ArcGIS教程：不同的克里金模型

　　克里金方法依赖于数学模型和统计模型。通过添加包含概率的统计模型，可将克里金方法从空间插值的确定性方法中描述的确定性方法中分离出来。对于克里金法，您会将某种概率与预测值相关联;也就是说，这些值不能完全基于统计模型进行预测。以在某一地区测得的氮值这一样本为例。显然，即使样本很大，您也无法预测某个未测量位置处的准确氮值。因此，您不但要尝试预测该值，而且还要评估预测的误差。

　　克里金方法依赖于自相关概念。相关性通常被视为两种变量相关的趋势。例如，股票市场在利率降低时倾向于上涨，所以称其为负相关。但是，股票市场属于正向自相关，也就是说股票市场本身存在相关性。股票市场中，相隔一天的两个值比相隔一年的两个值更加相似。这与地理的基本原则相关，即距离较近的事物要比距离较远的事物更相似。相关性衰减的比率可表示为距离的函数。

　　自相关是距离的函数。这是地统计的定义功能。在经典统计法中，假定观测值是独立的，也就是说观测值间不存在相关性。在地统计中，使用空间位置的相关信息可以计算观测值间的距离并将自相关建模为距离的函数。

　　另请注意，股票市场通常随时间变化而上涨，其术语名词为趋势。地统计数据中也有相同的项，它们用下面的简单数学公式来表示：

　　Z(s) = µ(s) + ε(s),

　　其中，Z(s) 是感兴趣变量，可分解成确定性趋势 µ(s) 和随机的自相关误差形式 ε(s)。符号 s 仅标识位置;可将其视为包含空间 x(经度)和 y(纬度)坐标。基于此公式的各种变形构成了不同克里金法的基础。先看公式的右侧部分，然后再看公式的左侧部分。

　　无论模型中的趋势如何复杂，仍无法完全预测 µ(s)。在这种情况下，需要对误差项 ε(s) 做出一些假设;即，您希望它们为 0(通常情况)并且 ε(s) 与 ε(s &#