經驗貝葉斯克裡金法 (EBK) 是一種地統計插值方法，可自動執行構建有效克里金模型過程中的那些最困難的步驟。Geostatistical Analyst 中的其他克里金方法需要您手動調整引數來接收準確的結果，而 EBK 可通過構造子集和模擬的過程來自動計算這些引數。
經驗貝葉斯克裡金法與其他克里金方法也有所不同，它通過估計基礎半變異函式來說明所引入的誤差。其他克里金方法通過已知的資料位置計算半變異函式，並使用此單一半變異函式在未知位置進行預測;此過程隱式假定估計的半變異函式是插值區域的真實半變異函式。由於不考慮半變異函式估計的不確定性，其他克里金方法都低估了預測的標準誤差。
經驗貝葉斯克裡金法在地統計嚮導 中以地理處理工具的形式提供。
工具/原料
計算機
arcgis
方法/步驟
優點
需要極少的互動式建模;
預測標準誤差比其他克里金方法更準確;
可準確預測一般程度上不穩定的資料;
對於小型資料集，比其他克里金法更準確;
缺點
1、處理時間會隨著輸入點數、子集大小或重疊係數的增加而快速增加。應用變換也會增加處理時間。引數介紹如下。
2、處理速度比其他克里金方法慢，尤其是輸出為柵格時。
3、協同克里金法和各向異性不可用。
4、半變異函式模型中的少數引數限制了自定義功能。其他克里金方法為半變異函式模型提供了多種選擇。
5、對數經驗變換對異常值尤其敏感。如果將該變換用於含有異常值的資料，則可能會得到大於或小於輸入點值若干個數量級的預測結果。該引數在下面的“變換”部分將有所介紹。
半變異函式估計
與其他克里金法(使用加權最小二乘)不同，EBK 中的半變異函式引數是使用受限最大似然法 (REML) 估計的。由於 REML 對大型資料集有計算限制，輸入資料首先被分為多個特定大小的重疊子集(預設為每子集 100 個點)。在每個子集中，按以下方式估計半變異函式：
通過子集中的資料估計半變異函式。
將此半變異函式用作模型，新資料會在子集的每個輸入位置進行無條件模擬。
通過已模擬的資料估計新的半變異函式。
將步驟 2 和步驟 3 重複執行指定次數。在每次重複中，步驟 1 中估計的半變異函式用於模擬輸入位置的一組新資料，已模擬的資料用於估計新的半變異函式。
此過程將為每個子集建立大量半變異函式，並且在將它們繪製在一起時，結果是按密度著色的半變異函式分佈(藍色越深，通過該區域的半變異函式就越多)。此外，分佈的中值用紅色實線表示，25% 和 75% 百分數值用紅色虛線表示，如下圖所示。
每個子集中模擬的半變異函式數量預設為 100，其中每一個半變異函式都是子集的真實半變異函式的估計。
對於每個位置，都使用唯一的半變異函式分佈生成預測，該分佈是通過周圍子集的分佈加權綜合計算得出的;子集距離預測位置越近，給定的權重就越高。
克里金模型
經驗貝葉斯克裡金法與 Geostatistical Analyst 中的其他克里金方法不同，它使用固有的 0 階隨機函式(IRF-0) 作為克里金模型。
其他克里金模型假定過程遵循一個總體平均值(或指定趨勢)，並且各種變化均圍繞該平均值。較大的偏差將向平均值拉回，因此值不會偏差過大。但是，EBK 不會呈現出趨於總體平均值的趨勢，因此較大偏差變大變小的可能性相同。
半變異函式模型
對於給定距離 h，經驗貝葉斯克裡金法使用以下形式的半變異函式：
γ(h)= Nugget + b h α
塊金值和 b (坡度)必須為正值，而 α (冪)必須介於 0.25 和 1.75 之間。在這些限制下，使用 REML 估計引數。該半變異函式模型沒有變程或基臺引數，因為函式沒有上限。在 EBK 中，可以分析引數估計的經驗分佈，因為在每個位置都估計了多個半變異函式。單擊塊金值、坡度或冪選項卡可顯示關聯引數的分佈。下圖顯示了前一圖片中顯示的模擬半變異函式的半變異函式引數分佈：
單擊預覽表面上的不同位置，可顯示新位置的半變異函式分佈和半變異函式引數分佈。如果分佈在資料值域內沒有顯著變化，則表明資料處於全域性穩態。分佈應在整個資料值域內平滑變化，但如果發現在較短距離的分佈中出現較大變化，增加重疊係數的值可以平滑分佈的過渡。
變換
經驗貝葉斯克裡金法為乘偏斜常態得分變換提供了兩個基本分佈：經驗法和對數經驗法。對數經驗變換要求所有資料值為正，以保證所有預測結果為正值。它適用於諸如降雨量等不得為負的資料。
如果應用變換，將使用簡單克里金模型代替 IRF-0，半變異函式將與指數半變異函式模型擬合。由於這些變化，引數分佈更改為塊金值、偏基臺值和變程值。此外，還會出現一個變換選項卡，在其中顯示擬合變換的分佈(每個模擬一個)。與半變異函式選項卡相同，變換分佈按密度著色，並提供分位數線。
經驗貝葉斯克裡金法的新引數
經驗貝葉斯克裡金法使用三個未在其他克里金方法中出現的引數：
1、子集大小 - 指定每個子集中的點數。子集越大，EBK 計算耗時越長。
2、重疊係數 - 指定子集之間的重疊程度。每個輸入點均可落入多個子集中，重疊係數指定了各點將落入的子集的平均數。例如，重疊係數 1.5 表示大約一半的點用在一個子集中，另一半的點用在兩個子集中。重疊係數的值越大，輸出表面越平滑，但也會增加處理時間。
3、模擬的次數 - 指定將為每個子集模擬的半變異函式的數量。模擬次數越多，生成的預測就越精確，但處理時間也會增加。