Dr. sc. Tomislav MALVIĆ, dipl. ing. geol.

KRIGING

GEOSTATISTIČKA INTERPOLACIJSKA METODA

2. izdanje

Zagreb, 2005.
 Priredio
Dr. sc. Tomislav Malvić, dipl. ing. geol.
Jablanska 24, 10000 Zagreb, Hrvatska
e-mail: tomislav.malvic@zg.t-com.hr

Objavljeno na internetskim stranicama Hrvatskog geološkog društva (2008.)

te autorovim privatnim stranicama (www.mapconsult.net , 2005.)

Autorska prava
Pretiskivanje i umnažanje dopušteno je samo uz naznaku izvora, a tiskanje i distribucija više od
10 primjeraka, od strane pojedine fizičke ili pravne osobe samo uz pismeno dopuštenje autora

2
 ZAHVALA

Zahvaljujem dr. sc. Žarku PRNIĆU, našem eminentnom matematičaru i fizičaru, na vremenu što
je nesebično odvojio te dobroj volji i trudu uloženim u pregled teksta i davanje korisnih
napomena. Sve to pomoglo mi je razumijeti bitan dio temeljnih matematičkih osnova kriginga.

Također hvala Dubravku MALVIĆU, glavnome uredniku brojnih izdanja Hrvatske zajednice
tehničke kulture na lektoriranju te općenito podizanju jezične i stilske kvalitete rada.

3
 SADRŽAJ

1. UVOD ......................................................................................................................................... 5
2. SVOJSTVA KRIGINGA ............................................................................................................ 5
3. MATEMATIČKE OSNOVE ...................................................................................................... 7
3.1. MATRIČNE JEDNADŽBE KRIGINGA ............................................................................. 8
4. PRIMJERI IZRAČUNA MATRICA KRIGINGA .................................................................... 10
4.1. PRIMJER 1 – PRAVILAN RASPORED .......................................................................... 10
4.1.1. Slučaj 1 – Pravilnost.................................................................................................... 11
4.1.2. Slučaj 2 - Odstupanje .................................................................................................. 12
4.1.3. Slučaj 3 - Anizotropija ................................................................................................ 13
4.2. PRIMJER 2 – NEPRAVILAN RASPORED ..................................................................... 14
4.3. PRIMJER 3 – RASPORED NA PREFERIRANOM PRAVCU........................................ 15
5. ZAKLJUČAK ........................................................................................................................... 16
6. LITERATURA.......................................................................................................................... 18

4
1. UVOD

Postupak kriginga smatra se naprednom interpolacijskom metodom za procjenu vrijednosti

regionalizirane varijable u točkama odabrane mreže. Pojam mreže češće se u praksi zamijenjuje
izrazom grid koji će biti upotrijebljen u daljnjem tekstu. Pod pojmom regionalizirane varijable
podrazumijeva se vrijednost distribuirana u prostoru poput debljine sedimenata, poroziteta, tlaka
u ležištu itd. Regionalizirana varijabla često je i slučajna varijabla, barem u geologiji. Pod
pojmom “slučajna” misli se da su vrijednosti te varijable dobivene prema nekoj funkciji razdiobe
poput normalne ili uniformne razdiobe.

Kriging kao statistička metoda procjene imenovana je prema južnoafričkom inženjeru KRIGEU
(1951) koji ju je prvi upotrijebio i opisao prilikom procjene koncetracije rudače u ležištima zlata.
Zatim je vremenom uslijedio daljnji teoretski razvoj metode, najvećim dijelom u francuskih
znanstvenika, na primjer MATHERON (1965).

Procjena krigingom se temelji na upotrebi postojećih (tzv. kontrolne točke) čiji je utjecaj na
procjenu izražen odgovarajućim težinskim koeficijentima. Pod izrazom „kontrolne točke“ u
naftnoj geologiji uglavnom se podrazumijevaju lokacije bušotina s pripadajućim izmjerenim
vrijednostima.

Procjena načinjena krigingom podrazumijeva da su zadovoljeni određeni kriteriji. Prema njima

procjena mora biti nepristrana te načinjena tako da je varijanca razlike između stvarnih i
procjenjenih vrijednosti u odabranim točkama najmanja moguća. To se naziva još i varijanca
kriginga. Nakon završetka procjene na odabranom gridu algoritam kriginga također računa
predviđenu i stvarnu grješku procjene. Te vrijednosti se mogu usporediti s mjerenom vrijednošću
na kontrolnoj točki koja je upotrijebljena kao ulazni podatak. Na taj način se određuje
pouzdanost procjene te kvaliteta odabranog prostornog modela.

2. SVOJSTVA KRIGINGA

Prilikom procjene vrijednosti krigingom svakome podatku uključenom u postupak dodijeljen je

određeni težinski koeficijent (λ) kojim je procjenjen njegov utjecaj na ukupni račun. Odnosi

5
između postojećih vrijednosti i točke u kojoj se ona procjenjuje izražavaju se vrijednostima
kovarijance ili variograma. Na taj način su određene zavisnosti i utjecaji pojedine lokacije
obzirom na njezinu udaljenost od točke čija se vrijednost procjenjuje. Osnovna pravila kojima su
definirane jednadžbe kriginga su sljedeća:

1) Veličina i oblik područja (broj točaka grida) za koje se radi procjena vrijednosti određeni
su izrazom C( Zk , Zk ) , odnosno kovarijancom između vrijednosti izračunate krigingom sa
samom sobom;

2) Udaljenost između točke koja se procjenjuje (“k”) te kontrolne točke “i” određena je
kovarijancom C( Zk , Zi ) ;

3) Raspored i međusobna udaljenost dviju kontrolnih točaka “i” i “j” predstavljena je

vrijednošću kovarijance C ( Zi , Z j ) ;

4) Kvaliteta procjene težinskih koeficijenata ovisi o načinjenom variogramskom modelu. U

pravilu model s većim brojem kontrolnih točaka, većim dosegom, manjim odstupanjem i
bez anizotropije imat će puno veću pouzdanost kod procjene težinskih koeficijenata.

Iz gornjih odnosa proizlazi nekoliko elementarnih pravila koja se vezuju uz algoritam kriginga.
Vidljivo je kako se međusobni odnosi između kontrolnih i točaka procjene definiraju preko
kovarijanci. Uz kovarijance moguće je upotrijebljavati sličan “alat”, odnosno semivariogramske
krivulje kojima se također definira prostorna zavisnost podataka. U oba slučaja težinski
koeficijent vezan uz pojedinu lokaciju postaje samo mjera njezine udaljenosti od točke procjene,
a ne i stvarne vrijednosti podatka na toj lokaciji. Porast vrijednosti kovarijance ili
semivariograma ukazuje na porast "reda" ili pouzdanosti procjene, odnosno veća vrijednost
dobivena za neki par pokazuje da je i međusobni utjecaj tih točaka veći. Dodatnu kvalitetu
procjeni će dati što pravilniji raspored kontrolnih točaka.

U svakom slučaju kriging je svrstan među statističke interpolacijske tehnike označene “BLUE”.
Prevedeno s engleskoga to bi značilo najbolji linearni nepristrani procjenjitelj (Best Linear
Unbiased Estimators).

6
3. MATEMATIČKE OSNOVE

Princip rada kriginga najjednostavnije je prikazati nizom jednadžbi kojima je definiran.

Krigingom se procjenjuje vrijednosti regionalizirane varijable na odabranoj lokaciji (Zk), a na
temelju postojećih okolnih vrijednosti (Zi). Svakoj od tih postojećih vrijednosti pridružen je
odgovarajući težinski koeficijent (λi), a način njihova proračuna je najzahtjevniji dio algoritma
kriginga.

Vrijednost regionalizirane i slučajne geološke varijable može se definirati kao:

Z i = Z ( xi ) (3.1)

gdje je xi točka u kojoj je očitana vrijednost.

Vrijednost varijable procijenjene krigingom na temelju n okolnih kontrolnih točaka je:

n
Z k = ∑ λi × Z i (3.2)
i =1

gdje su:
λi - težinski koeficijenti (weights) za svaku lokaciju i
Zi - okolne poznate vrijednosti, tzv. kontrolne točke (control points)
Zk - vrijednost procjenjena krigingom

Sljedeći korak izračuna kriginga usmjeren je na procjenu odgovarajućih težinskih koeficijenata

te na kraju na procjenu same vrijednosti Zk. Do tih vrijednosti se dolazi rješavanjem sustava
linearnih jednadžbi kriginga. Takvo znanje je neophodno za razumijevanje metode kriging,
odnosno najefikasniju primjenju različitih tehnika te metode. Neke od referenci gdje je teorija i
primjena geostatističkih metoda dobro objašnjenja su npr. JOURNEL & HUIJBREGTS (1978),
HOHN (1988) ili LIEBHOLD et al. (1993), naravno uz obilje drugih naslova.

7
3.1. MATRIČNE JEDNADŽBE KRIGINGA

Rezultat matematičkih jednadžbi i izvoda kriginga moguće je napisati u obliku matričnih

jednadžbi. Unutar dviju od tih matrica vrijednosti su izražene vrijednošću variograma ili
kovarijance, odnosno ovise o udaljenosti uspoređenih lokacija. Treća matrica sadrži težinske
koeficijente koji se na kraju procjenjuju iz prve dvije spomenute matrice.

Simbolički se spomenuta matrična jednadžba piše u obliku:

[W ] × [λ ] = [B] (3.3)

Kriging kao metoda sadrži više tehnika. To su jednostavni kriging (Simple Kriging), obični
kriging (Ordinary Kriging), indikatorski kriging (Indicator Kriging), univerzalni kriging
(Universal Kriging) i disjunktivni kriging (Disjunctive Kriging) (JENSEN et al, 1997). Prve dvije
metode opisane su ovdje nešto opširnije.

Kod jednostavnoga kriginga, kao najjednostavnije podvarijante, matrična jednadžba napisana u

punome obliku glasi:

⎡γ ( Z1 − Z1 ) γ ( Z1 − Z2 ) ... γ ( Z1 − Zn1 )⎤ ⎡ λ 1 ⎤ ⎡γ ( x1 − x ) ⎤
⎢γ ( Z − Z ) γ ( Z − Z ) ... γ ( Z − Z ) ⎥ ⎢λ ⎥ ⎢γ ( x − x )⎥
⎢ 2 1 2 2 2 n ⎥
×⎢ ⎥=
2 ⎢ 2 ⎥ (3.4)
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣γ ( Zn − Z1 ) γ ( Zn − Z2 ) ... γ ( Zn − Zn ) ⎦ ⎣λ n ⎦ ⎣γ ( xn − x )⎦

Sve ostale podmetode kriginga imaju dodane neki “faktor ograničenja” unutar sebe (constraint).
Time je u potpunosti zadovoljen uvjet opisan ranije izrazom BLUE. Drugim riječima kod
jednostavnog kriginga nije ispunjen uvjet da je procjena nepristrana (unbiased), dok kod ostalih
tehnika je taj uvjet zadovoljen.

Dodani faktor pomaže kod uključivanja nekoga vanjskoga ograničenja koje prati ulazni skup
podataka. Tako je u tehnici običnoga kriginga dodan Lagrangeov faktor (µ) kojim se minimizira
iznos varijance kriginga. Time dolazi do promjene matrične jednadžbe:

8
⎡γ ( Z 1 − Z 1 ) γ ( Z 1 − Z 2 ) ... γ ( Z 1 − Z n ) 1⎤ ⎡ λ1 ⎤ ⎡γ ( x1 − x) ⎤
⎢γ ( Z − Z ) γ ( Z − Z ) ... γ ( Z 2 − Z n ) 1⎥⎥ ⎢⎢λ 2 ⎥⎥ ⎢⎢γ ( x 2 − x)⎥⎥
⎢ 2 1 2 2

⎢ 1⎥ × ⎢ ⎥ = ⎢ ⎥ (3.5)
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢γ ( Z n − Z 1 ) γ ( Z n − Z 2 ) ... γ ( Z n − Z n ) 1⎥ ⎢λ n ⎥ ⎢γ ( x n − x)⎥
⎢⎣ 1 1 ... 1 0⎥⎦ ⎢⎣ µ ⎥⎦ ⎢⎣ 1 ⎥⎦

Na ovome mjestu prikladno je spomenuti međusobnu povezanost triju veličina: variograma,

kovarijance i korelograma (JOURNEL & HUIJBREGTS, 1978; LIEBHOLD et al., 1993). Na
primjer ako se promatra područje na kojemu su srednja vrijednost i varijanca konstantni tada se
veza između variograma i kovarijance može prikazati kao:

γ (h) = C (0) − C (h) (3.6)

Također se prethodna matrična jednadžba izražena vrijednostima variograma (3.5) može izraziti
preko kovarijanci:

⎡ C ( Z1 , Z1 ) C ( Z1 , Z2 ) C ( Z1 , Zn ) 1⎤ ⎡ λ 1 ⎤ ⎡ C ( Z1 , Zk ) ⎤
⎢C(Z , Z ) ⎥ ⎢λ ⎥ ⎢ C ( Z , Z ) ⎥
⎢ 2 1 ⎥ ⎢ 2⎥ ⎢ 2 k ⎥

⎢ ⎥×⎢ ⎥ = ⎢ ⎥ (3.7)
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ C ( Zn , Z1 ) C ( Zn , Zn ) 1⎥ ⎢λ n ⎥ ⎢ C ( Zn , Zk )⎥
⎢⎣ 1 1 0⎥⎦ ⎢⎣ µ ⎥⎦ ⎢⎣ 1 ⎥⎦

Ostale nabrojane tehnike kriginga u ovome tekstu neće biti detaljnije opisane niti prikazane u
obliku matrične jednadžbe. No, jedna ili više tehnika kriginga obično su detaljno opisane u
odgovarajućoj literaturi koja se bavi primjenom te metode u naftnoj geologiji, na primjer HOHN
(1988), JENSEN et al. (1997) i drugi.

Modifikacija kriginga nije ograničena samo na dodavanje linearnih faktora poput Lagrangea.
Moguće je istovremeno dodati više ograničavajućih faktora koji mogu biti i nelinearnog tipa
(non-linear constraints).

Također iz usporedbe kovarijance, korelograma te variograma moguće je ponekad doći do još

nekih korisnih informacija, koje iz pojedinačne funkcije ne bi bilo moguće opaziti. Razlika
između variograma i kovarijance upozorava kako je srednju vrijednost bolje definirati lokalno pa

9
time i upotrijebiti odgovarajuću tehniku kriginga, odnosno obični kriging. Jednako tako razlike
između kovarijance i korelograma upućuju na lokalne promjene u iznosu varijance.

4. PRIMJERI IZRAČUNA MATRICA KRIGINGA

U ovome poglavlju prikazana su tri rasporeda s malim brojem (4) kontrolnih točaka. Na temelju
njihovih vrijednosti krigingom je procijenjena vrijednost točke u središtu okonturenoga područja.
Kako je ranije opisano, najzahtjevniji postupak kod kriginga je određivanje težinskih
koeficijenata za svaku kontrolnu točku pojedinačno. Kada su oni određeni onda je procjena
vrijednosti vrlo jednostavna (3.2).

U sljedećim primjerima jasno je vidljivo kako rješavanje dviju od triju matrica predstavlja
glavninu posla, a opet dobivene vrijednosti unutar tih dviju matrica rezultat su samo udaljenosti
između kontrolnih točaka i lokacije na kojoj se procjenjuje vrijednost. Tada je moguće izračunati
i vrijednosti treće matrice unutar koje se nalaze težinski koeficijenti.

Slijede tri primjera s različitim rasporedom točaka. Primjeri su preuzeti iz HOHN (1988) te
dijelom preuređeni za odgovarajući prikaz u ovome radu. U prvome od njih varirano je nekoliko
mogućnosti obzirom na parametre variogramskog modela.

4.1. PRIMJER 1 – PRAVILAN RASPORED

Slika 1: Pravilan raspored kontrolnih točaka

10
Metodom kriginga procjenjuje se vrijednost regionalizirane varijable Zk na temelju pravilno
raspoređene 4 kontrolne točke. Na slici 1 označena je njihova međusobna udaljenost.

4.1.1. Slučaj 1 – Pravilnost

Određen je variogramski model sa sljedećim parametrima:

- Eksperimentalna krivulja aproksimirana je sfernim modelom;
- Prag modela (sill) je 1;
- Doseg modela (range) je 200;
- Odstupanje modela (nugget effect) je 0, odnosno ne postoji.

Prikazane su matrice dobivene običnim krigingom (ordinary kriging). Računate su kovarijance.

Na dijagonali matrice njena vrijednost je uvijek 1 jer se računa kovarijanca podatka sa samim
sobom.

Matrica W glasi:

⎡ 1,0 0,49 0,49 0,31 1,0 ⎤

⎢0,49 1,0 0,31 0,49 1,0 ⎥
⎢ ⎥
[W ] = ⎢0,49 0,31 1,0 0,49 1,0 ⎥
⎢ ⎥
⎢ 0,31 0,49 0,49 1,0 1,0 ⎥
⎢⎣ 1,0 1,0 1,0 1,0 0,0⎥⎦

Unutar matrice B dobivena je konstantna kovarijanca između Zk i svih okolnih kontrolnih točaka
(C(Zk, Zi)).

⎡0,63⎤
⎢0,63⎥
⎢ ⎥
[B] = ⎢0,63⎥
⎢ ⎥
⎢0,63⎥
⎢⎣ 1 ⎥⎦

Tada je bilo moguće izračunati težinske koeficijente. Lagrangeov parametar je 0,06.

11
 ⎡0,25⎤
⎢0,25⎥
⎢ ⎥
[λ ] = ⎢0,25⎥
⎢ ⎥
⎢0,25⎥
⎢⎣0,06⎥⎦

Završni korak bila je procjena varijance kriginga koja iznosi 0,326. Svi podaci prikazani su i
tablično (tablica 1/1).

Odstupanje=0
C(Zi-Zj) C(Zk-Zi)
(λi)
(W) (B)
1,00 0,49 0,49 0,31 0,63 0,25
0,49 1,00 0,31 0,49 0,63 0,25
0,49 0,31 1,00 0,49 0,63 0,25
0,31 0,49 0,49 1,00 0,63 0,25
σ2k=0,326

Tablica 1/1: Pravilan raspored, model bez odstupanja

Dobiveni težinski koeficijenti jednaki su kao i u kasnijem primjeru 2 koji se odlikuje potpuno
nepravilnim rasporedom. Uzrok istim vrijednostima težinskih koeficijenata u tablici 1/1 leži u
potpuno pravilnom rasporedu okolnih točaka, pa je i njihova međuzavisnost jednaka (0,25). U
kasnijem slučaju s nepravilnim rasporedom kontrolnih točaka nemoguće je pronaći bilo kakvu
prostornu zavisnost, pa je procjenja načinjena srednjoj vrijednošću a tada je 0,25 ponovno
najbolje rješenje.

4.1.2. Slučaj 2 - Odstupanje

Određen je variogramski model sa sljedećim parametrima:

- eksperimentalna krivulja aproksimirana je sfernim modelom;
- prag modela je 1;
- doseg modela je mali (numerički nije izražen);
- odstupanje modela je 0,25.

12
Matrice W i B sadrže niže vrijednosti nego li u prethodnom rješenju (tablica 1/2).

Odstupanje=0,25
C(Zi-Zj) C(Zk-Zi)
(λi)
(W) (B)
1,00 0,37 0,37 0,37 0,47 0,25
0,37 1,00 0,37 0,37 0,47 0,25
0,37 0,37 1,00 0,37 0,47 0,25
0,37 0,37 0,37 1,00 0,47 0,25
2
σ k=0,54

Tablica 1/2: Pravilan raspored, odstupanje=0,25

Težinski koeficijenti jednaki su onima kao u prethodnom slučaju, jer je raspored ostao jednak.
No zbog odstupanja veća je greška procjene, odnosno varijanca kriginga.

4.1.3. Slučaj 3 - Anizotropija

Određen je variogramski model sa sljedećim parametrima:

- Eksperimentalna krivulja aproksimirana je sfernim modelom;
- Prag modela je 1;
- Doseg modela je 200;
- Odstupanje modela je 0;
- Anizotropija je 1,5 (pravcem istok-zapad).

Odstupanje=0,25; Anizotropija=1,5
C(Zi-Zj) C(Zk-Zi)
(λi)
(W) (B)
1,00 0,37 0,37 0,09 0,63 0,37
0,37 1,00 0,31 0,37 0,46 0,13
0,37 0,31 1,00 0,37 0,46 0,13
0,09 0,37 0,37 1,00 0,63 0,37
σ2k=0,54

Tablica 1/3: Pravilan raspored, odstupanje=0,25, anizotropija=1,5

13
Veći težinski koeficijenti dodjeljeni su kontrolnim točkama smještenim na pravcu pružanja I-Z.
Time u anizotropnom modelu takve vrijednosti više utječu na konačnu procjenu.

4.2. PRIMJER 2 – NEPRAVILAN RASPORED

Slika 2: Nepravilan raspored kontrolnih točaka

Određen je variogramski model sa sljedećim parametrima:

- Eksperimentalna krivulja aproksimirana je sfernim modelom;
- Prag modela je 1;
- Doseg modela je 200;
- Odstupanje modela je redom: 0, 0,25, 0,75, 1,00.

Odstupanje 0,00 0,25 0,75 1,00

Prag 1,00 0,75 0,25 0,00
λ1 0,35 0,31 0,27 0,25
λ2 0,13 0,18 0,23 0,25
λ3 0,19 0,19 0,23 0,25
λ4 0,34 0,32 0,27 0,25
σ2 k 0,349 0,580 1,03 1,25

Tablica 2/1: Vrijednosti težinskih koeficijenata i varijance

Koeficijenti uz bliske kontrolne točke (2 i 3) niži od onih uz udaljenije točke (1 i 4), posebno
kada je odstupanje manje. Tada se procjena može promatrati gotovo kao da je načinjena na

14
temelju vrijednosti samo triju kontrolnih točaka (jer dvije s nižim težinskim koeficijentima daju
konačni izlaz približan kao jedna točka s većim koeficijentom).

Također u tablici 2/1 lijepo je prikazan utjecaj porasta odstupanja na vrijednosti težinskih
koeficijenata.

U ekstremnom slučaju kada je odstupanje jednako pragu svi će težinski koeficijenti imati
jednaku vrijednost (0,25), jer ne postoji međuzavisnost pa će najmanja greška biti načinjena ako
se svima pridjeli jednaka vrijednost i jednostavno izračuna obična aritmetička srednja vrijednost.
U tom slučaju je i varijanca kriginga maksimalna.

4.3. PRIMJER 3 – RASPORED NA PREFERIRANOM PRAVCU

Slika 3: Raspored na preferiranom pravcu

λ1 0,278
λ2 0,135
λ3 0,629
λ4 -0,042
σ2 k 0,244

Tablica 3/1: Vrijednosti težinskih koeficijenata i varijance

Tri kontrolne točke leže na istome pravcu na kojemu je smještena i točka čija se vrijednost želi
procijeniti (Zk). Vidljivo je kako su, u pravilu, veći težinski koeficijent određene za točke na
tome pravcu nego li za točku na jednakoj udaljenosti, ali drugoj osi (odnos λ1 i λ3 prema λ2).

15
Time je ponovno prikaz utjecaj anizotropije na procjenu kako je to prikazano i u primjeru
1/slučaju 3. Dobro je primjeniti u tablici 3/1 kako neki težinski koeficijenti mogu biti i negativni
(λ4), no u konačnici je bitno da vrijedi uvjet ∑ λ = 1.

5. ZAKLJUČAK

Kriging se smatra jednom od najnaprednijih metoda za interpolaciju. Nudi brojne prednosti pred
ostalim metodama, no niti neki nedostaci nisu mogli biti izbjegnuti. Radi se o matematički
zahtjevnijoj i naprednijoj metodi koja zahtjeva izvođenje velikoga broja operacija, odnosno
veliki utrošak vremena. Zato je njezina primjena u početku bila vrlo ograničena u odnosu na
neke jednostavnije interpolacijske metode poput metode poligona ili trokuta. U današnje vrijeme
izrazito snažnih računala matematički zahtjevne metode postaju vrlo lako primjenjive.

Vremenom je razvijeno više varijanti ili podmetoda kriginga uglavnom kako bi se izvorni
algoritam prilagodio različitim skupovima ulaznih podataka, odnosno različitim željenim
izlazima.

Prednosti i nedostatke kriginga najbolje je opisati na primjeru usporedbe s metodom Inverse

Distance Weighting. Kod te metode kontrolnim točkama uključenim u procjenu vrijednosti
također se dodjeljuju odgovarajući koeficijenti ovisno o njihovim udaljenostima, no proračun tih
vrijednosti te određivanje radijusa u kojem su smještene točke koje utječu na procjenu prilično je
drugačiji i jednostavniji nego li kod metode kriginga.

Prednost Inverse Distance Weighting metode je njezina jednostavnost u pripremi i brzina u

proračunu. Njezin algoritam radi vrlo dobro s relativno pravilno razmještenim kontrolnim
točkama. Dobiveni izlaz relativno je pregledan pri čemu se podrazumijeva da ne sadrži mnoštvo
relativno malih površina različitih minimuma i maksimuma. Slabost ove metode je uočena
prilikom njezine upotrebe na skupu podataka čije se pojedinačne točke grupiraju u skupine
(clustering).

Tada do izražaja dolaze matematičke operacije koje objedinjuje kriging, odnosno procjene
različitih težinskih koeficijenata ovisno o položaju i rasporedu točaka, ali i određivanje njihove
međusobne zavisnosti specijaliziranim alatima, recimo variogramskom analizom. Na taj način

16
puno kvalitetnije je rješen problem koji stvara grupiranje uzoraka, a i proračun težinskih
koeficijenata ovisno o udaljenosti kontrolnih točaka i vrijednosti koja se procjenjuje.
Specifičnost načina kojom se definira ta udaljenost dovodi do pojma koju su neki autori nazvali
“statističkom udaljenošću”, za razliku od uobičajene euklidske udaljenosti. Naziv “statistička
udaljenost” dolazi od tuda što se utjecaj pojedinačnih uzoraka i njihova međuzavisnost ovisno od
njihove udaljenosti određuje statističkom metodom poput variograma, kovarijance ili
korelograma. Kvaliteta procjene uglavnom će ovisiti o odabiru i konstruiranju odgovarajućeg
modela prostorne zavisnosti. Slabo određeni model dovest će do lošije procjene nego li da je
odabrana jednostavnija metoda poput Inverse Distance Weighting. Zato je ponekad potrebno
značajno vrijeme utrošiti na varijacije parametara i stvaranje nekoliko prostornih modela.

Bez obzira o kojoj je metodi riječ, vrlo je važan način na koji se u procjenu uključuju okolni
podaci, odnosno način pretraživanja okoline (Search Method). Najjednostavnije opisano, radi se
o podjeli okoline u odgovarajući broj zona ili sektora unutar odabranog radijusa te ograničavanja
minimalnog ili maksimalnog broja bušotina koje će ući u procjenu odabrane točke.

U slučaju primjene kriginga dobar odabir broja zona i pripadajućih bušotina može predstavljati
važan korak u smanjivanju veličine matrica koje treba riješiti, a da pri tomu veličina pogrješke
ne raste.

Kod Inverse Distance Weighting metode kvalitetno načinjena podjela okolnoga prostora može
dijelom riješiti problem grupiranja podataka koji inače ta metoda relativno slabo aproksimira.
Definiranjem različitog broja sektora u različitim smjerovima može se obuhvatiti i anizotropija.

Nekada je glavni nedostatak kriginga predstavljao veliki utrošak vremena potreban za proračun
matričnih jednadžbi, no danas je taj problem eliminiran, štoviše upotrebom računala ne postoji
mogućnost slučajne greške nastale prilikom računa. Najveća odgovornost interpretatora je u
postavljanju dobroga prostornoga modela. Greška načinjena u tome koraku može dovesti do
rješenja lošijega negoli dobivena metodom poput Inverse Distance Weighting.

Kako se matrične jednadžbe kriginga dobivaju, koje su matematičke zakonitosti i pravila pri
određivanju težinskih koeficijenata predstavlja jedno važno područje općenito kod razumijevanja
geostatističkih interpolacijskih metoda koje podrazumijeva određeno matematičko znanje onoga
koji tu materiju podučava i primjenjuje.

17
6. LITERATURA

HOHN, M.E. (1988): Geostatistics and Petroleum Geology. Van Nostrand Reinhold, New York,
400 p.

JENSEN, J.L., LAKE, L.W., CORBETT, P.W.M. & GOGGIN, D.J. (1997): Statistics for
Petroleum Engineers and Geoscientists. Prentice Hall PTR, p. 390, New Jersey

JOURNEL, A.G. & HUIJBREGTS, C.J. (1978): Mining Geostatistics. Academic Press, p. 600,
London

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,
119-139.

LIEBHOLD, A.M., ROSSI, R.E. & KEMP, W.P. (1993): Geostatistics and Geographic
Information System in Applied Insect Ecology. Annual Review of Entomology, 38, p. 303-327.

MATHERON, G. (1965): Les Variables Régionalisées et leur Estimation. Masson & Cie, Paris.

18