了解泛克里金法

泛克里金法假设模型为

Z(s) = µ(s) + ε(s),

其中 µ(s) 为某些确定性函数。例如，下图中使用了和普通克里金法概念所使用的相同的数据，观测数据以实心圆的形式给出。

二阶多项式为趋势（长虚线）为 µ(s)。如果从原始数据减去二阶多项式将得到误差 ε(s)，并假设该误差是随机的。所有 ε(s) 的平均值为 0。从概念上讲，自相关现在通过随机误差 ε(s) 来建模。当然，也可以拟合线性趋势、三阶多项式或任何数目的其他函数。上图看上去就像基础统计课程的多项式回归。实际上其为泛克里金法。使用作为解释变量的空间坐标进行回归。但是，没有假设误差 ε(s) 是独立的，而是将它们建模为自相关的。对泛克里金法的建议和普通克里金法的建议相同：只根据数据是无法确定的，还需要采用适当的分解。

泛克里金法可以使用半变异函数或协方差（用于表达自相关的数学形式）和变换，并且允许测量误差。