了解泛克里金法
需具备 Geostatistical Analyst 许可方可使用。
泛克里金法采用以下模型：
\(Z( \textbf{s} ) \space = \space µ( \textbf{s} ) \space + \space ε( \textbf{s} ),\)
其中，µ(s) 是某种确定性函数。 例如，下图中的数据与用于 普通克里金法 概念的数据相同，观测数据由实心圆指示。
二阶多项式为趋势（长虚线），即 µ(s)。 如果从原始数据中减去二阶多项式，则将得到误差 ε(s)，假设该误差随机。 所有 ε(s) 的平均值为 0。 从概念上讲，现在根据随机误差 ε(s) 来建模自相关。 当然，您也可以拟合线性趋势、三次多项式，或者任意数量的其他函数。 上图看起来就像任何基础统计学课程中的多项式回归。 事实上，这就是泛克里金法。 您正在使用以空间坐标作为解释变量的回归分析。 但是，可以将其建模为自相关，而非假设误差 ε(s) 独立。 建议与普通克里金法相同：无法仅根据数据来确定合适的分解方式。