R语言3D空间温度值插值：克里金法失效排查及替代方案

问题背景 #

需在R语言中对1m×1m×2m立式冰柜内的3D温度值进行非最近邻插值计算，已知15个测量点的布局：

• 顶层(z=5)：5个点为带中心点的正方形布局
• 中层(z=3)：5个点为带中心点的4点星型（正方形旋转45°）布局
• 底层(z=1)：5个点为带中心点的正方形布局

每个点包含x(1-5)、y(1-5)、z(1/3/5)坐标及温度值，目标计算位置(2,2,5)的温度。

示例数据集：

structure(list(x = c(1, 1, 3, 5, 5, 1, 3, 3, 3, 5, 1, 1, 3, 5, 
5), y = c(1, 5, 3, 1, 5, 3, 1, 3, 5, 3, 1, 5, 3, 1, 5), z = c(5, 
5, 5, 5, 5, 3, 3, 3, 3, 3, 1, 1, 1, 1, 1), T_.C = c(-20.750182521983, 
-19.04687, -19.5861606555542, -20.5691695760194, -20.6176610127199, 
-16.4671828378447, -16.5713893044039, -23.6506737064773, -19.9124349790261, 
-23.7875255615229, -26.0653073705183, -20.2412939002774, -21.0219350609566, 
-21.8749485590661, -23.805990645601)), row.names = c("1", "2", 
"21", "3", "4", "5", "6", "7", "8", "9", "10", "11", "12", "13", 
"14"), class = "data.frame")

已尝试方法：

• oce::approx3d：未掌握用法，未成功
• RSAGA::pick.from.points：最近邻法可正常运行，代码如下：

toKnow <- as.data.frame(list(x=2,y=2,z=2))
pick.from.points(data=toKnow, src=myresults, pick=c("T_.C"), method="nearest.neighbour")

但克里金法报错，代码及错误信息：

pick.from.points(data=toKnow, src=myresults, pick=c("T_.C"), method="krige")
[using ordinary kriging]
  x y z T_.C
1 2 2 2   NA
Warnmeldung:
In predict.gstat(g, newdata = newdata, block = block, nsim = nsim,  :
  Covariance matrix singular at location [2,2,0]: skipping...

问题解答 #

1. 所尝试的方法是否有效？ #

• 最近邻法：有效，但属于非插值类的点估计方法，仅返回距离目标点最近的样本温度，无法体现空间温度的连续变化，不符合你要求的"非最近邻插值"需求。
• oce::approx3d：本身是有效的3D线性插值函数，但需要输入规则网格数据（或先转换数据为规则网格结构），你未掌握用法导致失败，并非方法本身无效。
• RSAGA::pick.from.points的克里金法：函数本身支持3D克里金，但因数据问题失败，不是方法本身无效。

2. 克里金法尝试失败的原因是什么？是否为函数调用错误？ #

不是函数调用错误，核心原因是协方差矩阵奇异，具体诱因：

• 样本量过少（仅15个点）：3D克里金需要足够样本拟合描述空间自相关性的变异函数，样本不足会导致协方差矩阵无法求逆。
• 坐标处理偏差：错误信息显示位置为[2,2,0]，与目标点z=2不符，可能是函数对z坐标的处理出现偏差，进一步加剧矩阵奇异问题。
• 布局差异大：中层点布局与上下层正方形布局差异明显，空间自相关性拟合难度高，也会导致矩阵奇异。

3. 当前数据集是否适配克里金法？ #

不太适配，原因如下：

• 样本量不足：3D克里金通常需要几十甚至上百个样本点才能稳定拟合变异函数，15个点无法支撑可靠的空间自相关性建模。
• 布局不均匀：中层与上下层的点布局结构差异大，空间连续性规律难以捕捉，变异函数拟合精度极低。
• 局部点覆盖有限：目标点(2,2,5)位于顶层，顶层仅5个点，无法为克里金提供足够的局部样本建立有效插值模型。

4. 有哪些更合适的替代插值方法？ #

根据你的数据情况，推荐以下几种方法：

• 3D线性插值：使用akima::interp3D，对样本量要求较低，能基于邻近点的线性关系计算插值结果，适合小数据集。示例代码：

library(akima)
interp_result <- interp3D(x = myresults$x, y = myresults$y, z = myresults$z, 
                          value = myresults$T_.C, 
                          xo = 2, yo = 2, zo = 5)
print(interp_result$value)

• 反距离权重插值（IDW）：使用gstat::idw，通过给邻近点分配与距离成反比的权重计算插值，无需拟合变异函数，操作简单。示例代码：

library(gstat)
toKnow <- data.frame(x=2,y=2,z=5)
idw_model <- idw(T_.C ~ 1, locations = ~x+y+z, data = myresults, newdata = toKnow)
print(idw_model$var1.pred)

• 径向基函数插值（RBF）：使用fields::radbas，通过构造径向基函数拟合空间数据，能较好处理不规则布局的样本点，插值结果平滑性好，适合3D温度场估计。

内容的提问来源于stack exchange，提问作者DerEinstein