Disponible con una licencia de Geostatistical Analyst.
El cokriging utiliza información sobre varios tipos de variables. La variable principal de interés es Z1 y se utilizan tanto la autocorrelación para Z1 como las correlaciones cruzadas entre Z1 y los demás tipos de variables para obtener mejores predicciones. El uso de información de otras variables resulta atractivo para hacer predicciones, aunque supone un coste. El cokriging requiere mucha más estimación, incluida la estimación de la autocorrelación para cada variable y para todas las correlaciones cruzadas. Teóricamente, no puede hacer nada peor que el kriging ya que, si no hay correlación cruzada, puede retroceder en la autocorrelación para Z1. Sin embargo, cada vez que decide estimar parámetros de autocorrelación desconocidos, introduce más variabilidad, de modo que las ganancias de la precisión de las predicciones pueden no merecer el esfuerzo adicional.
El cokriging ordinario presupone los dos modelos siguientes:
Z1(s) = µ1 + ε1(s)Z2(s) = µ2 + ε2(s),donde µ1 y µ2 son constantes desconocidas.
Tenga en cuenta que ahora tiene dos tipos de errores aleatorios, ε1(s) y ε2(s), de modo que existe autocorrelación para cada uno de ellos y la correlación cruzada entre ellos. El cokriging ordinario intenta predecir Z1(s0), al igual que el kriging ordinario, pero usa la información del covariante Z2(s) en un intento de mejorar los resultados. Por ejemplo, la figura siguiente tiene los mismos datos que se utilizaron para el kriging ordinario y solo se agrega una segunda variable.
Observe que tanto Z1 como Z2 aparecen autocorrelacionados. Observe también que, si Z1 está por debajo de su valor medio µ1, Z2 suele estar por encima de su valor medio µ2 y viceversa. Por tanto, Z1 y Z2 parecen presentar una correlación cruzada negativa. En este ejemplo, cada ubicación s tenía tanto Z1(s) como Z2(s); sin embargo, no es necesario que así sea; cada tipo de variable puede tener su propio conjunto de ubicaciones únicas. La variable principal de interés es Z1 y se utilizan tanto la autocorrelación como la correlación cruzada para hacer mejores predicciones.
Los otros métodos de cokriging (universal, simple, indicador, probabilidad y disyuntivo) son generalizaciones de los métodos precedentes para el caso en el que se dispone de varios datasets. Por ejemplo, el cokriging de indicador se puede implementar utilizando varios umbrales para sus datos y, a continuación, utilizando los datos binarios de cada umbral para predecir el umbral de interés principal. Por tanto, es similar al kriging de probabilidad, pero puede ser menos sensible a los valores atípicos y a otros datos erráticos.
Al realizar un cokriging ordinario, simple o universal, se pueden utilizar los semivariogramas o covarianzas (las formas matemáticas utilizadas para expresar autocorrelación), las transformaciones, la eliminación de tendencia y el error de medición.