Eine Klasse geostatistischer Interpolationsverfahren, die Werte an nicht beprobten Standorten anhand eines Modells räumlicher Kovarianz (Variogramm) vorhersagen, um beste lineare unverzerrte Schätzungen und zugehörige Vorhersagevarianzen zu liefern.

Prinzip

Modelliere räumliche Abhängigkeit mit einem Variogramm oder Kovarianzfunktion und berechne Gewichte, die die Schätzvarianz unter der Unverzerrtheitsbedingung minimieren (Ordinary, Simple, Universal Kriging spiegeln unterschiedliche Annahmen zu Mittelwert und Trend wider).

Demonstration

Verwende Ordinary Kriging mit empirisch angepasstem Variogramm zur Schätzung von Bodenkontaminantenkonzentrationen auf einem Sanierungsgebiet, was Vorhersagekarten und Kriging‑Varianz liefert, die zusätzliche Probennahme und Risikobewertung leiten.

Fehlanwendung

Variogramme aus unzureichenden oder stark gruppierten Daten anpassen ohne Stationaritäts‑ bzw. Anisotropietests, oder Kriging anwenden, wenn die zugrunde liegenden Annahmen (Zweitrangs‑Stationarität oder intrinsische Stationarität) verletzt sind, was zu verzerrten Vorhersagen und überoptimistischen Varianzschätzungen führt.

Konsequenz

Bietet statistisch fundierte Vorhersagen mit quantifizierter Unsicherheit und ermöglicht robustere Risikoabschätzungen, Probenahmeoptimierung und Ressourcenschätzung, sofern Variogrammmodellierung und Diagnostik korrekt durchgeführt werden.

Umkehrung

Kriging durch deterministische Interpolatoren (z. B. IDW, Spline) zu ersetzen, entfernt das formale Fehlermodell und die Optimalität unter dem gewählten Kovarianzmodell und tauscht quantifizierte Unsicherheit gegen einfachere, oft ad‑hoc Schätzungen ein.

Abgrenzung

Erfordert ausreichende räumliche Daten zur zuverlässigen Variogrammschätzung und eine Prüfung der Annahmen zu Stationarität und Trend; ungeeignet, wenn die Kovarianzstruktur nicht abschätzbar ist oder nicht‑stationäre, prozessgetriebene Variabilität ohne Transformation vorherrscht.

Semantische Spannung

Im Gegensatz zu deterministischen Methoden betont Kriging die modellbasierte Unsicherheitsquantifizierung und die optimale lineare Vorhersage unter Kovarianzannahmen, während deterministische Verfahren Einfachheit ohne formale Vorhersagevarianten bevorzugen.

Synthese

Kriging ist ein geostatistisches Konzept, das empirische Kovarianzmodellierung nutzt, um Minimum‑Varianz‑lineare Vorhersagen und explizite Unsicherheitsmaße zu liefern; es ist am leistungsfähigsten, wenn Daten die Variogrammschätzung unterstützen und diagnostische Prüfungen die Modellannahmen bestätigen.