優內插法。克里金法廣泛地套用於地下水模擬、土壤製圖等領域，是一種很有用的地質統計格網化方法 它
首先考慮的是空間屬性在空間位置上的變異分布．確定對一個待插點值有影響的距離範圍，然後用此範圍
內的採樣點來估計待插點的屬性值。該方法在數學上可對所研究的對象提供一種最佳線性無偏估計(某點
處的確定值)的方法。它是考慮了信息樣品的形狀、大小及與待估計塊段相互間的空間位置等幾何特徵以
及品位的空間結構之後，為達到線性、無偏和最小估計方差的估計，而對每一個樣品賦與一定的係數，最後
進行加權平均來估計塊段品位的方法。但它仍是一種光滑的內插方法 在數據點多時，其內插的結果可信
度較高 。
克里金法類型分常規克里金插值(常規克里金模型／克里金點模型)和塊克里金插值。常規克里金插值
其內插值與原始樣本的容量有關，當樣本數量較少的情況下，採用簡單的常規克里金模型內插的結果圖會
出現明顯的凹凸現象；塊克里金插值是通過修改克里金方程以估計子塊B內的平均值來克服克里金點模
型的缺點，對估算給定面積實驗小區的平均值或對給定格網大小的規則格網進行插值比較適用。塊克里金
插值估算的方差結果常小於常規克里金插值，所以，生成的平滑插值表面不會發生常規克里金模型的凹凸
現象。按照空間場是否存在漂移(drift)可將克里金插值分為普通克里金和泛克里金，其中普通克里金
(Ordinary Kriging簡稱OK法)常稱作局部最優線性無偏估計．所謂線性是指估計值是樣本值的線性組
合，即加權線性平均，無偏是指理論上估計值的平均值等於實際樣本值的平均值，即估計的平均誤差為0，
最優是指估計的誤差方差最小。
不同的克里金模型
克里金方法依賴於數學模型和統計模型。通過添加包含機率的統計模型，可將克里金方法從空間插值的確定性方法中描述的確定性方法中分離出來。對於克里金法，您會將某種機率與預測值相關聯;也就是說，這些值不能完全基於統計模型進行預測。以在某一地區測得的氮值這一樣本為例。顯然，即使樣本很大，您也無法預測某個未測量位置處的準確氮值。因此，您不但要嘗試預測該值，而且還要評估預測的誤差。
克里金方法依賴於自相關概念。相關性通常被視為兩種變數相關的趨勢。例如，股票市場在利率降低時傾向於上漲，所以稱其為負相關。但是，股票市場屬於正向自相關，也就是說股票市場本身存在相關性。股票市場中，相隔一天的兩個值比相隔一年的兩個值更加相似。這與地理的基本原則相關，即距離較近的事物要比距離較遠的事物更相似。相關性衰減的比率可表示為距離的函式。
自相關是距離的函式。這是地統計的定義功能。在經典統計法中，假定觀測值是獨立的，也就是說觀測值間不存在相關性。在地統計中，使用空間位置的相關信息可以計算觀測值間的距離並將自相關建模為距離的函式。
另請注意，股票市場通常隨時間變化而上漲，其術語名詞為趨勢。地統計數據中也有相同的項，它們用下面的簡單數學公式來表示：
Z(s)=µ(s)+ε(s),
其中，Z(s)是感興趣變數，可分解成確定性趨勢µ(s)和隨機的自相關誤差形式ε(s)。符號s僅標識位置;可將其視為包含空間x(經度)和y(緯度)坐標。基於此公式的各種變形構成了不同克里金法的基礎。先看公式的右側部分，然後再看公式的左側部分。
無論模型中的趨勢如何複雜，仍無法完全預測µ(s)。在這種情況下，需要對誤差項ε(s)做出一些假設;即，您希望它們為0(通常情況)並且ε(s)與ε(s+h)間的自相關不依賴於實際位置s，而僅依賴於兩者之間的位移h。這對於確保重複性以估算自相關函式很有必要。
假設由箭頭連線的一對位置處的隨機誤差具有相同的自相關。
接下來，檢查趨勢。趨勢可以是簡單的常數，即對於所有位置s，µ(s)=m;如果µ未知，則此模型就是普通克里金法所依據的模型。趨勢也可以由空間坐標本身的線性函式構成，例如：
µ(s)=ß0+ß1x+ß2y+ß3x2+ß4y2+ß5xy,
這是二階多項式趨勢表面，並且僅關於空間x坐標和y坐標線性回歸。如果趨勢不同並且回歸係數未知，則這類趨勢可構成泛克里金法的模型。只要趨勢完全已知(即已知所有參數和協變數)，無論其是否為常數，該趨勢都會構成簡單克里金法的模型。
現在，請看分解式Z(s)=µ(s)+ε(s)的左側。Z(s)可執行變換。例如，可將該項更改為指示變數，也就是說，Z(s)小於某值(例如，臭氧濃度0.12ppm)時，指示變數為0，而該項大於某值時，指示變數為1。您可能需要預測Z(s)大於閾值的機率，此時，基於此模型的預測值便構成了指示克里金法。您可以構建Z(s)的常規不確定變換，並稱其為第i個變數的fi(Z(si))。您可以基於變數的函式構建預測因子，例如，如果您要對位置s0進行預測，則使用數據fi(Z(si))構建析取克里金法預測因子g(Z(s0))。
最後，請考慮以下情況：您具有多種變數類型，並且要為第j種變數類型構建模型Zj(s)=µj(s)+εj(s)。此時，您可以考慮每個變數的不同趨勢，對於兩種變數類型來說，除了誤差εj(s)的自相關外，誤差εj(s)與εk(s)之間還存在互相關。例如，您可以考慮兩個變數(例如，臭氧濃度和微粒物質)間的互相關，並且這兩個變數不需要在相同位置進行測量。基於多個感興趣變數的模型便構成了協同克里金法的基礎。您可以構建Z(s)的指示變數，如果使用協同克里金法模型中原始的未轉換數據Z(s)來預測指示變數，將獲得機率克里金法。如果存在多個感興趣變數，則可將普通協同克里金法、泛協同克里金法、簡單協同克里金法、指示協同克里金法、機率協同克里金法和析取協同克里金法視為之前描述的各種不同克里金法的多變數擴展。
