下载文档原格式
普通克里金插值法计算一、普通克里金插值法是啥呢？哎呀，普通克里金插值法这东西啊，可真是个有趣的小玩意儿呢。
简单来说，它就是一种在地理信息系统、地质勘探等好多领域都能用到的方法。
比如说，你想知道一块大地上某个地方的土壤养分含量，但是你只在几个点上测量过，这时候普通克里金插值法就能闪亮登场啦。
它就像是一个超级侦探，根据那些已知点的数据，去推测其他未知点的数据。
二、普通克里金插值法的计算原理它的原理其实也不是特别复杂啦。
它是基于一种叫做变异函数的东西。
这个变异函数呢，就像是描述数据之间关系的一个小规则。
比如说，两个点离得近，那它们的数据可能就比较相似，离得远呢，数据可能就差别大一点。
普通克里金插值法就利用这个变异函数，再加上一些权重计算，就可以得出那些未知点的估计值啦。
就好像是给每个已知点都分配一个小任务，让它们根据自己和未知点的关系，来贡献自己的力量，最后算出未知点的值。
三、普通克里金插值法的计算步骤1. 首先要收集数据啦。
这就像是做饭之前要买菜一样重要。
你得有那些已知点的数据，比如说坐标啊，还有你要插值的那个变量的值，像土壤养分的含量数值之类的。
2. 然后就是计算变异函数。
这个变异函数可不是那么好算的呢，要根据你收集到的数据，用一些数学公式去计算。
这个过程就像是在解一道很复杂的谜题，要小心翼翼地按照规则来。
3. 接着就是确定权重啦。
根据变异函数算出每个已知点对于未知点的权重，这就像是给每个小助手（已知点）分配任务的重要性一样。
权重越大，说明这个已知点对未知点的影响就越大。
4. 最后呢，就可以计算未知点的值啦。
把每个已知点的值乘以它的权重，再把这些结果加起来，就得到了未知点的估计值。
就像是大家一起努力，终于完成了一个大工程一样，超级有成就感呢。
四、普通克里金插值法的优缺点1. 优点它的估计结果比较准确呢。
因为它考虑了数据之间的空间关系，就像是考虑了各个点之间的小秘密一样，所以能给出比较靠谱的估计。
它还能给出估计的误差。
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。
一般来说，它是一个依赖于空间点x 和向量h 的函数。
python克里金法Python克里金法克里金法（Kriging）是一种空间插值方法，常用于地质、地理、环境等领域的数据分析和预测。
Python作为一种广泛应用于科学计算和数据分析的编程语言，提供了丰富的库和工具来实现克里金法。
克里金法的基本原理是根据已知的离散数据点，通过建立一个数学模型来插值未知位置的数值。
它基于两个核心假设：空间自相关性和最小方差原则。
空间自相关性意味着离得越近的点之间的相关性越高，最小方差原则则保证插值结果的最优性。
在Python中，使用克里金法进行插值和预测可以借助一些常用的库，如scipy和sklearn。
首先，需要准备好离散的数据点，包括其位置坐标和对应的数值。
然后，可以使用scipy库中的interpolate 模块来进行插值操作。
具体步骤如下：1. 导入必要的库和模块：```pythonimport numpy as npfrom scipy.interpolate import KrigingInterpolator```2. 准备数据点：```python# 假设已知的数据点和数值X_known = np.array([[x1, y1], [x2, y2], ...])Z_known = np.array([z1, z2, ...])```3. 创建克里金插值器：```python# 创建插值器对象kriging = KrigingInterpolator(X_known, Z_known)```4. 插值预测：```python# 预测未知位置的数值X_unknown = np.array([[x3, y3], [x4, y4], ...])Z_pred = kriging(X_unknown)```除了使用scipy库，还可以使用sklearn库中的KrigingRegressor 模块来实现克里金法的插值和预测。
这个模块提供了更多的参数和选项，可以进行更灵活的配置。
Kriging插值法(2012-04-19 13:48:09)转载▼标签：杂谈克里金法是通过一组具有z 值的分散点生成估计表面的高级地统计过程。
与插值工具集中的其他插值方法不同，选择用于生成输出表面的最佳估算方法之前，有效使用克里金法工具涉及z 值表示的现象的空间行为的交互研究。
什么是克里金法？IDW（反距离加权法）和样条函数法插值工具被称为确定性插值方法，因为这些方法直接基于周围的测量值或确定生成表面的平滑度的指定数学公式。
第二类插值方法由地统计方法（如克里金法）组成，该方法基于包含自相关（即，测量点之间的统计关系）的统计模型。
因此，地统计方法不仅具有产生预测表面的功能，而且能够对预测的确定性或准确性提供某种度量。
克里金法假定采样点之间的距离或方向可以反映可用于说明表面变化的空间相关性。
克里金法工具可将数学函数与指定数量的点或指定半径内的所有点进行拟合以确定每个位置的输出值。
克里金法是一个多步过程；它包括数据的探索性统计分析、变异函数建模和创建表面，还包括研究方差表面。
当您了解数据中存在空间相关距离或方向偏差后，便会认为克里金法是最适合的方法。
该方法通常用在土壤科学和地质中。
克里金法公式由于克里金法可对周围的测量值进行加权以得出未测量位置的预测，因此它与反距离权重法类似。
这两种插值器的常用公式均由数据的加权总和组成：•其中：Z(s i) = 第i个位置处的测量值λi = 第i个位置处的测量值的未知权重s0 = 预测位置N = 测量值数在反距离权重法中，权重λi仅取决于预测位置的距离。
但是，使用克里金方法时，权重不仅取决于测量点之间的距离、预测位置，还取决于基于测量点的整体空间排列。
要在权重中使用空间排列，必须量化空间自相关。
因此，在普通克里金法中，权重λi取决于测量点、预测位置的距离和预测位置周围的测量值之间空间关系的拟合模型。
以下部分将讨论如何使用常用克里金法公式创建预测表面地图和预测准确性地图。
克里金(Kriging)插值克里金(Kriging)插值法又称空间自协方差最佳插值法，它是以南非矿业工程师D．G．Krige的名字命名的一种最优内插法。
克里金法广泛地应用于地下水模拟、土壤制图等领域，是一种很有用的地质统计格网化方法它首先考虑的是空间属性在空间位置上的变异分布．确定对一个待插点值有影响的距离范围，然后用此范围内的采样点来估计待插点的属性值。
该方法在数学上可对所研究的对象提供一种最佳线性无偏估计(某点处的确定值)的方法。
它是考虑了信息样品的形状、大小及与待估计块段相互间的空间位置等几何特征以及品位的空间结构之后，为达到线性、无偏和最小估计方差的估计，而对每一个样品赋与一定的系数，最后进行加权平均来估计块段品位的方法。
但它仍是一种光滑的内插方法在数据点多时，其内插的结果可信度较高。
克里金法类型分常规克里金插值(常规克里金模型／克里金点模型)和块克里金插值。
常规克里金插值其内插值与原始样本的容量有关，当样本数量较少的情况下，采用简单的常规克里金模型内插的结果图会出现明显的凹凸现象；块克里金插值是通过修改克里金方程以估计子块B内的平均值来克服克里金点模型的缺点，对估算给定面积实验小区的平均值或对给定格网大小的规则格网进行插值比较适用。
块克里金插值估算的方差结果常小于常规克里金插值，所以，生成的平滑插值表面不会发生常规克里金模型的凹凸现象。
按照空间场是否存在漂移(drift)可将克里金插值分为普通克里金和泛克里金，其中普通克里金(Ordinary Kriging简称OK法)常称作局部最优线性无偏估计．所谓线性是指估计值是样本值的线性组合，即加权线性平均，无偏是指理论上估计值的平均值等于实际样本值的平均值，即估计的平均误差为0，最优是指估计的误差方差最小。
在科学计算领域中，空间插值是一类常用的重要算法，很多相关软件都内置该算法，其中GodenSoftware 公司的Surfer软件具有很强的代表性，内置有比较全面的空间插值算法，主要包括：Inverse Distance to a Power（反距离加权插值法）Kriging（克里金插值法）Minimum Curvature（最小曲率）Modified Shepard's Method（改进谢别德法）Natural Neighbor（自然邻点插值法）Nearest Neighbor（最近邻点插值法）Polynomial Regression（多元回归法）Radial Basis Function（径向基函数法）Triangulation with Linear Interpolation（线性插值三角网法）Moving Average（移动平均法）Local Polynomial（局部多项式法）下面简单说明不同算法的特点。
克里金插值克里金(Kriging)插值克里金(Kriging)插值法又称空间自协方差最佳插值法，它是以南非矿业工程师D．G．Krige的名字命名的一种最优内插法。
克里金法广泛地应用于地下水模拟、土壤制图等领域，是一种很有用的地质统计格网化方法它首先考虑的是空间属性在空间位置上的变异分布．确定对一个待插点值有影响的距离范围，然后用此范围内的采样点来估计待插点的属性值。
该方法在数学上可对所研究的对象提供一种最佳线性无偏估计(某点处的确定值)的方法。
它是考虑了信息样品的形状、大小及与待估计块段相互间的空间位置等几何特征以及品位的空间结构之后，为达到线性、无偏和最小估计方差的估计，而对每一个样品赋与一定的系数，最后进行加权平均来估计块段品位的方法。
但它仍是一种光滑的内插方法在数据点多时，其内插的结果可信度较高。
克里金法类型分常规克里金插值(常规克里金模型／克里金点模型)和块克里金插值。
常规克里金插值其内插值与原始样本的容量有关，当样本数量较少的情况下，采用简单的常规克里金模型内插的结果图会出现明显的凹凸现象；块克里金插值是通过修改克里金方程以估计子块B内的平均值来克服克里金点模型的缺点，对估算给定面积实验小区的平均值或对给定格网大小的规则格网进行插值比较适用。
块克里金插值估算的方差结果常小于常规克里金插值，所以，生成的平滑插值表面不会发生常规克里金模型的凹凸现象。
按照空间场是否存在漂移(drift)可将克里金插值分为普通克里金和泛克里金，其中普通克里金(Ordinary Kriging简称OK法)常称作局部最优线性无偏估计．所谓线性是指估计值是样本值的线性组合，即加权线性平均，无偏是指理论上估计值的平均值等于实际样本值的平均值，即估计的平均误差为0，最优是指估计的误差方差最小。
在科学计算领域中，空间插值是一类常用的重要算法，很多相关软件都内置该算法，其中GodenSoftware 公司的Surfer软件具有很强的代表性，内置有比较全面的空间插值算法，主要包括：Inverse Distance to a Power（反距离加权插值法）Kriging（克里金插值法）Minimum Curvature（最小曲率）Modified Shepard's Method（改进谢别德法）Natural Neighbor（自然邻点插值法）Nearest Neighbor（最近邻点插值法）Polynomial Regression（多元回归法）Radial Basis Function（径向基函数法）Triangulation with Linear Interpolation（线性插值三角网法）Moving Average（移动平均法）Local Polynomial（局部多项式法）下面简单说明不同算法的特点。
