空间插值:IDW 与克里金怎么选

只有 20 个雨量站，怎么画全省降水图

这是做气象、水文、环境分析最常见的问题：站点只有几十个，但需求是一整张连续的降水分布图。

答案是空间插值：用已知点的值，估计未知位置的值，输出一张覆盖整个研究区的栅格面。

插值方法很多，日常最常用的是两个：IDW（反距离加权）和克里金（Kriging）。这篇把它们的区别讲透，你就能按需求直接选。

为什么要插值：散点 → 连续面

观测永远是离散的，但很多现象在空间上是连续的——气温、降水、PM2.5 都是。

插值干的事就是：依据附近已知点，推算每个未采样位置的值，最后得到一整张面。至于「附近点怎么影响未知点」，不同方法答案不同——这正是 IDW 与克里金的分水岭。

IDW：近的说了算

IDW 的思路一句话：离得越近，影响越大。

它以待估点周围若干个已知点的加权平均作为估值，权重与距离成反比（距离 d 的 p 次幂倒数），所以叫「反距离加权」。

两个参数决定结果：

• 幂次 p
  越大，近点越「霸道」，表面越接近站点值；一般默认取 2
• 搜索半径/参与点数
  决定用周围多少个点来算

IDW 是确定性方法，运算快、思路直白，站点处的值原样保留。缺点是不考虑数据本身的空间结构，容易出现「牛眼」效应（站点周围一圈圈同心圆）。

克里金：用空间相关性说话

克里金的思路也是加权平均，但权重不是简单按距离，而是来自半变异函数——用数据自身的空间相关性建模，算出统计上最优的权重。

它和 IDW 最大的区别是：克里金能同时输出误差估计。每个位置的预测值都带着一个可信度（克里金方差），这在风险评估、决策场景里非常有用。

代价是复杂：要选模型、拟合半变异函数、理解参数，学习曲线明显更陡。常见模型有球形、指数、高斯几种，本质是描述「随距离增加，相关性怎么衰减」——日常用球形模型起步即可。

如果看不懂半变异函数，就先别用克里金——硬上只会得到一个「看起来很科学」但参数没调对的图。

IDW 还是克里金：怎么选

一句话建议：只求快、数据点够多分布均匀 → IDW；要做评估、要可信度、样本有明确空间结构 → 克里金。别一上来就上克里金，多数日常场景 IDW 已经够用。

QGIS 实操：两步出图

• IDW
  处理工具箱搜索「IDW 插值」（插值 → IDW interpolation），选点图层、值字段、幂次与输出范围，运行即得栅格
• 克里金
  QGIS 自带的克里金要走 SAGA/GRASS 工具（普通克里金），工具箱里同样能搜到，参数比 IDW 多一截

两个工具的输出都是栅格，跑完记得顺手裁剪到研究区边界（叠加分析那篇的裁剪正好用上），再配个像样的色带出图。

两种方法原理与适用场景两栏对比

三个最容易踩的坑

• 坑一：样本太少
  。十几个点硬插一张大图，结果基本是「画着玩」。样本稀疏时先补数据，或者缩小研究区
• 坑二：参数乱调
  。IDW 的幂次、克里金的半变异模型都影响结果，改一个参数就出不同图，调参前先想清楚「我在优化什么」
• 坑三：不验证
  。留一部分点不参与插值，拿预测值和实测值对比（交叉验证），这是判断「参数调对没有」的唯一标准

结尾：从插值到一张能用的图

插值只是第一步，出来的是栅格面，还要做裁剪（研究区边界）、配色、出图——这些前面几篇都讲过，正好串成完整流程。

你平时插值用的什么方法？遇到过什么坑？评论区聊聊。