克里格法插值法
克里金插值法的详细介绍。kriging。
kriging 插值作为地统计学中的一种插值方法由南非采矿工程师D.G.Krige于1951年首次提出，是一种求最优、线形、无偏的空间内插方法。
在充分考虑观测资料之间的相互关系后，对每一个观测资料赋予一定的权重系数，加权平均得到估计值。
这里介绍普通Kriging插值方法的基本步骤：1.该方法中衡量各点之间空间相关程度的测度是半方差，其计算公式为：h为各点之间距离，n 是由h 分开的成对样本点的数量，z 是点的属性值。
2.在不同距离的半方差值都计算出来后，绘制半方差图，横轴代表距离，纵轴代表半方差。
半方差图中有三个参数nugget（表示距离为零时的半方差）,sill（表示基本达到恒定的半方差值）,range(表示一个值域范围，在该范围内半方差随距离增加，超过该范围，半方差值趋于恒定)。
利用做出的半方差图找出与之拟合的最好的理论变异函数模型（这是关键所在），可用于拟合的模型包括高斯模型、线性模型、球状模型、指数模型、圆形模型。
----球状模型，球面模型空间相关随距离的增长逐渐衰减，当距离大于球面半径后，空间相关消失。
3.用拟合的模型计算出三个参数。
例如球状模型中nugget为c0，range为a，sill为c。
4．利用拟合的模型估算未知点的属性值，方程为：，z0为估计值，zx是已知点的值，wx为权重，s是用来估算未知点的已知点的数目。
假如用三个点来估算，则有这样权重就可以求出，然后估算未知点。
（上述内容根据《地理信息系统导论》（Kang-tsung Chang著；陈健飞等译，科学出版社，2003）第十三章内容进行总结，除球状模型公式外其余公式皆来自此书）下面是本人自己编写的利用海洋中断面上观测站点的实测温度值来估算未观测处的温度的Fortran程序，利用距离未知点最近的五个观测点来估算未知点的温度，选用模型为球状模型。
do ii=1,nxif(tgrid(ii,1)==0.)thendo i=1,dsite(ii)!首先寻找距离最近的五个已知点位置do j=1,nhif(d(mm(ii),j).ne.0.or.j==1)thenhmie(j)=d(mm(ii),j)-dgrid(i)elsehmie(j)=9999end ifhmid(j)=abs(hmie(j))end dodo j=1,nhdo k=j,nhif(hmid(j)<hmid(k))thenelsem1=hmid(j)hmid(j)=hmid(k)hmid(k)=m1end ifend doend dodo j=1,5do k=1,nhif(abs(hmie(k))==hmid(j))thenlocat(j)=kend ifend doend dodo j=1,4do k=j+1,5if(locat(j)==locat(k))thendo i3=1,nhif(abs(hmie(i3))==abs(hmie(locat(j))).and.i3.ne.locat(j))thenlocat(j)=i3exitend ifenddoendifenddoenddo！然后求各点间距离，并求半方差do j=1,5do k=1,5hij(j,k)=abs(d(mm(ii),locat(j))-d(mm(ii),locat(k)))/1000.end doend dodo j=1,5hio(j)=sqrt(hmid(j)**2+(abs(latgrid(ii)-lonlat(mm(ii),2))*llat)**2 $ +(abs(longrid(ii)-lonlat(mm(ii),1))*(1.112e5* $ cos(0.017*(latgrid(ii)+lonlat(mm(ii),2))/2)))**2)/1000.end dodo j=1,5do k=1,5if(hij(j,k).eq.0.)thenrleft(j,k)=0.elserleft(j,k)=sill*(1.5*hij(j,k)/range-0.5*hij(j,k)**3/range**3)end ifif(hio(j).eq.0.)thenrrig(1,j)=0.elserrig(1,j)=sill*(1.5*hio(j)/range-0.5*hio(j)**3/range**3)end ifend doend dorrig(1,6)=1.rleft(6,6)=0.do j=1,5rleft(6,j)=1.rleft(j,6)=1.end dotry=rleftcall brinv(rleft,nnn,lll,is,js)ty1=matmul(try,rleft)！求权重wq=matmul(rrig,rleft)!插值所有格点上t,sdo j=1,5tgrid(ii,i)=tgrid(ii,i)+wq(1,j)*t(mm(ii),locat(j)) sgrid(ii,i)=sgrid(ii,i)+wq(1,j)*s(mm(ii),locat(j))end doenddoendifenddo。
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。
(完整)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.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。
kriging插值法c代码
kriging插值法c代码克里格插值法（Kriging）是一种空间插值方法，用于根据已知数据点的位置和值来预测未知数据点的值。
以下是一个简单的克里格插值法的 C 语言代码示例：```c#include <stdio.h>#include <stdlib.h>#include <math.h>#define MAX_POINTS 100// 定义结构体来存储数据点的位置和值typedef struct {double x;double y;double z;} DataPoint;// 计算数据点之间的距离double calculateDistance(DataPoint p1, DataPoint p2) {double dx = p1.x - p2.x;double dy = p1.y - p2.y;return sqrt(dx * dx + dy * dy);}// 计算克里格插值的权重double calculateKrigingWeight(DataPoint *points, int nPoints, DataPoint queryPoint) {double sumWeight = 0.0;for (int i = 0; i < nPoints; i++) {DataPoint point = points[i];double distance = calculateDistance(queryPoint, point);double weight = 1.0 / (1.0 + distance * distance);sumWeight += weight;}return sumWeight / nPoints;}// 进行克里格插值double krigingInterpolation(DataPoint *points, int nPoints, DataPoint queryPoint) {double sumZ = 0.0;double sumWeight = 0.0;for (int i = 0; i < nPoints; i++) {DataPoint point = points[i];double distance = calculateDistance(queryPoint, point);double weight = 1.0 / (1.0 + distance * distance);sumZ += point.z * weight;sumWeight += weight;}return sumZ / sumWeight;}int main() {// 定义数据点的数量int nPoints = 5;// 分配内存来存储数据点DataPoint *points = (DataPoint *)malloc(nPoints * sizeof(DataPoint));// 输入数据点的位置和值points[0].x = 1.0; points[0].y = 2.0; points[0].z = 10.0;points[1].x = 2.0; points[1].y = 3.0; points[1].z = 15.0;points[2].x = 3.0; points[2].y = 4.0; points[2].z = 7.0;points[3].x = 4.0; points[3].y = 5.0; points[3].z = 12.0;points[4].x = 5.0; points[4].y = 6.0; points[4].z = 9.0;// 定义查询点的位置DataPoint queryPoint;queryPoint.x = 3.5; queryPoint.y = 4.5;// 计算克里格插值的权重double krigingWeight = calculateKrigingWeight(points, nPoints, queryPoint);// 进行克里格插值double interpolatedValue = krigingInterpolation(points, nPoints, queryPoint);// 输出结果printf("克里格插值的权重: %.2f\n", krigingWeight);printf("克里格插值的结果: %.2f\n", interpolatedValue);// 释放内存free(points);return 0;}```这段代码实现了一个简单的克里格插值法。
克里格估值方法(一)
克里格估值方法(一)克里格估值方法详解什么是克里格估值法？克里格估值法（Kriging）是一种通过插值方法对未知地点进行估值的统计技术。
它将已知地点上的观测值用于预测未知地点上的数值，常用于地质、地理、环境等领域的研究。
克里格估值法通过建立空间相关性模型，可以提供对未知地点上现象的可信度估计。
克里格估值法的基本原理克里格估值法的基本原理是空间相关性。
其假设对空间上相邻点之间的值存在一定的相关性，且该相关性可通过距离进行量化。
基于该假设，克里格估值法可以通过已知点与未知点之间的空间距离进行权重的计算，进而进行预测。
克里格估值法的步骤1.数据获取：克里格估值法需要已知点的观测值作为输入，可以通过采集现有数据或者实地测量获得。
2.空间相关性分析：通过观测值之间的空间相关性判断模型类型，常用的模型包括球型模型、指数模型和高斯模型等。
3.参数估计：使用已知观测值中的半方差数据，通过最小二乘法或最大似然法对模型的空间相关参数进行估计。
4.半方差图绘制：通过绘制半方差图，可以了解观测值之间的空间相关性和变化趋势。
5.克里格估值：根据已知点的观测值和模型的参数，计算未知点上的估值。
常用的克里格估值方法包括简单克里格法、普通克里格法和泛克里格法等。
6.估值验证：通过验证估值和实际值之间的误差，评估克里格估值方法的精度和可靠性。
克里格估值法的优缺点克里格估值法作为一种插值方法具有以下优点： - 利用空间相关性进行预测，能够充分利用已知数据的信息； - 通过建立空间模型，可以对估值进行可靠的分析和解释； - 适用于各种数据类型和标度水平，可用于多种研究领域。
然而，克里格估值法也存在一些缺点： - 对观测值的空间相关性要求较高，如果空间相关性较弱，克里格估值的精度可能较低； - 克里格估值法对异常值敏感，对异常值进行处理是很重要的一步； - 克里格估值法无法考虑其他外部因素的影响，如地形、土壤等因素。
克里格估值法的应用领域克里格估值法广泛应用于地理信息系统（GIS）、环境调查和资源评价等领域，常见的应用包括： - 土壤污染程度评估； - 水资源管理及水质预测； - 土地利用规划和生态环境研究； - 地质勘探和矿产资源评估。
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)
D(ξ)= E[ξ-E(ξ)]2 其简算公式为
D(ξ)=E(ξ2) –[E(ξ)]2
方差的平方根为标准差，记为σξ
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。
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”
G. Materon(1962)
提出了“地质统计学”概念 (法文Geostatistique)
发表了专著《应用地质统计学论》。
三克里金估计三克里金估计基本思路基本思路最优无偏性和估计方差最小被作为选取的标准以普通克里金为例从本征假设出发可知为常数有在搜寻邻域内为常数不同邻域可以有差别进一步推导可得到n1阶的线性方程组即克里金方程组当随机函数不满足二阶平稳而满足内蕴本征假设时可用变差函数来表示克里金方程组如下
第二讲
克里金插值
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）
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
克里金插值
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。
克里金插值方法
克里金插值方法克里金插值方法（Kriging Interpolation）是一种常用的空间插值技术，用于预测未知位置的属性值。
它是由南非地质学家克里金（Danie G. Krige）在20世纪60年代提出的。
克里金插值方法通过对已知点周围的样本点进行空间插值，推断出未知点的属性值，从而实现对空间数据的预测。
克里金插值方法的基本思想是建立一个局部的空间模型，考虑样本点之间的空间相关性，并利用这种相关性来预测未知点的属性值。
它的核心思想是将空间数据看作是一个随机场，通过对随机场的统计分析来确定未知点的属性值。
克里金插值方法的具体步骤如下：1. 数据收集：首先需要收集一定数量的已知点数据，这些数据应该包含未知点的属性值以及其空间坐标。
2. 变异函数拟合：根据已知点的属性值和空间坐标，建立变异函数模型。
变异函数描述了样本点之间的空间相关性，可以采用不同的函数形式进行拟合，如指数函数、高斯函数等。
3. 半变异函数计算：通过对已知点之间的差异进行半变异函数计算，确定样本点之间的空间相关性。
4. 克里金权重计算：根据已知点的属性值、空间坐标和半变异函数，计算未知点与已知点之间的空间权重。
5. 属性值预测：利用已知点的属性值和克里金权重，对未知点进行属性值预测。
预测值可以根据不同的权重计算方法得到，如简单克里金、普通克里金、泛克里金等。
6. 模型验证：对预测结果进行验证，可以使用交叉验证等方法评估预测的准确性。
克里金插值方法在地质学、环境科学、农业、地理信息系统等领域广泛应用。
它可以用于地下水位、气象数据、土壤污染等空间数据的插值预测。
克里金插值方法不仅可以提供对未知点的预测值，还能估计预测误差，并提供空间数据的空间分布图。
尽管克里金插值方法具有很多优点，但也存在一些限制。
首先，克里金插值方法假设样本点之间的空间相关性是平稳的，即在整个研究区域内具有一致性。
然而，在实际应用中，样本点之间的空间相关性可能会随着距离的增加而变化。
r语言克里格空间插值方法
在R语言中，可以使用gstat包中的UniversalKrige函数来进行克里格空间插值。
以下是一个简单的例子：首先，你需要安装和加载gstat包：r复制代码install.packages("gstat")library(gstat)然后，假设你有一个数据框df，其中包含你想要插值的点的经度和纬度（列名为lon和lat），以及对应位置的观测值（列名为value）：r复制代码df <- data.frame(lon = c(10, 20, 30, 40, 50),lat = c(10, 20, 30, 40, 50),value = c(1, 2, 3, 4, 5))接下来，你可以使用UniversalKrige函数进行克里格插值：r复制代码k <- UniversalKrige(formula = value ~ 1, data = df, model = "Universal")在这个例子中，我们使用了"Universal" 模型，但UniversalKrige函数还支持其他模型，例如"Simple Kriging" 和"Ordinary Kriging"。
最后，你可以使用predict函数来预测新的点的值：r复制代码new_points <- data.frame(lon = c(15, 25, 35, 45), lat = c(15, 25, 35, 45))predictions <- predict(k, new_points)print(predictions)这将输出预测的值。
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)。
克里格法插值法
克里格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。
其特点是线性，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，所以计算速度较慢。
而那些趋势面法，样条函数法等。
虽然较快，但是逼近程度和适用范围都大受限制。
克里格插值又分为：简单，普通，块，对数，指示性，泛，折取克里格插值等。
克里格插值的变异函数有球形模型，指数模型，高斯模型，纯块金模型，幂函数模型，迪维生模型等。
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格方法。
如与分形的结合，发展了分形克里格法；与三角函数的结合，发展了三角克里格法；与模糊理论的结合，发展了模糊克里格法等等。
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。
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。
按照空间场是否存在漂移(drift)可将克里格插值分为普通克里格和泛克里格，其中普通克里格(Ordinar
y 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。
利用克里格法插值时变异函数的确定是其关键。
当区域化变量不满足二阶平稳假设存在漂移时，漂移的形式、残余（Ｒｅｓｉｄｕａｌ）变异函数参数的估计比较困难。
有人提出利用多元逐步回归法确定漂移的次数；采用矩法和最大似然法相结合估计残余变异函数参数；当区域内数据点个数比较多时，在三角网格剖分过程中一次确定三角形与其内数据点的包含关系，用于快速检索待插点邻域内的数据点。
对于同一个区域化变量，有些人认为满足二阶平稳假设，而另一些人则认为带有漂移，没有一个判定准则。
实际应用中，漂移次数的确定可借鉴利用多元逐步回归法确定。
克里格插值一般步骤：
1）计算被估点坐标（网格节点坐标）
（2）根据搜索策略选择满足条件的参估点
（3）根据变差函数参数建立方程组
（4）解方程组，求权系数
（5）求被估点的值
（6）重复（1）-（5）步，直到网格节点全部求出；
由上可见，克里格插值其实也是对已知值赋权重计算未知值，但是它不仅考虑了距离插值点的距离远近的影响，还考虑了己知点的位置和属性值整体的空间分布和格局。
这个权重使用半方差函数模型（生成的表
示地理现象连续表面的函数），在半方差函数模型和邻近已知点的空间分布的基础上，对研究区内的各个位置进行预测，权重wi取决于已知点的拟合模型、到插值点的距离和插值点周围的已知样点的空间关系。
克里格插值的第一项任务即揭示研究数据间的相关（自相关）。
一旦有了空间自相关的信息，就可以运用调整好的模型进行克里格插值的第二项任务即再次运用数据进行预测。
步骤是：
1、确定搜索半径，取可变的还是固定的。
2、选择普通克里格插值法还是全局克里格插值法。
选择标准：普通克里格方法是最普通和应用最广的克里格方法。
它假设常数的均值是未知的。
这是一个合理的假设除非你有一些科学的理由来否定这些假设。
全局克里格方法假设数据中有主导趋势，它可以用一个确定性的函数或多项式来模拟。
全局克里格方法将仅用于知道数据的趋势并能合理而科学地描述它的情况，即定性分析。
3、选择模型球状的还是指数的等等，根据需要选择。
一般的，球状用于地学类，指数一般用于生物类。
总之，克里格插值法是一种线性、无偏、最优估计的插值方法,但普通克里格插值法要求区域化变量满足二阶平稳假设或是固有假设,但实际应用中这一假设往往无法满足,即存在漂移现象。
由于物化探数据存在有区域异常问题,因此是非平稳的,从而限制了克里格插值方法的应用.通过分析,泛克里格插值法可较好地估计和拟合物化探区域异常,因此可较好地解决物化探数据的插值问题.对物化探数据进行了泛克里格变异函数选取,并完成了物化探区域异常的一次或二次多项式拟合.将克里格插值法和泛克里格插值法应用于物化探数据网格化插值处理,并利用交叉证实法验证,结果表明泛克里格法比普通克里格法具有更好的网格化插值效果,得到的物化探图精度有提高。
泛克里格插值法避开了克里格插值法的二阶平稳假设,使插值得到的物化探图更加符合物化探异常特征。
以上是参考了一些看到的克里格插值网格化方法资料整理的一点学习心得笔记，愿与大家交流共享。
由于克里格插值网格化方法以前用的不多，也是边学边干，所以若有理解或提法不妥之处请指正，以共同提高。