Kriging ist komplexer als die NNI-DGM-Glättung. Diese Methode erfordert sowohl ein Modell der räumlichen Einheit oder eine Abhängigkeit (in Form einer Kovarianz oder eines Semivariogramms) als auch ein Muster der DGM-Daten, um den statistischen Trend zu ermitteln, auf dem die interpolierten/extrapolierten Punkte basieren.
Räumliche Prognosen mittels Kriging setzen sich aus zwei Schritten zusammen:
Sie müssen die Ausgabeposition der interpolierten Punkte auswählen. Vergewissern Sie sich, dass die erfassten Daten für die Position der interpolierten Punkte (Ausgabe) geeignet sind. Wählen Sie beispielsweise keine Punkte auf der anderen Seite des DGM aus, um einen Trend für die interpolierten/extrapolierten Punktpositionen zu ermitteln, da dieser Trend möglicherweise für diese nicht geeignet ist.
Um eine optimale Leistung zu erzielen, wird empfohlen, eine geringe Anzahl von Beispieldaten zu verwenden. Der Grund dafür ist, dass sich sowohl die Zeit für die Interpolation als auch die vom Algorithmus verwendete Größe des Arbeitsspeichers durch einen umfangreicheren Beispieldatensatz erhöht. Der Algorithmus verwendet eine Matrix mit einem Eintrag für jedes Punktepaar (N**2-Einträge, wobei n der Anzahl der Beispielpunkte entspricht). Diese Matrix wird zu einem späteren Zeitpunkt umgekehrt (N**3-Operationen). Um eine optimale Leistung zu erhalten, muss der Wert für n so gering wie möglich sein. Es werden maximal 200 Beispielpunkte empfohlen.
Die Semivarianz gibt den räumlichen Abhängigkeitsgrad zwischen Daten an. Der Umfang der Semivarianz zwischen Punkten hängt dabei vom Abstand zwischen den Punkten ab. Je kleiner der Abstand ist, um so geringer ist die Semivarianz. Dementsprechend ist bei großen Abständen auch die Semivarianz größer. Der Plot von Semivarianzen als eine Funktion des Abstands von einem Punkt wird als Semivariogramm bezeichnet.
Die Kriging-Methode bietet fünf Semivariogramm-Modelle:
Die Semivarianz nimmt mit zunehmendem Abstand bis zu einem bestimmten Punkt zu. Wenn ein bestimmter Abstand von dem Punkt erreicht wurde, entspricht die Semivarianz einem Mittelwert, d. h. sie nimmt nicht weiter zu. In diesem Fall wird auf dem Semivariogramm ein flacher Bereich angezeigt, der auch als Brüstung bezeichnet wird. Der Abstand zwischen dem ausgewählten Punkt und der Position, an der der flache Bereich beginnt, wird als Reichweite der regionalisierten Variable bezeichnet. Innerhalb dieses Bereichs besteht eine Beziehung zwischen den Positionen. Alle bekannten Daten in diesem Bereich (auch als Nachbarn bezeichnet) müssen bei der Prognose des unbekannten Punktes berücksichtigt werden.
Der unbekannte Wert liegt zumeist im Zentrum der Nachbarn. Um diesen Wert zu ermitteln, werden alle bekannten Werte in der Nachbarschaft mithilfe des Semivariogramms gewichtet. Diese Gewichtung und bekannten Werte werden anschließend zur Berechnung des unbekannten Werts verwendet.