Geostatistical Analyst のライセンスで利用可能。
確率クリギングは以下のモデルを仮定します。
I(s) = I(Z(s) > ct) = µ1 + ε1(s) Z(s) = µ2 + ε2(s)ここで、µ1 と µ2 は未知定数、I(s) は閾値指標変数 I(Z(s) > ct) を使用して作成された 2 値変数です。
ランダム誤差には ε1(s) と ε2(s) の 2 つのタイプがあるため、それぞれの自己相関と両者の間の相互相関があります。 確率クリギングは指標クリギングと同じ処理を行いますが、精度を上げるためにコクリギングを使用します。
たとえば、以下の図では、通常クリギング、普遍クリギング、単純クリギング、指標クリギングの説明と同じデータが使用され、Z(u=9) のラベルが付いたデータムの指標変数は I(u) = 0、Z(s=10) のラベルが付いた指標変数は I(s) = 1 となります。
この中間の x 座標 9.5 で値を推定する場合、指標クリギングだけでは推定値はほぼ 0.5 になります。 しかし、Z(s) は閾値のすぐ上にありますが、Z(u) は閾値よりかなり下の位置にあります。 このため、位置 9.5 における指標変数の推定値は 0.5 未満になると信じる一定の根拠があります。 確率クリギングでは、2 値変数以外の元データに含まれる情報が利用されます。 しかしながら、これには代償が伴います。 各変数の自己相関や相互相関の推定など、より多くの推定を行う必要があります。 未知の自己相関パラメーターを推定するたびに不確実性が増えるため、確率クリギングには作業が増える程の価値はないかもしれません。
確率クリギングでは、セミバリオグラムまたは共分散 (自己相関を表す数学形式) のいずれか、相互共分散 (相互相関を表す数学形式)、および変換を使用できますが、測定誤差は許容されません。