合，发展了三角克里金法；与模糊理论的结合，发展了模糊克里金法等等。
应用克里格法首先要明确三个重要的概念。
一是区域化变量；二是协方差函数，三是变异函数一、区域化变量当一个变量呈空间分布时，就称之为区域化变量。
这种变量反映了空间某种属性的分布特征。
矿产、地质、海洋、土壤、气象、水文、生态、温度、浓度等领域都具有某种空间属性。
区域化变量具有双重性，在观测前区域化变量Z(X)是一个随机场，观测后是一个确定的空间点函数值。
区域化变量具有两个重要的特征。
一是区域化变量Z(X)是一个随机函数，它具有局部的、随机的、异常的特征；其次是区域化变量具有一般的或平均的结构性质，即变量在点X与偏离空间距离为h的点X＋h 处的随机量Z(X)与Z(X+h)具有某种程度的自相关，而且这种自相关性依赖于两点间的距离h与变量特征。
在某种意义上说这就是区域化变量的结构性特征。
二、协方差函数协方差又称半方差，是用来描述区域化随机变量之间的差异的参数。
在概率理论中，随机向量X与Y 的协方差被定义为：区域化变量在空间点x和x+h处的两个随机变量Z(x)和Z(x+h)的二阶混合中心矩定义为Z(x)的自协方差函数，即区域化变量Z(x) 的自协方差函数也简称为协方差函数。
二、克里格法（Kriging）转载克里格法（Kriging）是地统计学的主要内容之一，从统计意义上说，是从变量相关性和变异性出发，在有限区域内对区域化变量的取值进行无偏、最优估计的一种方法；从插值角度讲是对空间分布的数据求线性最优、无偏内插估计一种方法。
克里格法的适用条件是区域化变量存在空间相关性。
克里格法，基本包括普通克里格方法（对点估计的点克里格法和对块估计的块段克里格法）、泛克里格法、协同克里格法、对数正态克里格法、指示克里格法、折取克里格法等等。
随着克里格法与其它学科的渗透，形成了一些边缘学科，发展了一些新的克里金方法。
如与分形的结合，发展了分形克里金法；与三角函数的结合，发展了三角克里金法；与模糊理论的结合，发展了模糊克里金法等等。
应用克里格法首先要明确三个重要的概念。
一是区域化变量；二是协方差函数，三是变异函数一、区域化变量当一个变量呈空间分布时，就称之为区域化变量。
这种变量反映了空间某种属性的分布特征。
矿产、地质、海洋、土壤、气象、水文、生态、温度、浓度等领域都具有某种空间属性。
区域化变量具有双重性，在观测前区域化变量Z(X)是一个随机场，观测后是一个确定的空间点函数值。
区域化变量具有两个重要的特征。
一是区域化变量Z(X)是一个随机函数，它具有局部的、随机的、异常的特征；其次是区域化变量具有一般的或平均的结构性质，即变量在点X与偏离空间距离为h的点X＋h 处的随机量Z(X)与Z(X+h)具有某种程度的自相关，而且这种自相关性依赖于两点间的距离h与变量特征。
在某种意义上说这就是区域化变量的结构性特征。
二、协方差函数协方差又称半方差，是用来描述区域化随机变量之间的差异的参数。
在概率理论中，随机向量X与Y 的协方差被定义为：区域化变量在空间点x和x+h处的两个随机变量Z(x)和Z(x+h)的二阶混合中心矩定义为Z(x)的自协方差函数，即区域化变量Z(x) 的自协方差函数也简称为协方差函数。
综述指示克里格方法的原理和使用学号：2 姓名：在土壤质量评价、大气污染物浓度分布评估等研究中，克里格空间插值方法是一个有力的工具。
但是观测数据中往往存在一些特异值，观测数据不成(对数)正态分布，影响了变异函数的稳健性。
如果用参数地质统计学方法, 则必须剔除这些特异值或者对观测值进行非线性转换，以使观测值的概率分布满足正态，但这会影响变量空间变异的真实信息。
非参数地质统计学中的指示克里格法是处理有偏数据的有效方法，它能在不必去除重要而实际存在的特异值的条件下处理不同的现象，并能抑制特异值对变异函数的稳健型的影响。
指示克立格法是一种最常用的非参数地质统计学方法,它是因把对区域化变量的研究转换为对其指示函数的研究而得名.有关指示克里格方法的研究和使用，国内外学者已经做了很多工作，但是大部分研究都是单元指示克里格在单一尺度下的使用。
本文将主要讨论指示克里格方法的基本原理，指示克里格的使用方法(比如多尺度指示克里格、多元指示克里格等)以及指示克里格法的限制和不足。
1 基本原理克里格(Kriging)插值法是空间统计分析方法的重要内容之一，它是建立在半变异函数理论分析基础上的，是对有限区域内的区域化变量取值进行无偏最优估计的一种方法。
基于这种方法进行插值时，不仅考虑了待预测点和邻近样点数据的空间距离关系，还考虑了各参和预测的样点之间的位置关系，充分利用了各样点数据的空间分布结构特征，使其估计结果比传统方法更精确，更符合实际，更有效避免了系统误差的出现。
在空间统计分析方法中，可以通过选择阈值，将一个连续的变量转换成一个值为0或1的二进制变量。
比如在研究区域D内,Z(X)表示采样点X上的采样值,设Z为研究区域D上的一个临界值(阈值),则在D上的每点X∈D上定义一个Z 的指示函数如下:I(Z;X)={1 Z(X)≤Z 0 Z(X)>Z对于指示函数I(Z;X),可以用条件概率来描述:当Xa, a=1,2,⋯,n为采样点时,I(X a;Z)=P{Z(X a)≤Z|Z(X a)=Z a}这时,某待估点X的指示函数估计值I∗(X;Z)可以表示为：I∗(X;Z)=P{Z(X)≤Z|Z(X a)=Z a ,a=1,2,⋯,n}对于采样点来说,指示值可解释为已知该点的实测值为Za 时,该点的真实值小于等于阈值的概率,而对于待估点,其指示函数估计值可解释为已知待估点周围信息(样本的实测值) 时,该点的真实值小于等于阈值的概率。
指示克里格插值来源：互联网在很多情况下，并不需要了解区域内每一个点的属性值，而只需了解属性值是否超过某一阈值，则可将原始数据转换为（0，1）值，选用指示克里格法（Indicator Kriging）进行分析。
ArcGIS中普通克里格插值包括2部分功能：创建概率图（Probability Map）和创建标准误差指示图（Standard Error of Indicator Map）。
1. 创建概率图（Probability Map）其在ArcGIS 中的实现步骤为：（1）在ArcMap 中加载jsGDP _training 和jsGDP _test。
（2）右击工具栏，启动地理统计模块Geostatistical Analyst。
（3）单击Geostatistical Analyst 下的Geostatistical Wizard 命令。
（4）在弹出的对话框中，在Dataset 选择训练数据jsGDP _training 及其属性GDP，在Validation 中选择检验数据jsGDP _test 及其属性GDP，选择Kriging 内插方法，最后点击Next 按钮。
（5）在弹出的对话框中，展开指示克里格（Indicator Kriging），在下面的选项中点击概率图（Probability Map），Primary Threshold 对话框中的阈值按默认值，最后点击Next 按钮。
（6）在弹出的Additional Cutoffs Selection 对话框（如图1 所示），点击Next 按钮。
图1 去除离群值对话框（7）在弹出的Searching Neighborhood 对话框，点击Next 按钮。
（8）在弹出的Cross Validation 对话框中，点击Next 按钮。
（9）在弹出的Validation 对话框中，点击Finish 按钮。
指示克立格法内插结果（如图2）。
2. 创建标准误差指示图（Standard Error of Indicators）图2 指示克里格内插生成的概率图以类似方法可创建指示克里格的标准误差指示图，对jsGDP_training 创建标准误差指示图的结果如下图3 所示：图3 指示克里格内插生成的标准误差指示图大半的人在20岁或30岁上就死了，一过这个年龄，他们只变了自己的影子，以后的生命不过是用来模仿自己，把以前真正有人味儿的时代所说的，所做的，所想的，所喜欢的，一天天地重复，而且重复的方式越来越机械，越来越脱腔走板。
综述指示克里格方法的原理与应用学号：2013301610318 姓名：在土壤质量评价、大气污染物浓度分布评估等研究中，克里格空间插值方法是一个有力的工具。
但是观测数据中往往存在一些特异值，观测数据不成(对数)正态分布，影响了变异函数的稳健性。
如果用参数地质统计学方法, 则必须剔除这些特异值或者对观测值进行非线性转换，以使观测值的概率分布满足正态，但这会影响变量空间变异的真实信息。
非参数地质统计学中的指示克里格法是处理有偏数据的有效方法，它能在不必去除重要而实际存在的特异值的条件下处理不同的现象，并能抑制特异值对变异函数的稳健型的影响。
指示克立格法是一种最常用的非参数地质统计学方法,它是因把对区域化变量的研究转换为对其指示函数的研究而得名.有关指示克里格方法的研究与应用，国内外学者已经做了很多工作，但是大部分研究都是单元指示克里格在单一尺度下的应用。
本文将主要讨论指示克里格方法的基本原理，指示克里格的应用方法(比如多尺度指示克里格、多元指示克里格等)以及指示克里格法的限制和不足。
1 基本原理克里格(Kriging)插值法是空间统计分析方法的重要内容之一，它是建立在半变异函数理论分析基础上的，是对有限区域内的区域化变量取值进行无偏最优估计的一种方法。
基于这种方法进行插值时，不仅考虑了待预测点与邻近样点数据的空间距离关系，还考虑了各参与预测的样点之间的位置关系，充分利用了各样点数据的空间分布结构特征，使其估计结果比传统方法更精确，更符合实际，更有效避免了系统误差的出现。
在空间统计分析方法中，可以通过选择阈值，将一个连续的变量转换成一个值为0或1的二进制变量。
比如在研究区域D内,Z(X)表示采样点X上的采样值,设Z为研究区域D上的一个临界值(阈值),则在D上的每点X∈D上定义一个Z 的指示函数如下:I(Z;X)={1 Z(X)≤Z 0 Z(X)>Z对于指示函数I(Z;X),可以用条件概率来描述:当Xa, a=1,2,⋯,n为采样点时,I(X a;Z)=P{Z(X a)≤Z|Z(X a)=Z a}这时,某待估点X的指示函数估计值I∗(X;Z)可以表示为：I∗(X;Z)=P{Z(X)≤Z|Z(X a)=Z a ,a=1,2,⋯,n}对于采样点来说,指示值可解释为已知该点的实测值为Za 时,该点的真实值小于等于阈值的概率,而对于待估点,其指示函数估计值可解释为已知待估点周围信息(样本的实测值) 时,该点的真实值小于等于阈值的概率。
克里格插值法的研究工具是半变异函数，指示克里格插值法的研究工具是指示半变异函数γ(ℎ)：γ(ℎ)=12E{[I(X;Z)−I(X+ℎ;Z)]2}在实际应用中，半变异函数可由下式(实验半变异函数)进行计算γ(h)=1N(ℎ)∑[I(X a;Z)−I(X a+ℎ;Z)]2N(ℎ)a=1其中，N(ℎ)表示分隔距离为ℎ的样本对的数量。
半变异函数是在假设Z(X)为区域化变量且满足平稳条件和本证假设的前提下定义的。
数学上可以证明，半变异函数越大，空间相关性越弱。
使用指示值，通过实验半变异函数进行半变异函数的模拟计算，并使用半变异函数的理论模型进行拟合，拟合得到最佳的半变异函数模型。
常用的半变异函数的理论模型包括球面模型、高斯模型和线性有基台模型。
在已知采样点数据值的情况下，根据最佳半变异函数模型，使用普通克里格插值方法可以计算出待估点的数据值在给定阈值下对应的指示值(即条件概率)，最后就能得到整个研究区域的相对于某一阈值的概率空间分布图。
2 应用方法若在指示克里格应用的各个步骤中采用不同的方法，就产生不同的指示克里格方法。
根据采样尺度的不同，指示克里格可以分为单一尺度指示克里格和多尺度指示克里格；根据研究变量的数目，可以分为单元指示克里格和多元指示克里格；根据设置的阈值的数目，可以分为单指示克里格和多指示克里格。
以下将分别介绍单一尺度单元指示克里格、多尺度指示克里格、多元指示克里格和多克里格法。
2.1 单一尺度单元指示克里格本文以土壤盐分空间分布的研究为例，介绍单一尺度单元指示克里格方法的应用。
步骤如下。
1）分析研究区域概况。
在研究土壤成分(如盐分、重金属等)分布时，要获得研究区域的位置、气候、地形地貌以及其他影响研究对象分布的信息。
2）采样。
根据采样区域的位置和大小，可以使用GIS技术将研究区域划分成均匀的格网，获取格网中心的坐标作为准采样位置，利用GPS进行野外采样导航。
实际采样过程中有些采样点落在村庄、河流、道路等位置，就要在附近进行调整，并使用GPS记录下采样点的实际位置坐标，如不能采样，则将该采样点删除。
3）土壤样品的测定。
将土壤样品带回实验室，使用正确的方法测定土壤中盐分的含量。
4）数据处理与分析。
首先根据问题的要求确定评价指标的阈值，原则上阈值是可以任选的，可以是一个临界值，也可以是一个区间范围；然后，未评价指标确定指示函数，根据指示函数将相应的采样点数据进行二进制指示变换，得到各个采样点的指示值(0或1)，指示值可以用来评价采样点上的土壤盐分的高低状况；然后，利用指示值进行变异函数的模拟计算，拟合得到最佳半变异函数模型；最后，利用拟合得到的半变异函数模型和普通克里格插值，得到土壤盐分相对于某一阈值的概率空间分布图。
2.2 多尺度指示克里格上文介绍了单元指示克里格法在单一采样尺度下的应用，但是土壤的空间特异性是尺度的函数，即在不同尺度下，同一变量的自相关程度相差很大，且随着样点间的距离而增加，变异函数值的随机成分也在增加，更小尺度下的结构特征被掩盖，不利于深入分析土壤空间变异的结构特征，但是在多尺度下进行分析可以解决此问题。
多尺度指示克里格就是在多个采样尺度下运用指示克里格法对土壤盐分的空间异质性进行分析。
该方法与单一尺度的指示克里格方法相比，重点的是如何选择多个不同的尺度，既能反映研究区域整体的分布特征，又能揭示小尺度上的结构特征。
在不同的采样尺度上，可以分别运用单一尺度指示克里格方法进行采样和数据分析。
参考文献研究表明，随着研究尺度的增大，地形、母质、土壤类型等大尺度结构因素对土壤性质的影响逐渐增强，而随机因素影响逐渐减弱，从而使土壤盐分的块基比变小、变程明显增加。
当然，不同的研究对象会有不同的分布状态，也受研究区域具体情况影响，所以针对不同的具体问题可能会有不同结论。
2.3 多元指示克里格多元指示克里格法(MVIK, Multiple Variable Indicator Kriging)是美国农业部和华盛顿州立大学的研究者提出的。
多元指示克里格法是将多个土壤性质指标综合成一个总体的土壤质量指数，即通过多变量指标转换(MVIT)将测定值进行转换，建立整体的土壤质量指数。
其步骤如下：1）分析研究区域概况。
2）对不同的变量进行采样。
3）对不同的变量设置不同的阈值，并进行指示变换。
按照一定的规则，根据多个变量对应的指示值求出综合指标的指示值。
规则的选择要根据实际情况确定。
比如在黄河三角洲地区的地下水与土壤盐分空间分布分析中，当不同的指示值都为1时，综合指标为1，否则为0。
4）计算综合指标的指示半变异函数，进行普通克里格插值，得到综合指标的概率分布图。
区域土壤资源利用风险的评价指标不仅有地下水性质和土壤盐分，还包括重金属含量、各种养分的含量等，各个指标之间可能相关，也可能相互独立，可能是水土资源的内在特性，也可能是外界赋予的属性。
多元指示克里格法允许同时1这些因素，绘制出综合指标的概率分布图，可以为土壤或其他资源环境区域的合理化管理决策提供有力的证据，为综合、全面的评价土壤及其他资源的质量提供了有效的方法。
2.4 多指示克里格多指示克里格(Multiple Indicator Kriging)是一个非线性非参数插值方法，常用于矿区勘探、矿石储量评估问题，可以根据部分钻孔采样值估算出某块体的矿石品位(矿石或产品中所含有用成分（元素或化合物）的百分含量)高于某阈值的概率分布。
多指示克里格基于指示函数，对于一个特定的阈值，我们可以计算出某一点的估计值大于(或小于等于)该阈值的概率。
多指示克里格对指示函数设置了多个阈值，因此可以估算出估计值在不同范围的概率分布。
比如，在评估某矿石块体的矿石品位的应用中，设定一系列的阈值非常重要，可以根据最低工业品位和边界品位来确定阈值，其主要的目的是能够有效地区分矿石和废石。
如果研究的问题没有实际意义的阈值，可以把采样值按大小顺序平均分成若干份，每相邻两份的中间值可以设为阈值。
比如分成11份，就有10个阈值，然后分别对10个阈值分别进行指示克里格分析，就能得到研究区域在11个数值区间的概率分布。
如果某一数值范围更能反映研究对象的特征或对某一数值范围内的准确估计更重要，可以在这一范围内设置更多的阈值。
比如在贵重金属分布研究中，由于大部分金属都包含在占小比例的高品位的矿石中，所以用指示克里格法估计高阈值区间的概率分布更加重要。
3 限制和不足尽管指示克里格法有着广泛的应用，指示克里格法在局部估计中仍然有一些限制和不足：1）由于阈值接近采样值，当待估点的位置接近采样点时，估计的精度会比较低。
2）对于一个由一些原始采样值得到的局部分布，当增加一个样本时，其数值会发生较大的改变。
也就是说，估计结果不是很稳定。
3）传统上对于上尾部数据的后处理的外插可能产生偏差。
4）当使用全局方差折减系数改变支撑时，待估值的变异性会被夸大；而当使用普通克里金插值改变支撑时，待估值的变异性会被低估。
5）指示克里格的优点(不要求完整的空间分布模型)有时候也是个障碍。
由于其不能为点支撑和块支撑的联合行为建立模型，所以它不适用于支撑改变的情况。
这样的缺点在矿石储量评价中有深远的影响，已经有很多研究者证实指示克里格在评估可开采矿石的储量估计中表现较差。
4 结论指示克里格方法是处理有偏数据的有效工具，其可以在不删除特异值的前提下，保持半变异函数的稳健性，在土壤特性评价、大气质量评估等应用中有着特殊的作用。
基于指示克里格的基本原理，我们可以灵活地运用指示克里格方法来处理不同的问题，因此衍生出多元指示克里格等方法。
指示克里格方法有一些自身固有的缺点，在选择运用指示克里格方法时，要注意尽量避免这些缺点造成的问题。
参考文献：[1] 杨奇勇，杨劲松，姚荣江.不同尺度下土壤盐分空间变异的指示克里格评价.土壤(Soils),2011,43(6):998-1003.[2]刘继龙，马孝义，张振华.土壤入渗特性的空间变异性及土壤转换函数.水科学进展，2010.[3] 李如雪. 聊城市土壤质量时空演变及可持续利用研究.2009.[4] 姚荣江, 杨劲松.黄河三角洲典型地下水位与土壤盐分空间分布的指示克里格评价.农业环境科学学报，2007,26(6):2118-2124.[5]张淑娟，何勇，方慧.基于GPS和GIS的田间土壤特性空间变异性的研究.农业工程学报，2003.[6]孟健，马小明.Kriging空间分析法及其在城市大气污染中的应用.数学的实践与认识,2002.[7]郭旭东等.河北省遵化平原土壤养分的时空变异特征——变异函数与Kriging插值分析.地理学报，2000.[8]雷志栋，杨诗秀.土壤特性空间变异性初步探究.水利学报，1985.[9] Xavier Emery, Julián M. Ortiz. Shortcomings of multiple indicator kriging for assessing local distributions. Applied Earth Science, 2013.。
