为什么Kriging 与高斯过程回归出自同一数学框架，但实际效果却差很远

做过地质统计学、储层建模或空间机器学习的人，大概都面对过这个选择：Kriging（经典地质统计学的主力工具），还是高斯过程回归（Gaussian Process Regression，GPR，其机器学习更加接近）。两者在数学上是相通的——都是基于协方差/核函数构建的"最佳线性无偏预测器"——但实际使用起来像是两个完全不同的世界。Kriging 快、可解释、有几十年积累；GPR 慢、更灵活、有 sklearn 的精良封装。

本文将在 SPE9 数据集上跑了一套正面对比，覆盖多种 Kriging 变体、GPR 以及几个 ML 基线，还包括用 5 折和 20 折交叉验证重复了一遍，看稳定性。

结果出乎意料。期间还碰到一个让不少人（包括我自己）困惑的问题：R² 名字里有"平方"，怎么会出现负数？这个问题值得认真讲，因为搞清楚它之前，上面那些数字都没法正确解读。