クリギングは、自然近隣補間よりも複雑です。内挿または外挿ポイントの基準となる統計から傾向を判断するには、空間連続性のモデル、(共分散またはセミバリオグラムでの)依存、およびサーフェス データの抽出のいずれもが必要です。
クリギングを使用した空間予測には、次の 2 つの手順が含まれます。
内挿ポイントの出力位置を選択する必要があります。抽出データが内挿ポイントの位置(出力)に対して適切であることを確認します。たとえば、内挿または外挿ポイントの位置の傾向を判定する場合には、傾向が内挿または外挿ポイントの位置に対して適切でないことがあるため、サーフェスの反対側のポイントを選択しないようにします。
最高のパフォーマンスを得るには、抽出データ セットを小さいままにしておくことをお勧めします。これは、補間に要する時間と、アルゴリズムによって使用されるメモリ容量の両方が、抽出セット サイズに応じて非常に急速に増加するためです。アルゴリズムは、ポイントの各ペアに対して 1 要素の行列を使用します(N**2 要素、ここで N はサンプル ポイントの数)。後で、この行列は反転されます(N**3 の操作)。したがって、最適なパフォーマンスを得るためには、N を小さくしておくことが重要です。サンプル ポイントは、200 以下をお勧めします。
セミバリアンスは、抽出間の空間依存の程度の測定単位です。ポイント間のセミバリアンスの大きさは、ポイント間の距離によって異なります。距離が狭くなるとセミバリアンスが小さくなり、距離が広くなるとセミバリアンスが大きくなります。ポイントからの距離の相関としてセミバリアンスをプロットしたものは、セミバリオグラムと呼ばれます。
クリギング法には、5 つのセミバリオグラム モデルがあります。
距離が広くなるにつれてセミバリアンスが増加し、ポイントから一定の距離に達すると、セミバリアンスが平均値前後の分散と等しくなってそれ以上増加しなくなり、セミバリオグラムにシルと呼ばれる平面が生じます。該当するポイントから平面が始まる場所までの距離は、リージョン化変数の範囲と呼ばれます。この範囲内では位置が互いに関連し、不明なポイントを推定する場合には、近隣とも呼ばれる、このリージョンに含まれる既知のすべての抽出も考慮する必要があります。
通常、近隣の中心は、不明な値です。この値を求めるために、セミバリオグラムを使用して、近隣内の既知のすべての値に加重値が割り当てられます。これらの加重値と既知の値は、不明な値の計算に使用されます。