Geostatistical Analyst 提供的插值方法的分类树

需具备 Geostatistical Analyst 许可方可使用。

您必须做出的最重要决策之一是明确开发插值模型的目标。 换句话说，您需要模型提供哪些信息来支持您做出决策？ 例如，在公共卫生领域，插值模型用于预测可与疾病发生率具有统计相关性的污染物水平。 基于该信息，可以设计进一步的采样研究，制定公共卫生政策等等。

Geostatistical Analyst 提供许多不同的插值方法。 每种方法都有独特的特性，并提供不同的信息（在某些情况下，一些方法提供的信息相似；在其他情况下，信息可能大相径庭）。 下图演示的这些方法根据不同条件进行分类。 选择一个针对特定情况非常重要的条件，以及对应树中代表您感兴趣的选项的分支。 这将引导您找到一种或多种适合您的情况的插值方法。 很可能需要同时满足几个重要标准，并使用多个分类树。 比较您所随沿的每个树枝推荐的插值方法，并挑选几种方法进行对比，然后再决定最终模型。

第一棵树建议的方法基于其生成预测或预测和相关误差的能力。

有些方法需要空间自相关模型才能生成预测值，但另一些则不需要。 要对空间自相关进行建模，需要定义额外的参数值，并以交互的方式将模型拟合到数据中。

不同的方法会生成不同类型的输出，因此必须在构建插值模型前决定需要生成的信息类型。

插值方法的复杂度各不相同，可通过模型有效时必须成立的假设数进行衡量。

有些插值器精确（在每个输入数据位置，表面值与输入数据值完全相同），而有些则不精确。 在某些情况下，可能需要精确复制输入数据。

某些方法生成的表面比其他方法更平滑。 例如，径向基函数在构造上即具备平滑性。 使用平滑搜索邻域时，将生成比标准搜索邻域更平滑的表面。

对于某些决策，不仅需要考虑某一位置的预测值，还要考虑与该预测相关的不确定性（变异性）。 有些方法提供不确定性测量值，而另一些则不提供。

最后，可能需要在分析中考虑处理速度因素。 通常，大多数插值方法相对较快，除非使用障碍来控制插值过程。

分类树使用以下缩写表示插值方法：

缩写	方法名称
GPI	全局多项式插值法
LPI	局部多项式插值法
反距离权重法	反距离权重法
RBF	径向基函数插值法
KSB	含障碍的核插值法
DKB	含障碍的扩散插值法
克里金法	普通克里金法、简单克里金法、泛克里金法、指示克里金法、概率克里金法、析取克里金法、经验贝叶斯克里金法和 EBK 回归预测
模拟	高斯地统计模拟，基于简单克里金法模型