Доступно с лицензией Geostatistical Analyst.
Универсальный кригинг использует модель
Z(s) = µ(s) + ε(s),где µ(s) ― это некая детерминированная функция. Например, на следующем рисунке, где содержатся те же данные, которые использовались для ординарного кригинга, наблюдаемые данные обозначены сплошными кружками.
Полином второго порядка - это тренд (длинная пунктирная линия), который равен µ(s). Если вы вычтете полином второго порядка из исходных данных, то получите ошибки, ε(s), которые считаются случайными. Среднее значение всех ε(s) равно 0. Концептуально, автокорреляция теперь моделируется на основе случайных ошибок ε(s). Конечно, вы могли бы использовать линейный тренд, кубический полином или любое количество других функций. Приведенный выше рисунок выглядит точно так же, как полиномиальная регрессия из любого базового курса статистики. На самом деле, это и есть универсальный кригинг. Вы выполняете регрессию с пространственными координатами в качестве описательных переменных. Однако вместо того, чтобы предполагать, что ошибки ε(s) независимы, вы моделируете их как автокоррелированные. Совет тот же, что и для ординарного кригинга: невозможно принять решение о правильной декомпозиции, основываясь только на данных.
Универсальный кригинг может использовать как вариограммы или ковариации (математические формы, используемые для выражения автокорреляции), использовать преобразования и допускать погрешность измерений.