Кригинг

Кригинг (также кригинг-интерполяция, геостатистическое оценивание) — это группа методов интерполяции пространственных данных, основанных на статистической модели пространственной корреляции (вариограмме). В отличие от детерминистских методов (например, обратных взвешенных расстояний), кригинг не только вычисляет прогнозное значение в неизмеренной точке, но и оценивает погрешность этого прогноза (дисперсию кригинга). Метод широко применяется в геостатистике, горном деле, экологии, метеорологии и других областях, где требуется восстановление непрерывного поля по дискретным измерениям.

История

Метод был разработан южноафриканским горным инженером Дэниелом Герхардусом Криге (Daniel Gerhardus Krige) в 1950-х годах для оценки запасов золота в рудниках Витватерсранда. Криге заметил, что традиционные методы усреднения проб дают систематические ошибки при оценке содержания металла в блоках руды, и предложил использовать весовые коэффициенты, зависящие от расстояния и пространственной структуры данных.

В 1960-х годах французский математик Жорж Матерон (Georges Matheron) формализовал идеи Криге в рамках теории регионализованных переменных и заложил основы современной геостатистики. Он ввёл понятие вариограммы, определил условия стационарности и вывел уравнения для оптимального оценивания. Матерон назвал метод «кригингом» в честь Криге.

В последующие десятилетия кригинг был обобщён на случай нестационарных полей (универсальный кригинг), многомерные данные (кокригинг), нелинейные преобразования (логарифмический, индикаторный кригинг) и байесовские подходы. С развитием вычислительной техники метод стал доступен для больших наборов данных и вошёл в стандартные пакеты геостатистического анализа (например, GSLIB, SGeMS, R-пакет gstat).

Теоретические основы

Регионализованная переменная

Кригинг оперирует понятием регионализованной переменной — случайной функции \( Z(x) \), где \( x \) — координаты в пространстве. Реализация этой функции (измеренные значения) считается одной из возможных. Предполагается, что \( Z(x) \) удовлетворяет условию стационарности второго порядка: математическое ожидание постоянно, а ковариация зависит только от расстояния между точками.

Вариограмма

Центральный инструмент кригинга — вариограмма \( \gamma(h) \), которая описывает среднее квадратичное различие между значениями в точках, разделённых вектором \( h \):

\[ \gamma(h) = \frac{1}{2} \mathbb{E}[(Z(x+h) - Z(x))^2] \]

Эмпирическая вариограмма строится по данным, затем подбирается теоретическая модель (сферическая, экспоненциальная, гауссова, степенная и др.). Параметры модели (наггет, порог, дальность) определяют структуру пространственной изменчивости.

Уравнения кригинга

Для оценки значения в точке \( x_0 \) по \( n \) измерениям \( Z(x_i) \) строится линейная комбинация:

\[ \hat{Z}(x_0) = \sum_{i=1}^n \lambda_i Z(x_i) \]

Веса \( \lambda_i \) находятся из условия несмещённости (сумма весов равна 1) и минимума дисперсии ошибки. Для простого кригинга (известное среднее) система уравнений решается через ковариационную матрицу. Для ординарного кригинга (неизвестное среднее) добавляется множитель Лагранжа.

Виды кригинга

Ординарный кригинг

Наиболее распространённый вариант. Предполагает, что среднее значение поля неизвестно, но постоянно. Используется для оценки в точках или блоках.

Простой кригинг

Требует знания среднего значения поля. Даёт более точные оценки, если среднее известно априори, но на практике применяется реже из-за сложности его определения.

Универсальный кригинг

Обобщение на случай нестационарного поля, где среднее меняется как полиномиальная функция координат (тренд). Тренд моделируется вместе с остаточной вариограммой.

Индикаторный кригинг

Применяется для оценки вероятности превышения порога. Данные преобразуются в бинарные индикаторы (0/1), затем интерполируются. Используется в задачах классификации и оценки рисков.

Кокригинг

Многомерное расширение, учитывающее корреляцию между несколькими переменными. Позволяет использовать вспомогательные данные (например, плотность породы для оценки содержания металла).

Логарифмический кригинг

Применяется для логарифмически нормальных распределений. Данные логарифмируются, интерполируются, затем результат обратно преобразуется с поправкой на смещение.

Применение

Горное дело

Оценка запасов полезных ископаемых, моделирование рудных тел, планирование горных работ. Кригинг позволяет минимизировать риск ошибки при подсчёте среднего содержания в блоке.

Экология и почвоведение

Картирование загрязнений (тяжёлые металлы, пестициды), оценка плодородия почв, моделирование распространения видов. Кригинг даёт карты с указанием погрешности, что важно для принятия решений.

Метеорология и климатология

Интерполяция осадков, температуры, давления по данным метеостанций. Универсальный кригинг учитывает высоту местности как тренд.

Нефтегазовая геология

Построение трёхмерных моделей коллекторов, оценка пористости и проницаемости. Кокригинг с сейсмическими данными повышает точность.

Сельское хозяйство

Точное земледелие: картирование урожайности, влажности, содержания питательных веществ. Кригинг помогает оптимизировать внесение удобрений.

Преимущества и ограничения

Преимущества

• Оценка погрешности (дисперсия кригинга) — уникальная особенность, отсутствующая у детерминистских методов.
• Учёт пространственной структуры данных через вариограмму.
• Несмещённость и минимальная дисперсия ошибки при выполнении предположений.
• Гибкость: множество вариантов для разных типов данных.

Ограничения

• Требует стационарности (или её моделирования), что не всегда выполняется.
• Вычислительная сложность: обращение ковариационной матрицы размером \( n \times n \) может быть затратным для больших наборов данных (более 10⁴ точек).
• Чувствительность к выбору модели вариограммы — неправильный подбор ведёт к смещённым оценкам.
• Не учитывает нелинейные зависимости между переменными без специальных модификаций.

Интересные факты

• Название «кригинг» происходит от фамилии Криге, но сам метод был предложен Матероном, который ввёл термин «krigeage» (фр.) в честь своего предшественника.
• В англоязычной литературе встречается написание «kriging» (без «g»), но в русскоязычной традиции закрепилось «кригинг».
• Кригинг является частным случаем гауссовского процесса (Gaussian process regression) в машинном обучении, но с акцентом на пространственную статистику и вариограмму.
• В 2010-х годах появились методы аппроксимации кригинга для больших данных (например, фиксированный ранг кригинг, ковариация таперного типа), позволяющие работать с миллионами точек.

Источники

• Matheron, G. (1963). Principles of geostatistics. Economic Geology, 58(8), 1246–1266.
• Krige, D. G. (1951). A statistical approach to some basic mine valuation problems on the Witwatersrand. Journal of the Chemical, Metallurgical and Mining Society of South Africa, 52(6), 119–139.
• Cressie, N. (1993). Statistics for Spatial Data. Wiley.
• Journel, A. G., & Huijbregts, C. J. (1978). Mining Geostatistics. Academic Press.
• Webster, R., & Oliver, M. A. (2007). Geostatistics for Environmental Scientists. Wiley.