克里格插值
克里格空间插值法
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
1.8 方差变异函数
3）理论方差函数曲线不穿过原点，而是存在一个最小的方差值。理论上讲，当间隔 h=0时，估值的方差应该为0，因为任何一点与自身之差的值为0。h趋近于0时，r（h） 轴上的正截距是残差的一个估计，该值称为块金（或基底，nugget）。在理论函数模型 中，用C0表示。 块金是在间隔距离小于采样间距时的测量误差或空间变异，或者是二者的和。测 量误差是由仪器的内在误差引起的，空间变异是自然现象在一定空间范围内的变化。 小于采样间距的微观尺度上空间变异是块金的一部分。 当r（h）值在所有的h值上都等于基台值时，实验半方差函数就表现为纯块金效应， 这通常由于短间距内点与点的变异很大而引起，表明所使用的采样间隔内完全没有空 间相关性，此时，可以认为各个样点是随机的，区域平均值就是各点的最佳估计值。 此时，只有增大采样间隔才能揭示出空间相关性。 块金与基台的比值（C0/(C+C0)，基底效应）可以用来说明空间的变异特征，该值 越大，说明空间变异更多的是随机成分引起的，否则，则是由特定的地理过程或多个 过程综合引起的。 空间相关性的强弱，可用C/(C+C0)表示，该值越高，表明空间相关性越强。 在实际的模型计算中，块金与基台两个参数是可以调整的，其取值取决于整体的 拟合效果。
克里格插值
克里格插值什么是克里格插值？距离权重倒数插值和样条法插值被归类为确定性的插值方法，因为它们是直接基于周围已知点的值进行计算或是用指定的数学公式来决定输出表面的平滑度的插值方法。
而第二个插值方法家族包括的是一些地统计学的插值方法（如克里格插值），这些方法基于一定的包括诸如自相关（已知点间的统计关系）之类的统计模型。
因此，这些方法不仅有能力生成一个预测表面，而且还可以给出预测结果的精度或确定性的度量。
克里格插值与距离权重倒数插值相似之处在于给已知的样本点赋权重来派生出未知点的预测值。
这两种内插方法的通用公式如下，表达为数据的权重总和。
其中， Z(Si)是已测得的第i个位置的值；λi是在第i个位置上测得值的未知的权重；S0是预测的位置；N 是已知点（已测得值的点）的数目。
在距离权重倒数插值中，权重λi仅取决于距预测位置的距离。
然而，在克里格插值中，权重不仅建立在已知点和预测点位置间的距离的基础上，而且还要依据已知点的位置和已知点的值的整体的空间分布和排列。
应用权重的空间排列，空间自相关必须量化。
因此，运用普通克里格插值（Ordinary Kriging），权重λi取决于已知点的拟合模型、距预测位置的距离和预测点周围的已知点间的空间关系。
利用克里格方法进行预测，必须完成以下两个任务：（1）揭示相关性规则。
（2）进行预测。
要完成这两项任务，克里格插值方法通过以下两个步骤完成：（1）生成变异函数和协方差函数，用于估算单元值间的统计相关（也叫空间自相关），而变异函数和协方差函数也取决于自相关模型（拟合模型）。
（2）预测未知点的值。
因为前面已经说过的两个明确的任务，因此要用克里格方法对数据进行两次运算：第一次是估算这些数据的空间自相关而第二次是做出预测。
变异估计（Variography）变异估计就是拟合一个数学模型或空间模型，象已知的结构分析。
在已测点结构的空间建模中，首先得出经验半变异函数的曲线图，计算如下：半变异函数（距离h）＝ 0.5*均值[ (在i 位置的值－在j 位置的值)2 ]用于计算被距离h分隔的每一点对相对应的位置。
克里金(克里格)(Corigine)算法
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。
普通克里格插值
普通克里格插值普通克里格（Ordinary Kriging）是区域化变量的线性估计，它假设数据变化成正态分布，认为区域化变量Z的期望值是未知的。
插值过程类似于加权滑动平均，权重值的确定来自于空间数据分析。
ArcGIS中普通克里格插值包括4部分功能：创建预测图（Prediction Map）、创建分位数图（Quantile Map）、创建概率图（Probability Map）、创建标准误差预测图（Prediction Standard Error Map）。
1. 创建预测图（Prediction 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模块的下拉箭头点击Geostatistical Wizard命令（4）在弹出的对话框（如图10.51)中，在Dataset 选择训练数据jsGDP_test_training 及其属性GDP，在Validation 中选择检验数据jsGDP_test_test 及其属性GDP，选择Kriging 内插方法，最后点击Next 按钮。
图1 输入数据和方法选择对话框（5）在弹出的对话框（如图2)中，展开普通克里格（Ordinary Kriging），在下面的选项中点击预测（Prediction），在DataSet1 里的Transformation 里选择log 变换方式，点击Next 按钮。
图2 统计内插方法选择对话框（6）在弹出的Semivariogram/Covariance Modeling 对话框（如图3)中，选中Show Search Direction 选项，移动左图中的搜索方向，然后点击Next 按钮。
图3 半变异/协方差模型对话框（7）在弹出的Searching Neighborhood 对话框（如图4)，点击Next 按钮。
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。
常用的克里金插值及其变体
常用的克里金插值及其变体
常用的克里金插值及其变体包括以下几种：
1.普通克里金插值(OrdinaryKriging)：这是克里金插值的最基本形式，它基于一系列测量数据，通过最小化预测误差的平方和，对未测量位置的值进行估计。
这种方法假设观测点之间的空间相关性可以用一个随机过程来描述。
2.简单克里金插值(SinlPleKriging)：与普通克里金插值类似，但假设空间相关性可以忽略不计，因此每个观测点都被视为独立的。
这种方法适用于观测点之间几乎没有空间相关性，或者已经对观测点进行了充分的空间混合的情况。
3.泛克里金插值(UniVerSalKriging)：这是在普通克里金插值的基础上，考虑了非线性趋势的克里金插值。
它适用于那些除了空间相关性之外，还包含非线性趋势的地质数据。
4.协同克里金插值(Co-Kriging)：这种插值方法用于评估两个不同但相关的测量数据集之间的空间相关性。
它允许我们同时对两个数据集进行插值，并考虑它们之间的相关性。
5.多变异克里金插值(MUlti-VariateKriging)：这是用于处理多个相关变量的插值方法。
它允许不同变量之间的空间相关性被建模，这有助于更好地理解不同变量之间的相互关系。
这些是常见的克里金插值及其变体，选择哪种方法取决于数据的性质以及分析者的需求。
克里格插值法
克里格插值法
克里格插值法是一种被广泛应用于地球科学、环境科学与农业生
态学的数据插值方法，它通过统计分析空间距离和变量之间的关系，
构建一个反映实际数据分布规律的模型，从而在未知点处进行插值预测。
克里格插值法的主要思想是，根据各个采样点之间的空间位置关
系计算权重系数，再以这些权重为基础来对目标点的数值进行预测。
克里格插值法的实现过程主要包括：确定插值模型类型、计算空间距
离与方向、计算各采样点的权重、预测目标点的数值等几个步骤。
克里格插值法有很多优点。
首先，它不需要对大量数据进行修改
和处理，直接通过计算得到预测值，因此能够极大地提高工作效率。
其次，它可以处理不均匀分布的数据，能够更精确地反映真实的地理
表面变化。
此外，克里格插值法的错误率相对较低，能够在一定程度
上减少数据缺失所造成的影响。
当然，克里格插值法也存在一些局限性。
首先，它在计算复杂度
上相对较高，需要进行大量的计算和参数调整，因此在数据量较大时，计算量可能会较为庞大。
其次，克里格插值法只能处理各项同性的数据，对于非同性数据来说可能会存在较大的误差。
总的来说，克里格插值法是一种极为有效、实用的数据插值方法，在地球科学、环境科学与农业生态学等领域得到了广泛的应用。
虽然
它在实际应用中仍存在一些局限性，但随着科技的发展和方法的不断
完善，相信克里格插值法一定会越来越发挥出它的巨大潜力，为人类
的生产和生活带来更多、更好的效益。
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。
- 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)。
0x 克里格（Kringing ）插值法是建立在统计学理论基础上，实际上是利用区域化变量的原始数据和半方差数据的结构特征，对位采样点的区域化变量的取值进行线性最优无偏估计的一种方法，也就是根据待估样点有限领域内若干已经择定的测定的样点数据，在认真考虑了阳电的形状、大小和相互空间位置之间的关系，以及他们与待估样点见相互位置关系和编译函数提供的结构信息之后，对待估样点间相互位置关系的编译函数提供的结构信息之后，对待估样点值进行的一种线性最优无偏估计。
下图为运用克里格法计算未知点的值的一般步骤：
其插值原理如下：
设在某一研究内未知点0x 的属性为)(0x Z ，其周围相关范围内有n 个已知已测点),,2,1(n i x i ⋯=。
通过n 个测定值的线性组合求其估计值)(0x Z ：
)
()(10i n i i x Z x Z ∑==λ
式中i λ为)(i x Z 位置有关的加权系数，并且∑==n
i i 1
1λ
克里格插值法是根据无偏估计和方差最小的要求来确定上式中的系数i λ。
1.构造半变异系数：设j x 和i x 的距离问为h 。
设n 个样点中mh 对样点的距
离为h ，以他们的含量差)(-)(i j x Z x Z 构造的半变异函数为：
2
))()((21
)(∑=--=h x x i j i j x Z x Z m h a 2.拟合得出变异系数：将n 个样点的含量带入公式，使用直线函数进行拟合
3.构造矩阵和向量：求出任意两个已知点的半变异函数值，构造矩阵A:
⎪⎪⎪⎪⎪
⎪⎭
⎫ ⎝⎛⋯⋯⋯⋯⋯⋯⋯⋯⋯=011110101021221112n n n n a a a a a a A 取任意一个已知点i x ，求出与未知点0x 的距离并代入求出该点与未知点0x 的半变异函数值0i a ，得到向量B:
)1,,,,(02010n a a a B ⋯=
方程AX=B 的姐的前n 个分量即为公式（）的权重系数i λ。