克里金Kriging预测方法（自用笔记）

克里金预测方法是地质统计学中的一种基于最优、无偏线性预测的插值方法。它主要依赖于数据的空间自相关特性，特别是半方差函数（或者称为变异函数），来进行预测。

以下是克里金预测方法的详细步骤：
##1. 数据收集:
考虑一个场地或区域，其中在不同位置$x_i$ ($i=1,2,...N$) 有已知的数据值$z_i$。
##2. 半方差函数的计算:
半方差函数描述了两个空间位置之间的平均差异。给定两个点 $x_i$ 和 $x_j$，半方差函数 $\gamma (h)$ 定义为:
$$\gamma (h_{ij})=\frac{1}{2}\mathbb{E}\left[(z(x_i)-z(x_j){)}^2\right]$$
其中 $\mathbb{E}$ 表示期望，$h_{ij}=|x_i-x_j|$ 是两点之间的距离，通常称为“滞后”。这个函数描述了空间数据的自相关性。
##3. 模型半方差函数:
基于实际计算的半方差值，选择一个合适的理论模型（如球形模型、指数模型或高斯模型）来拟合数据。
##4. 建立克里金方程:
要预测位置 $x_0$ 的值$z(x_0)$，我们使用已知数据点的加权平均值，建立以下权重方程:
$$\sum _{i=1}^N{\lambda }_{i}z(x_i)=z^{\ast }(x_0)$$
其中，$z^*(x_0) $是位置 $x_0$ 的预测值，${\lambda }_i$ 是克里金权重需要满足 ${\sum }_{i=1}^N{\lambda }_i=1$ 以保证预测是无偏的。
##5. 求解克里金权重:
为了求解权重 ${\lambda }_i$，我们最小化预测方差，并在方程组中加入无偏条件，得到以下方程组:
$$\sum _{j=1}^N{\lambda }_j\gamma (h_{ij})+\mu =\gamma (h_{i0}),\forall i=1,\cdots ,N$$
其中，$\mu$ 是拉格朗日乘数，用于确保权重的和为1。
##6. 进行预测（插值）:
使用求解出的权重，对给定的位置 $x_0$ 进行预测:
$$z^{\ast }(x_0)=\sum _{i=1}^N{\lambda }_{i}z(x_i)$$
##7. 计算预测方差:
预测方差提供了预测不确定性的量度，并定义为:
$${\sigma }^2(x_0)=\sum _{i=1}^N{\lambda }_i\gamma (h_{i0})-\mu$$.