GIS在地统计学中的应用:克里金插值(Kriging)详解
《GIS在地统计学中的应用:克里金插值(Kriging)详解》这篇文章面向正在做降雨、温度、土壤污染、地下水位、空气质量等连续空间变量制图的 GIS 学习者，重点讲清楚克里金插值是什么、在 GIS 软件里怎么做、结果如何检查，以及哪些情况下不应该盲目使用。
引言：为什么 GIS 里经常用克里金插值
在实际项目中，我们经常只有一批离散采样点，例如气象站点、土壤采样点、水质监测点或 PM2.5 监测点，但制图和分析时却需要一张连续表面。克里金插值就是地统计学中常用的一类空间插值方法，它利用样点之间的空间自相关关系，估算未采样位置的属性值。
与普通的反距离权重插值不同，克里金插值不是简单认为“距离越近影响越大”，而是先通过半变异函数描述空间相关结构，再根据这种结构进行最优线性无偏估计。简单说，它不仅看距离，还看数据本身表现出来的空间变化规律。
背景：克里金插值适合解决什么 GIS 问题
克里金插值适合处理具有空间连续性和空间自相关特征的变量。所谓空间自相关，是指距离较近的位置往往具有更相似的属性值。例如同一片区域内的土壤重金属含量、地下水埋深、气温、降雨量，通常不会在很短距离内完全随机变化。
常见应用场景包括：
- 根据气象站点数据生成温度、降雨量、湿度空间分布图。
- 根据土壤采样点制作有机质、pH、重金属含量分布图。
- 根据地下水监测井数据估算地下水位或污染物浓度。
- 根据空气质量监测站点生成污染物浓度空间分布图。
- 根据地质钻孔或矿点数据推断矿化指标连续分布。
但克里金插值并不是万能工具。如果样点数量太少、空间分布严重不均、变量不存在明显空间自相关，或者数据本身受人为边界强烈控制，直接使用克里金插值可能会得到看起来平滑但并不可靠的结果。
原理：克里金插值的核心逻辑
1. 半变异函数是克里金插值的核心
克里金插值的核心是半变异函数。半变异函数用于描述样点之间属性差异随距离增加而变化的规律。通常距离越近，样点值越相似；距离越远，差异越大；当距离超过某个范围后，相关性逐渐减弱或消失。
半变异函数中常见的几个概念包括：
- 块金值：距离接近 0 时仍然存在的变异，可能来自测量误差或微尺度变化。
- 基台值：半变异函数达到稳定时的总体变异水平。
- 变程：空间相关性明显存在的最大距离范围。
- 模型类型：常见有球状模型、指数模型、高斯模型等。
在 GIS 软件中，用户通常不需要手写复杂公式，但必须理解这些参数的意义。因为半变异函数拟合得不好，后续克里金插值结果也会受到明显影响。
2. 克里金插值为什么能给出误差估计
普通插值方法通常只输出一个预测值表面，而克里金插值还可以输出预测标准误差或方差表面。这是它在地统计学分析中的重要优势。
误差表面可以帮助我们判断哪些区域估计更可靠。通常样点密集区域误差较小，样点稀疏区域、边缘区域或外推区域误差较大。对于环境评价、资源调查和风险制图来说，这个误差信息非常有价值。
3. 克里金插值和普通插值的区别
反距离权重插值主要依赖距离权重，样条插值强调曲面平滑，而克里金插值依赖地统计模型。它要求用户关注数据分布、空间趋势、半变异函数拟合和交叉验证结果，因此更适合有一定统计含义的空间变量分析。
步骤：在 GIS 中完成一次克里金插值的实用流程
步骤 1：准备采样点数据
首先准备点要素数据，每个点应至少包含坐标和待插值字段。例如土壤采样点中包含字段 pH，气象站点中包含字段 rainfall，地下水监测点中包含字段 water_level。
数据准备时需要检查：
- 点数据是否有正确的坐标系。
- 插值字段是否为数值类型，而不是文本类型。
- 是否存在空值、异常值或明显录入错误。
- 样点是否覆盖研究区，而不是集中在某一小块区域。
- 是否存在重复点或位置完全重合的采样记录。
如果坐标系不正确，克里金插值的距离计算就会出错。尤其不要直接在经纬度坐标系下对米级距离敏感的数据进行插值，通常应先投影到适合研究区的投影坐标系。
步骤 2：进行探索性数据分析
在运行克里金插值前，建议先查看字段的统计分布。可以检查最小值、最大值、平均值、标准差、直方图和异常点位置。
如果数据偏态非常明显，可以考虑对变量做对数变换或 Box-Cox 变换。很多克里金方法默认数据接近正态分布，虽然实际项目不一定严格满足，但严重偏态会影响模型拟合和预测结果。
还需要判断数据是否存在明显空间趋势。例如区域从西向东持续升高，或者从城市中心向外递减。如果存在趋势，可以考虑普通克里金、泛克里金或先去趋势再插值。
步骤 3：检查空间自相关
克里金插值适合有空间自相关的数据。如果样点之间没有明显空间相关性，半变异函数会非常混乱，拟合结果不稳定，插值图也可能没有可靠意义。
可以通过以下方式初步判断：
- 在地图上查看高值点和低值点是否呈现空间聚集。
- 绘制半变异函数云图，观察距离增加时差异是否逐渐增大。
- 计算 Moran’s I 等空间自相关指标作为辅助判断。
- 做交叉验证，检查预测误差是否过大。
步骤 4：选择克里金方法
常见的克里金方法包括普通克里金、简单克里金、泛克里金和协同克里金。初学者最常用的是普通克里金。
- 普通克里金：假设局部均值未知但相对稳定，适合多数常规 GIS 插值任务。
- 简单克里金：假设总体均值已知，实际项目中使用条件相对严格。
- 泛克里金：适合存在明显空间趋势的数据。
- 协同克里金：需要引入辅助变量，例如用高程辅助估算降雨或温度。
如果你只是第一次处理土壤、气象或环境监测点数据，可以先从普通克里金开始，再通过交叉验证和误差图判断是否需要更复杂的方法。
步骤 5：拟合半变异函数模型
在 ArcGIS Pro 的 Geostatistical Wizard 或 QGIS 的相关地统计插件中，通常可以选择半变异函数模型。常见模型包括球状模型、指数模型和高斯模型。
选择模型时不要只看结果图是否平滑，而要关注模型是否合理贴合实验半变异函数点。一般可以按下面思路判断：
- 实验半变异函数点是否呈现随距离增加而上升的趋势。
- 模型曲线是否过度弯曲或明显偏离大部分点。
- 块金值是否异常过高，提示测量误差或微尺度变异较强。
- 变程是否符合实际地理过程的影响范围。
- 不同方向上的半变异函数是否存在明显差异，即各向异性。
如果不同方向上的空间相关范围差异明显，例如污染物沿河流方向扩散更远，就需要考虑各向异性设置，而不是使用完全各向同性模型。
步骤 6：设置输出栅格范围和分辨率
克里金插值最终通常输出栅格表面。输出范围应与研究区一致，最好使用研究区边界进行裁剪，不要让结果大面积外推到无采样支持的区域。
输出像元大小要根据样点密度和制图比例确定。像元过小并不会提高真实精度，只会让图面看起来更细，同时增加文件体积。像元过大则会损失空间变化细节。
一个实用原则是：输出分辨率应与采样点间距、研究尺度和最终制图比例相匹配，而不是越细越好。
步骤 7：运行插值并输出预测误差
完成参数设置后，运行克里金插值，建议同时输出预测值表面和预测标准误差表面。预测值表面用于展示变量空间分布，误差表面用于判断结果可信度。
插值完成后，不要只看颜色是否漂亮，还要检查：
- 高值区和低值区是否与原始采样点一致。
- 研究区边缘是否出现不合理的异常扩展。
- 样点稀疏区域是否误差明显偏大。
- 结果范围是否超出原始数据的合理物理意义。
- 是否存在由于异常值造成的局部靶心状斑块。
步骤 8：使用交叉验证评估结果
交叉验证是判断克里金插值是否可靠的重要步骤。常见做法是逐个移除某个采样点，用其他点预测该点值，再比较预测值与实测值差异。
常见评价指标包括：
- 平均误差：越接近 0，说明整体偏差越小。
- 均方根误差：越小，说明预测误差整体越低。
- 标准化平均误差：用于判断预测是否存在系统偏差。
- 标准化均方根误差：用于检查预测标准误差是否合理。
如果交叉验证显示误差很大，不应直接发布结果。需要回到前面检查数据质量、异常点、趋势项、半变异函数模型、搜索邻域和输出范围。
常见坑：克里金插值结果不可靠的主要原因
1. 在经纬度坐标系下直接插值
克里金插值依赖距离计算。如果数据是 WGS 84 经纬度坐标，单位是度，不是米。对于区域尺度分析，应先投影到合适的平面坐标系，例如 CGCS2000 高斯-克吕格投影、UTM 投影或地方坐标系。
2. 样点数量太少
样点太少时，半变异函数很难稳定拟合。虽然软件可能仍然能输出一张图，但这种图更多是数学推断，不一定具有可靠空间意义。样点数量不足时，建议谨慎使用克里金插值，并在图件说明中明确不确定性。
3. 样点分布严重不均
如果样点集中在道路、村庄或城市附近，而山区、水域、边缘区缺少样点，插值结果会在样点稀疏区域产生较大不确定性。此时必须查看误差表面，不能只发布预测表面。
4. 忽略异常值
一个录入错误或异常监测点可能在克里金插值结果中形成明显局部高值或低值斑块。处理异常值时不能简单删除，应结合原始记录、采样说明和现场背景判断。
5. 只追求平滑效果
克里金插值图看起来平滑，并不代表结果准确。过度平滑可能掩盖真实局部变化，而过度贴合样点也可能放大噪声。应以交叉验证和地理过程合理性作为主要判断依据。
6. 把插值结果当作实测数据
插值结果是估计值，不是实测值。用于决策时，最好同时提供采样点分布、误差表面和方法说明。特别是在环境风险评价、污染范围划定和资源储量估计中，必须说明不确定性。
方法比较：克里金插值与常见 GIS 插值方法怎么选
| 方法 | 主要特点 | 适用场景 | 注意事项 |
|---|---|---|---|
| 反距离权重插值 | 按距离分配权重，操作简单 | 快速制图、样点较密、空间规律较简单 | 不能提供地统计误差估计，参数主观性较强 |
| 样条插值 | 生成较平滑曲面 | 高程、温度等连续变化较平滑的数据 | 可能产生超出合理范围的值，对异常值敏感 |
| 普通克里金 | 基于半变异函数，提供预测误差 | 土壤、气象、水文、环境监测等空间自相关数据 | 需要样点质量较好，并进行模型拟合和验证 |
| 泛克里金 | 考虑空间趋势 | 存在明显方向性趋势或区域趋势的数据 | 趋势项设置不当会影响局部预测 |
| 协同克里金 | 引入辅助变量 | 目标变量样点少但辅助变量丰富的场景 | 辅助变量必须与目标变量有合理相关性 |
如果只是为了快速生成参考图，反距离权重插值可能更方便；如果需要严谨表达空间相关结构和预测不确定性，克里金插值更合适。对于正式报告，建议不要只比较图面效果，而要比较交叉验证指标。
检查清单：发布克里金插值成果前必须确认
- 采样点坐标系是否为适合距离计算的投影坐标系。
- 插值字段是否为数值型，是否已处理空值和明显错误值。
- 样点数量和空间分布是否能支撑研究区范围内的插值。
- 变量是否存在基本空间自相关，而不是完全随机分布。
- 是否检查过直方图、异常值和必要的数据变换。
- 半变异函数模型是否合理，块金值、变程和基台值是否可解释。
- 是否考虑各向异性或空间趋势。
- 输出栅格范围是否限制在研究区内，是否避免无意义外推。
- 是否生成并检查预测标准误差表面。
- 是否完成交叉验证，并记录主要误差指标。
- 最终图件是否叠加原始采样点，方便读者判断插值依据。
- 报告中是否说明克里金插值方法、参数、坐标系、样点数量和不确定性。
FAQ：关于克里金插值 Kriging 的常见问题
1. 克里金插值和 IDW 插值哪个更准确？
不能简单说克里金插值一定比 IDW 更准确。克里金插值在数据具有空间自相关、样点数量较充足、半变异函数拟合合理时通常更有优势；但如果样点很少或空间规律很弱，IDW 可能更稳定、更容易解释。实际项目中应通过交叉验证比较。
2. 克里金插值必须使用投影坐标系吗？
对于大多数区域尺度分析，建议使用投影坐标系。因为克里金插值需要计算样点之间的距离，经纬度坐标的单位是度，不适合直接作为米制距离使用。小范围研究也应尽量统一到合适的投影坐标系。
3. 样点多少才适合做克里金插值？
没有绝对固定数量，但样点太少会导致半变异函数不稳定。一般来说，样点不仅要有一定数量，还要在空间上覆盖研究区。比数量更重要的是采样设计是否合理、是否覆盖主要空间变化区域。
4. 克里金插值结果为什么出现靶心状斑块？
靶心状斑块通常与局部异常值、样点孤立、搜索邻域设置不合理或半变异函数模型不合适有关。应检查原始采样点属性值，确认是否有录入错误或真实局部异常，并结合误差表面判断可靠性。
5. 半变异函数模型应该选球状、指数还是高斯？
应根据实验半变异函数拟合效果、交叉验证指标和地理过程理解选择，而不是固定使用某一个模型。球状模型常用于存在明确变程的情况，指数模型适合相关性逐渐衰减的情况，高斯模型生成的表面通常更平滑。
6. 克里金插值可以用于分类数据吗？
普通克里金主要用于连续数值变量，不适合直接处理土地利用类型、土壤类型、行政区类别等分类数据。分类变量应考虑其他方法，例如最近邻、分类模型、指示克里金或专门的空间分类方法。
7. 为什么克里金插值结果超过了原始采样值范围？
某些插值方法可能产生超出样点最小值和最大值范围的预测值，尤其在趋势、模型拟合或边缘区域影响下更明显。此时需要判断变量是否有明确物理边界，例如浓度不能小于 0，并在必要时调整方法或后处理。
8. ArcGIS Pro 和 QGIS 都能做克里金插值吗？
ArcGIS Pro 的 Geostatistical Analyst 提供较完整的地统计分析流程，包括半变异函数建模、交叉验证和误差输出。QGIS 可通过 Processing 工具箱、SAGA、GRASS 或相关插件完成部分克里金插值任务。不同工具的参数名称和实现细节可能不同，但核心思路一致。
结论：克里金插值要和数据验证一起使用
克里金插值是 GIS 在地统计学中的重要方法，适合把具有空间自相关的离散采样点转换为连续预测表面。它的优势不只是生成一张平滑图，而是能够通过半变异函数表达空间结构，并提供预测误差估计。
实际使用时，关键不是“点一下工具运行”，而是完整检查数据、坐标系、空间自相关、半变异函数、输出范围和交叉验证。只有当这些环节都合理时，克里金插值结果才适合用于制图、分析和报告表达。
Dr.GIS 建议：每次发布克里金插值图时，至少同时保留三样东西：原始采样点图、预测结果图和误差表面图。这样才能让读者看清楚结果从哪里来，也能判断哪些区域更可信。