用途：把零散点位测量转成连续曲面，并明确报告插值结果的不确定性。核心产出不仅是预测栅格，还包括克里金方差（标准差）曲面和诚实的交叉验证结果。
方法选择：密集平滑现象快速查看用 IDW（需报告 power 参数，测试 1-3）；有空间结构的物理现象需不确定性时用普通克里金；存在明显趋势（高程梯度、海岸效应）用通用克里金或基于协变量的回归克里金；有强协变量（DEM、土地覆盖、距离）时用回归克里金或随机森林残差克里金；分类目标用指示克里金；不想要外推时用自然邻域。IDW 是无误差模型的基线，极端值周围会出现牛眼效应，交付纯 IDW 产品时须说明。
探索阶段：先画带值的点图，检查相同坐标的重复点（需平均或偏移，否则克里金矩阵奇异）；看直方图与偏度，强偏变量（降雨、浓度）常需对数或正态得分变换，并正确反变换（对数正态克里金需偏差校正）；回归值对 x、y 及候选协变量检查趋势；优先采样时做去丛集处理。
变差函数：是建模决策而非自动拟合。用 gstools 估计：bin_center, gamma = gs.vario_estimate((x, y), values, max_dist=dmax)，dmax 约为范围一半；模型用 gs.Exponential(dim=2) 并 fit_variogram(bin_center, gamma, nugget=True)，报告 nugget、sill、range 及拟合图。最大滞后约域直径一半，每箱至少 30 对点；用方向变差函数（0/45/90/135°）检查各向异性；用文字解释参数含义，块金接近基台说明数据几乎不支持插值。不要在最邻近样本变差函数 range 之外做有意义插值，需掩膜或标记。
克里金执行：pykrige 示例 ok = OrdinaryKriging(x, y, values, variogram_model="exponential", variogram_parameters={"sill": s, "range": r, "nugget": n}, coordinates_type="euclidean")，z, ss = ok.execute("grid", gridx, gridy)，ss 为克里金方差须保留。使用投影坐标系，搜索邻域通常取 16-32 个最近点并记录。
验证：小样本用 LOOCV，报告 ME、RMSE、标准化 RMSE（应约等于 1）；丛集样本还需空间分块 CV。画观测对预测散点图与 CV 残差图；与全局均值、IDW 等基线比较。
限制与陷阱：自动拟合变差函数不看图、大范围在 EPSG:4326 下克里金、只交付预测栅格无方差、对数克里金用朴素 exp() 反变换、超出数据凸包仍按同等置信度外推、重复站坐标导致拟合扭曲。采样过稀、无空间依赖、距离单位无效或不确定性未标定时，应拒绝给出自信曲面。交付物包括预测面、不确定性面、变差函数及参数、验证表、采样支持掩膜和方法局限。