1 基本概念
1.1 定义与起源
克里金插值是一类利用空间统计规律进行估计的方法，主要用于根据已知采样点推断未知位置的数值。它的名称源于南非矿业中的研究者 D. G. Krige，后由地质统计学家 Matheron 等人系统化发展，形成了较完整的理论框架。由于该方法最初服务于矿产勘查，因此在早期文献中常与矿床品位估计密切相关。
1.2 核心思想
克里金插值的关键，不只是看空间距离的远近，还要分析样本之间是否存在相关性。也就是说，两个点即使距离相近，如果空间结构差异较大，其影响权重也未必相同。该方法通过建立空间变异结构，为每个样本分配合理权重，并据此得到未知点的最佳估计。
1.3 与传统插值方法的区别
与反距离加权等传统方法相比，克里金插值并非单纯依据几何距离分配权重，而是引入空间自相关和统计模型。与样条插值相比，它通常更强调估计的无偏性和误差刻画，而不只是追求曲面平滑。正因如此，克里金插值常被视为兼具预测与不确定性评估能力的高级空间插值技术。
2 理论基础
2.1 空间自相关
空间自相关指的是空间上相邻或接近的观测值往往具有相似性。若某一属性在空间中呈现“近者相似、远者趋异”的规律，就说明该变量具有可建模的空间结构。克里金方法的有效性，正建立在这种相关性并非完全随机的前提之上。
2.1.1 半变异函数
半变异函数用于描述不同距离下样本值的差异程度，是克里金分析中的核心工具之一。通常，距离越大，样本差异越可能增大，半变异值也随之变化。通过观察半变异函数的形态，可以判断空间相关性的强弱及其作用范围。
2.1.2 协方差函数
协方差函数从另一个角度描述空间相关性，关注的是样本值之间的共同变化趋势。它与半变异函数在数学上存在对应关系，常用于构建空间统计模型。若两个位置的协方差较高，说明它们在统计意义上更可能接近。
2.2 最优线性无偏估计
克里金插值的理论目标，是在所有线性估计中寻找方差最小且不带系统偏差的方案。这里的“最优”通常指估计误差最小，“线性”意味着结果由观测值加权得到，“无偏”则要求长期平均意义下不高估也不低估真实值。该准则使其兼顾了预测精度与统计稳定性。
2.3 随机场与区域化变量
在克里金理论中，空间数据常被视为随机场或区域化变量。随机场强调每个空间位置对应一个随机变量，而区域化变量则突出空间属性并非完全独立，而是受到邻域结构控制。通过这种视角，空间数据不再只是离散点值，而是具有整体分布特征的空间过程。
3 方法分类
3.1 简单克里金
简单克里金假设研究区内变量的均值已知，且在整个空间范围内保持恒定。由于这一前提较强，它通常用于均值信息较明确的情形。其优点是形式简洁，计算过程也相对直接。
3.2 普通克里金
普通克里金是应用最广泛的类型之一，通常假设均值未知但在局部范围内近似恒定。它不要求事先精确知道总体均值，因此更适合实际中的多数空间数据。许多常见的克里金应用，实际上都属于这一类。
3.3 泛克里金
泛克里金又称趋势克里金，适用于空间数据存在明显趋势变化的情况。它会在模型中显式考虑由位置引起的系统性变化，例如随方向或距离缓慢升高、降低的现象。该方法比普通克里金更适合处理带有大尺度趋势的区域数据。
3.4 指示克里金
指示克里金主要用于二值化或阈值化问题，例如判断某一属性是否超过某个界限。它先将原始数据转化为指示变量，再进行空间估计。此类方法常见于资源概率评价、污染超标风险分析等场景。
3.5 析取克里金
析取克里金用于估计连续变量在区间意义上的概率特征，而不仅仅是单点数值。它可以帮助分析某一属性落在某个范围内的可能性，因而在风险评估中较有价值。相较于普通插值，它更强调分布而非单值预测。
3.6 协同克里金
协同克里金利用多个相关变量联合进行估计。若主变量样本较少，但辅助变量分布更密集且与主变量具有较强相关性，就可以借助协同克里金提高估计质量。该方法常见于遥感、地学和环境监测等数据融合任务。
4 数学模型
4.1 线性组合形式
克里金估计通常写成若干已知样本的线性加权和。通过调整权重，模型可以使预测结果尽量接近真实值，同时满足无偏性要求。线性组合形式也便于推导误差方差与权重条件。
4.1.1 权重求解
权重并非任意指定，而是依据空间相关结构通过方程组求得。样本点与待估点之间的距离、方向以及半变异函数参数，都会影响最终权重。一般来说，更符合空间结构的样本会被赋予更高权重。
4.1.2 拉格朗日乘子法
由于克里金估计需要满足无偏约束，权重求解常借助拉格朗日乘子法完成。该方法在目标函数中加入约束项，使最小化误差方差与满足约束可以同时实现。由此可得到一组线性方程，用于计算各样本的权重。
4.2 约束条件
克里金模型的核心约束通常是权重和满足特定条件，以保证估计值在统计意义上不偏离真实均值。不同类型的克里金，其约束表达会有所差异。约束条件是保证模型成立的基础，也是区别于一般加权平均的关键。
4.3 估计方差
除了给出预测值，克里金方法还会估计该预测值的不确定性。估计方差反映了模型对未知位置的信心程度，数值越小通常意味着预测越稳定。它使克里金不仅能回答“估计多少”，还能说明“估得有多可靠”。
4.3.1 克里金方差
克里金方差是与预测值配套输出的误差度量，来源于空间模型和权重计算。它不依赖于真实误差的直接观测，而是根据样本分布与相关结构推导得到。因为这一特性，它在理论上可用于比较不同位置的估计可信度。
4.3.2 误差不确定性解释
克里金方差并不等同于实际误差，但能提供一种关于预测不确定性的量化描述。方差较大时，通常表示该区域采样较稀疏或空间结构较复杂。实际应用中，研究者常结合验证数据来解读这一结果。
5 半变异函数建模
5.1 实验半变异函数
实验半变异函数是由样本数据直接计算得到的经验曲线，用于反映不同距离下的平均差异。它是理论建模的起点，通常先通过散点或分组统计形成粗略图形。随后再据此选择合适的理论模型进行拟合。
5.2 理论模型拟合
实验半变异函数往往带有噪声，因此需要用光滑的理论曲线加以近似。模型拟合的目标，是找到既符合数据特征又便于计算的表达式。常见模型包括球状、指数、高斯和线性等形式。
5.2.1 球状模型
球状模型在有限距离内逐渐上升，到达一定变程后趋于稳定。它常用于具有明显相关范围的空间现象。由于形态直观，这一模型在地学和环境数据中使用较多。
5.2.2 指数模型
指数模型在短距离内变化较快，之后逐步趋于平缓，但通常不存在严格的有限截断点。它适合描述相关性随距离持续衰减的情况。该模型的曲线较为柔和，应用也很普遍。
5.2.3 高斯模型
高斯模型在原点附近较平滑，适用于具有强连续性的空间过程。它常反映样本值在近距离上变化较为缓慢的特征。由于曲线平滑度较高，适合处理一些地形或物理场数据。
5.2.4 线性模型
线性模型表示半变异函数随距离近似线性增长，适用于没有明显平台或相关范围较长的情形。它相对简单，但并不总能捕捉复杂空间结构。实际使用时，往往作为较粗略的近似方案。
5.3 参数解释
理论半变异函数通常包含若干关键参数，用于描述空间结构特征。不同参数对应不同的地统计意义，决定了插值效果和误差估计质量。正确理解这些参数，是合理建模的重要前提。
5.3.1 块金效应
块金效应指的是半变异函数在距离接近零时仍表现出的非零值。它通常与测量误差、微尺度变化或采样过密而未观测到的局部差异有关。块金值越大，说明数据的微观不确定性越强。
5.3.2 基台
基台是半变异函数最终达到并稳定下来的水平，代表变量总体变异程度的上限。它可近似理解为当空间相关性消失后，样本差异所达到的稳定值。基台越高，说明整体波动可能越大。
5.3.3 变程
变程表示空间相关性大致能够维持的距离范围。超过这一距离后，样本之间的相关性通常明显减弱，甚至可视为近似独立。变程越大，说明变量影响的空间范围越广。
6 数据要求与预处理
6.1 采样设计
克里金插值对采样设计较为敏感，样点分布应尽量覆盖研究区域并兼顾稠密与稀疏区。若样点过于集中，模型可能难以反映整体空间结构。合理的采样布局有助于提高后续变异函数分析的稳定性。
6.2 异常值处理
异常值会显著影响半变异函数和权重计算，进而干扰插值结果。因此在建模前通常需要检查极端点是否由测量错误、录入问题或局部异常导致。必要时可采用剔除、修正或单独分析等方式处理。
6.3 空间平稳性检验
克里金分析通常要求数据在局部或广义意义上满足平稳性。若研究区存在明显趋势或方差变化，需先判断是否适合直接使用对应模型。平稳性检验有助于选择普通克里金、泛克里金或其他更合适的方法。
6.4 坐标系统与尺度统一
空间数据必须使用一致的坐标系统和尺度单位，否则距离计算会失真。经纬度、投影坐标和局部坐标之间不能直接混用。尺度统一后，空间关系才能被正确地转化为模型中的距离量。
6.5 数据变换与标准化
当原始数据分布偏态明显、方差不稳定或尺度差异较大时，常需要进行对数变换、平方根变换或标准化处理。这样做有助于改善模型拟合效果，并减少极端值带来的影响。完成预测后，也可能需要将结果再还原到原始尺度。
7 计算流程
7.1 数据探索
计算之前通常先对数据进行基本探索，包括分布形态、空间分布、异常点和趋势特征等。该步骤帮助研究者理解数据的总体特性，也为后续模型选择提供依据。若忽略这一环节，插值结果可能缺乏解释力。
7.2 变异函数分析
在初步了解数据后，需要计算实验半变异函数并观察其变化趋势。通过距离分组和方向分析，可以判断是否存在各向异性或不同空间尺度的结构。这个过程往往决定整个克里金分析的质量。
7.3 模型选择与拟合
根据实验半变异函数的形态，选择合适的理论模型并估计参数。模型拟合不仅要追求曲线贴合，还要考虑参数是否具有合理的地统计含义。实际工作中，常通过多种模型比较来确定最终方案。
7.4 插值预测
在模型确定后，即可对未知位置进行数值预测。系统会根据周围样本、空间距离和相关结构计算权重，再生成目标区域的估计面。若需要，还可同步输出预测方差图，以展示空间不确定性分布。
7.5 结果验证
插值结束后，通常要将预测值与保留样本或独立数据进行比较。验证不仅用于判断精度，也能反推模型是否存在系统偏差。若误差较大，往往需要重新调整变异函数或采样处理方式。
8 模型评价
8.1 交叉验证
交叉验证是检验克里金模型实用性的常用方法。它通过暂时隐藏部分样本，再用模型对这些点进行预测，从而评估泛化能力。相比只看拟合曲线，交叉验证更能反映真实应用中的表现。
8.1.1 留一法验证
留一法验证指每次去掉一个样本点，用其余数据进行预测，再与真实值比较。该方法适用于样本数量有限的情况，也便于逐点检查模型稳定性。若大多数预测都接近观测值，通常说明模型较为可靠。
8.1.2 预测误差分析
预测误差分析关注估计值与真实值之间的偏离程度及其分布特征。除了平均误差，还需查看误差是否存在方向性偏移或局部异常。通过这一分析，可以判断模型是否在某些区域系统性高估或低估。
8.2 精度指标
8.2.1 均方误差
均方误差用于衡量预测值与真实值差异的平方平均水平。它对较大误差更敏感，因此适合识别严重偏离的情况。数值越小，说明整体预测效果通常越好。
8.2.2 平均绝对误差
平均绝对误差反映误差的平均幅度，不会像均方误差那样过度放大小偏差。它在解释上较直观，能直接说明典型预测偏离程度。该指标常与其他指标配合使用。
8.2.3 偏差分析
偏差分析主要考察模型是否整体偏向高估或低估。若平均偏差接近零，通常说明估计在总体上较为无偏。若偏差明显，则可能需要重新检视模型假设或数据预处理步骤。
8.3 不确定性评估
不确定性评估是克里金区别于一般插值的重要部分。它不仅给出预测结果，还明确表达预测可信度在空间中的变化。对于风险管理、资源评价和环境决策，这一信息往往与预测值本身同样重要。
9 应用领域
9.1 矿产资源估计
克里金方法最早广泛用于矿产品位估计和储量推算。它可以帮助在有限钻孔数据基础上构建矿体的空间分布图。由于能够同时输出估计值和方差，因此特别适合资源量分级与风险判断。
9.2 土壤性质制图
在土壤学中，克里金可用于绘制土壤养分、含水量、酸碱度等空间分布图。该方法能够弥补采样点之间的空白区域，使土壤属性呈现连续空间格局。对于农业管理与土地评价，这类图件具有较高实用性。
9.3 水文与地下水分析
水文研究常用克里金估计地下水位、含水层属性或水质指标的空间变化。对于监测点分布不均的地区，它能够较好地重建整体场景。结合时间序列数据时，还可辅助分析动态变化趋势。
9.4 气象与气候空间估计
在气象和气候研究中，克里金可用于降水、气温、湿度和风速等变量的空间重建。它尤其适合站点稀疏、地形复杂或观测不连续的区域。通过构建空间分布图，可以更清楚地展示区域性差异。
9.5 环境污染监测
环境监测中常利用克里金插值绘制污染物浓度分布，如土壤污染、空气沉降或水体污染等。该方法能够识别潜在热点区域，并为治理优先级排序提供依据。由于能输出不确定性，它也适合用于风险分区。
9.6 遥感影像重建
在遥感处理中，克里金可用于缺失像元填补、低分辨率数据增强或局部重建。尤其在云遮挡、数据缺测或传感器噪声较强时，它能提供较稳定的空间估计。与其他图像重建方法结合后，常能提升影像连续性。
9.7 工程测量与地形建模
工程测量和地形建模常借助克里金重建高程、沉降或地表起伏。它可将离散测点转化为连续表面，从而支持线路设计、土方估算和变形监测。对于复杂地形，该方法通常优于简单平滑插值。
10 优缺点
10.1 优势
10.1.1 考虑空间相关性
克里金最大的优点之一，是将空间相关结构纳入估计过程。相比只看距离的办法，它更符合许多自然现象的实际规律，因此往往能获得更合理的结果。
10.1.2 可提供误差估计
该方法不仅输出预测值，还能同时给出不确定性度量。这使研究者能够区分“估计较准的区域”和“需要谨慎解释的区域”，在决策中具有额外价值。
10.1.3 适用范围广
克里金已从矿业扩展到环境、农业、气象、遥感和工程等多个领域。只要数据具有一定空间连续性，并能建立合理的相关模型，就有较大应用空间。
10.2 局限性
10.2.1 依赖模型假设
克里金的效果很大程度上取决于平稳性、变异函数和空间结构假设。若这些前提与实际数据偏离较大，预测质量就可能明显下降。
10.2.2 对异常值敏感
少数极端值可能扭曲半变异函数并影响权重计算。若不加处理，插值面可能出现局部失真，甚至导致错误的空间判断。
10.2.3 计算复杂度较高
当样本数量较大时，克里金需要求解较大的方程组，计算开销会显著增加。相比一些简单插值方法，它对算法效率和实现工具的要求更高。
11 软件与实现
11.1 常用统计软件
克里金分析可在多种统计软件中实现，例如专门的地统计工具包和通用统计平台。此类软件通常集成了变异函数计算、模型拟合和结果可视化功能，适合非编程用户快速上手。
11.2 地理信息系统中的实现
许多地理信息系统都提供空间插值模块，其中就包括克里金功能。用户可直接在地图界面中设定参数并生成结果图层，便于与其他空间数据叠加分析。对于制图和区域规划，这种方式较为方便。
11.3 编程语言与库
11.3.1 Python 实现
Python 中可以通过相关地统计库或结合数值计算、空间分析工具完成克里金插值。其优势在于流程灵活，适合自动化建模、批量处理和与机器学习方法结合。
11.3.2 R 实现
R 语言在地统计分析方面生态成熟，拥有较多专门包可用于变异函数建模和插值预测。其统计表达清晰，适合研究型分析和方法验证。
11.3.3 MATLAB 实现
MATLAB 常用于数值实验与工程计算，也可借助脚本和工具箱实现克里金分析。它在矩阵运算和可视化方面表现稳定，适合教学演示与原型开发。
12 相关概念
12.1 反距离加权法
反距离加权法是一种基于距离衰减的简单插值方法，权重通常与距离成反比。它不显式考虑空间相关模型，因此实现容易，但统计解释较弱。
12.2 样条插值
样条插值通过分段多项式构造平滑曲线或曲面，常用于生成连续、光滑的空间表面。它更重视形状连续性，而不直接提供像克里金那样的误差估计。
12.3 空间回归
空间回归是将空间依赖关系纳入回归分析的统计方法，常用于解释变量之间的空间结构。与克里金相比，它更偏向因果解释和变量关系建模，而非单纯的空间预测。
12.4 贝叶斯空间建模
贝叶斯空间建模将先验知识与观测数据结合，借助概率推断描述空间过程。它与克里金在处理不确定性方面有相通之处，但通常框架更灵活，也更适合复杂层级模型。