Доступно с лицензией Geostatistical Analyst.
Кригинг предполагает, что по крайней мере часть пространственных вариаций, наблюдаемых в природных явлениях, можно смоделировать при помощи случайных процессов с использованием пространственной автокорреляции, причем последняя должна быть смоделирована в явном виде. Приемы работы кригинга могут быть использованы для описания и моделирования пространственных структурных закономерностей, предсказывания значений в неизмеренных местоположениях, доступа погрешности, связанной с прогнозируемым значением в неизмеренных местоположениях.
Мастер Geostatistical Wizard предлагает несколько видов кригинга, которые подходят для различных типов данных и имеют различные базовые допущения:
- Ординарный кригинг
- Простой кригинг
- Универсальный кригинг
- Индикаторный кригинг
- Вероятностный кригинг
- Дизъюнктивный кригинг
- Эмпирический байесовский кригинг
- Площадная интерполяция
Данные методы используются для построения следующих поверхностей:
- Карты проинтерполированных значений кригинга
- Карты стандартных ошибок кригинга, связанных с прогнозируемыми значениями;
- Карты вероятности, которые указывают, был ли превышен предопределенный критический уровень или нет
- Карты квантилей для предопределенного уровня вероятности
Исключения
- Индикаторный и вероятностный типы кригинга, которые позволяет получать следующие типы представлений:
- Карты вероятности, которые указывают, был ли превышен предопределенный критический уровень или нет
- Карты стандартных ошибок индикаторов
- Площадная интерполяция, которая позволяет получать следующие типы представлений:
- Карты прогнозируемых значений
- Карты стандартных ошибок, связанных с проинтерполированными значениями
Существует несколько компонентов геостатистических моделей. Наиболее важное значение имеет проверка данных посредством исследовательского анализа пространственных данных (ESDA) и вариографии, а также построение модели кригинга в соответствии с потребностями (см. Что такое различные модели кригинга?); кроме того, необходимо убедиться в точности полученных результатов, выполнить перекрестную и обычную проверки и сравнить разные модели, чтобы выбрать наилучшую.