Geostatistical Analyst 中提供的插值方法分类树

需要 Geostatistical Analyst 许可。

您必须要做的最重要决定之一就是确定开发插值模型的目标。换句话说，在您做出决定之前，需要模型提供什么信息？ 例如在公共卫生区域中，插值模型用于预测在统计意义上可与发病率产生关联的污染物等级。根据该信息可进一步设计采样研究和制定公共卫生政策等。

Geostatistical Analyst 提供多种不同的插值方法。每种方法都有独一无二的特征并提供不同的信息（某些情况下，各种方法提供相似的信息；另外一些情况下，信息可能有很大的差异）。下图显示了根据不同条件分类的方法。选择一个对您的特定情况比较重要的条件，然后在对应的树中选择一个代表您所关注的选项的分支。这可产生可能适用于您的情况的一种或多种插值方法。您很可能需要满足多种重要条件并将使用多种分类树。在确定最终模型之前，对查看的每一树分枝所建议的插值方法进行比较，然后再选择一些方法进行进一步比较。

第一棵树根据生成预测结果的能力或预测结果及相关误差建议方法。

有些方法需要空间自相关模型才能生成预测值，而有些方法则不需要。构建空间自相关模型需要定义附加参数值并根据数据交互式拟合模型。

不同的模型生成不同类型的输出，这也是为什么在构建插值模型之前必须决定需要生成何种信息类型的原因。

插值方法因自身的复杂程度而异，而复杂程度则通过有效模型所要求满足的假设数量来衡量。

一些插值器是精确的（在每个输入数据位置，表面值都与输入数据值完全相同），而其他一些则不是。在某些情况下，输入数据的精确复制可能非常重要。

某些方法可生成比其他方法更为平滑的表面。例如，径向基函数的构造很平滑。使用平滑搜索邻域可生成比标准搜索邻域更为平滑的表面。

对于某些决策，不仅要考虑某一位置的预测值，而且还要考虑与该预测关联的不确定性（可变性），这一点很重要。有些方法提供不确定性的度量，而其他一些则不提供。

最后，处理速度也可能是分析中的一个因素。通常，大多数插值方法都相对较快，除非使用障碍控制插值过程。

分类树使用以下插值方法缩写：

缩写	方法名称
GPI	全局多项式插值法
LPI	局部多项式插值法
反距离权重法	反距离权重法
RBF	径向基函数插值法
KSB	含障碍的核插值法
DKB	含障碍的扩散插值法
克里金法	普通克里金法、简单克里金法、泛克里金法、指示克里金法、概率克里金法、析取克里金法、经验贝叶斯克里金法和 EBK 回归预测
模拟	高斯地统计模拟，基于简单克里金模型