本课的核心是教你如何使用克里金法，特别是普通克里金法，来创建一个比简单反距离加权法更精确、更可靠的网格。
（图片来源网络，侵删）
教程11：克里金法入门
本课目标
- 理解克里金法的基本概念：了解它是什么，以及为什么它比其他插值方法（如 IDW）更高级。
- 掌握普通克里金法的应用：学会在 Surfer 中使用普通克里金法创建网格。
- 分析克里金法生成的结果：学会解读克里金法生成的网格图、等高线图以及最重要的 误差/方差图。
- 比较不同插值方法：对比克里金法与反距离加权法 的结果差异。
核心概念解析
在开始操作前,我们先理解几个关键术语，这会让你事半功倍。
什么是克里金法？
克里金法是一种先进的插值技术,源自地质统计学，它的核心思想不仅仅是简单地根据周围点进行平均，而是：
- 考虑空间相关性：它假设距离较近的采样点比距离较远的采样点更相似，这种相关性由一个叫做半变异函数 的工具来量化。
- 提供误差估计：这是克里金法最强大的特点之一，它在估算未知点值的同时，会给出这个估算值的不确定性或可靠性，换句话说，它告诉你“我对这个点的估算有多大把握？”。
半变异函数
这是克里金法的“引擎”，你可以把它想象成一个工具，用来衡量数据点之间的“差异”如何随距离变化。
- 块金效应：当距离为零时，理论上半方差值也应为零，但在实际中，即使同一个位置多次测量也会有差异，或者存在微观尺度的变化，这个在零距离处的非零值就是块金效应，代表了测量误差和微观变异。
- 基台值：当距离足够大时，数据点之间不再相关，半方差会趋近于一个稳定的最大值，这个值就是基台值，它代表了整个研究区域的总变异。
- 变程：当两个点的距离达到这个值时，它们在空间上不再相关，变程决定了每个采样点影响的“半径”。
简单比喻：想象你在听一个嘈杂房间里的声音，离你很近的人（小距离），你能听清他们的声音（差异小），离你很远的人（大距离），他们的声音和背景噪音混在一起，你无法分辨（差异大），半变异函数就是描述这种“声音清晰度”如何随距离变化的数学模型。
（图片来源网络，侵删）
普通克里金法
这是最常用、最基础的克里金法，它假设在研究区域内，任意位置的未知值都是一个常数（均值）加上一个随机的、与空间位置相关的误差项，它不对数据的整体趋势（如趋势面）进行建模，只关注局部的空间相关性。
操作步骤详解
假设我们已经有了教程数据,通常是一系列带有 X, Y, Z 坐标的点数据文件（elev_pts.dat）。
使用普通克里金法创建网格
- 启动 Surfer，并打开工作区。
- 在菜单栏选择 网格 -> 数据...。
- 在弹出的“网格化数据”对话框中：
- 选择你的数据文件（
elev_pts.dat）。 - 关键一步：在“网格化方法”的下拉菜单中，选择 克里金法。
- 点击 高级... 按钮，这是进入克里金法核心参数的地方。
- 选择你的数据文件（
- 设置克里金法高级选项：
- 克里金类型：选择 普通。
- 半变异函数模型：Surfer 会根据你的数据自动拟合一个模型，你可以看到它选择的模型（如球状模型、指数模型、高斯模型）以及拟合的参数（块金、基台、变程），你可以手动调整这些参数来获得更好的拟合，但通常自动拟合的结果已经很不错了。
- 搜索半径：设置在估算每个网格节点时，要考虑的周围数据点的最大距离，你可以设置一个固定值，或者让程序自动计算。
- 点击 确定，返回到“网格化数据”主对话框。
- 设置网格化选项：你可以像往常一样设置网格的线数、X/Y 范围等。
- 点击 确定，Surfer 将开始使用克里金法计算网格文件，这个过程可能比 IDW 稍慢，因为它在计算半变异函数。
可视化克里金法的结果
克里金法不仅仅是生成一个网格文件,更重要的是它生成了一个包含方差信息的网格文件，这个文件通常比普通网格文件大一倍，因为它存储了每个点的估算值和对应的方差。
-
绘制等高线图/网格图：
（图片来源网络，侵删）- 使用新创建的克里金法网格文件（
elev_krig.grd）。 - 绘制等高线图或彩色网格图,你会发现，相比 IDW，克里金法生成的表面通常更平滑，尤其是在数据点稀疏的区域。
- 使用新创建的克里金法网格文件（
-
绘制误差/方差图（最重要的步骤！）：
- 关键操作：在“映射”菜单中，选择 新建等高线图 或 新建网格图。
- 在选择文件时,不要选择主网格文件，而是选择那个包含方差信息的网格文件，它的文件名通常会是
elev_krig_var.grd或者类似的（取决于你的设置）。 - 将这个方差图用一种不同的方式显示,
- 使用灰度色阶,因为方差是正值。
- 将其叠加在主网格图的下方,作为底图。
- 解读方差图：
- 低方差区域（深色）：表示这些位置的估算结果非常可靠，通常这些区域靠近原始数据点。
- 高方差区域（浅色/白色）：表示这些位置的估算结果不确定性很高，通常这些区域位于原始数据点的中间，或者远离任何数据点的边缘。
方差图是克里金法的精髓！ 它告诉你这张地图的哪些部分可以信任，哪些部分需要谨慎对待，甚至需要补充更多的数据。
克里金法 vs. 反距离加权法
| 特性 | 克里金法 | 反距离加权法 |
|---|---|---|
| 理论基础 | 基于统计和空间相关性，理论更严谨。 | 基于简单的几何距离，直观易懂。 |
| 输出结果 | 除了估算值，还提供方差/误差图。 | 只提供估算值，无法评估不确定性。 |
| 平滑度 | 生成的表面通常更平滑，尤其是在数据稀疏区。 | 在数据点处会形成“牛眼”效应，不够平滑。 |
| 权重计算 | 基于半变异函数，不仅考虑距离，还考虑数据的空间结构。 | 仅根据距离的幂次方计算，距离越近权重越大。 |
| 适用性 | 适用于大多数科学领域，特别是需要评估不确定性的情况。 | 适用于数据点分布均匀、且不需要误差估计的快速制图。 |
总结与提示
- 何时使用克里金法？ 当你的数据点分布不均匀，或者你需要科学地评估你生成的地图的可靠性时，克里金法是首选。
- 半变异函数是关键：花点时间理解并观察半变异函数的拟合情况，一个好的拟合是高质量克里金网格的基础。
- 永远查看方差图：不要只看最终的等高线图或网格图，一定要生成并分析方差图，它才是克里金法赋予你的“超能力”。
- 练习：尝试用同一组数据，分别用 IDW 和克里金法生成网格，然后对比它们的等高线图和克里金法的方差图，你会对两者的差异有一个直观的认识。
通过这节课的学习,你已经掌握了 Surfer 中最强大的插值工具之一，能够生成更科学、更专业的空间数据模型，恭喜你！
