Доступно с лицензией Geostatistical Analyst.
Индикаторный кригинг использует модель
I(s) = µ + ε(s),где µ - это неизвестная константа, а I(s) - это двоичная переменная. Создание двоичных данных может осуществляться путем использования порогового значения для непрерывных данных, или же наблюдаемые данные могут быть равны 0 или 1. Например, у вас может быть выборка, содержащая информацию о том, является ли точка лесной или нелесной средой обитания, где двоичная переменная указывает на принадлежность к классу. Используя двоичные переменные, индикаторный кригинг выполняется так же, как и ординарный кригинг.
На следующем рисунке данные были преобразованы в двоичные значения с использованием порогового значения, показанного в разделе Понятие о пороговых значениях.
Наблюдаемые двоичные данные представлены открытыми квадратами. Пунктирной линией показано неизвестное среднее значение для всех индикаторных переменных, равное µ. Это можно сравнить с ординарным кригингом. Как и при ординарном кригинге, вы предполагаете, что ε(s) автокоррелировано. Обратите внимание, что, поскольку индикаторные переменные равны 0 или 1, интерполяции будут находиться в диапазоне от 0 до 1, а прогнозы, полученные с помощью индикаторного кригинга, могут интерпретироваться как вероятности того, что переменная равна 1 или относится к классу, обозначенному 1. Если бы для создания индикаторной переменной использовалось пороговое значение, то результирующая карта интерполяции показывала бы вероятности превышения (или нахождения ниже) порогового значения.
Вы можете создать несколько индикаторных переменных для одного и того же набора данных, выбрав несколько пороговых значений. В этом случае одно пороговое значение создает первичную индикаторную переменную, а другие индикаторные переменные используются в качестве вторичных переменных при кокригинге.
Индикаторный кригинг может использовать как вариограммы или ковариации, которые являются математическими формами, используемыми для выражения автокорреляции.