{
  "id": "spatial-interpolation",
  "title": "空间插值",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "空间插值利用带有地理位置的观测数据，根据距离、空间依赖性、环境关系或其组合，估计未采样位置的数值。",
  "category": "geography",
  "subcategory": "",
  "type": "concept",
  "aliases": [
    "空间内插"
  ],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/spatial-interpolation/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/spatial-interpolation/",
      "json": "https://aiwiki.page/en/spatial-interpolation.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "空间插值是利用其他位置的测量值，并依据变量在空间中如何变化的假设，估计未观测位置上该变量数值的方法。它是空间分析、地理信息系统（GIS）和地质统计学中的一项基本操作。例如，估计气象站之间的降雨量、根据测量点构建高程表面，以及绘制水井之间的地下水位分布图。所得表面是空间变化的模型，而不是一组新增的观测数据。"
    },
    {
      "heading": "原理与数学表述",
      "text": "假设在位置 \\(\\mathbf{s}_1,\\ldots,\\mathbf{s}_n\\) 上有测量值 \\(z(\\mathbf{s}_1),\\ldots,z(\\mathbf{s}_n)\\)。目标是估计未采样位置 \\(\\mathbf{s}_0\\) 上的数值，记为 \\(\\hat z(\\mathbf{s}_0)\\)。\n\n许多插值方法采用以下形式：\n\n\\[\\hat z(\\mathbf{s}_0)=\\sum_{i=1}^{n}w_i(\\mathbf{s}_0)z(\\mathbf{s}_i),\\]\n\n其中，权重 \\(w_i\\) 取决于预测位置、所使用的观测数据以及所选方法。权重之和通常为一，使估计量能够重现常数表面，但这一条件并非普遍适用。有些方法还包含额外的趋势模型，或采用非线性关系。\n\n一种常见依据是空间自相关：相近位置的观测值往往比相距较远位置的观测值更为相似。然而，仅凭距离近并不能保证相似。山脊、海岸线、地质断层或突变的土地利用边界，都可能将条件显著不同的位置分隔开来。空间依赖性在某一方向上也可能比另一方向更强，这种性质称为各向异性。\n\n插值与外推\n\n插值通常是指在有观测数据支撑的区域内进行估计。外推则将预测扩展到这种支撑范围之外。对于散点数据，凸包——包含所有采样位置的最小凸区域——是一个有用的几何参照，但不足以单独衡量观测数据的支撑程度。即使预测位置位于凸包内部，如果它处于较大的采样空白区内，或与观测点之间存在物理屏障，预测仍可能缺乏充分约束。\n\n这一区别很重要，因为一种方法即使在观测点之间表现良好，超出这些观测数据的地理范围或环境条件范围后，也可能变得不稳定或不可靠。\n\n精确插值与平滑插值方法\n\n精确插值方法在观测位置重现观测值。平滑插值方法则可以偏离个别测量值，以表示潜在的空间过程，或减弱测量噪声的影响。\n\n精确性并不必然意味着准确度更高。如果测量值含有误差，强制表面通过每一个观测值，可能重现的是噪声，而非其背后的真实场。某种方法是否属于精确插值，可能取决于其参数设置，也取决于预测目标是含噪声的观测值，还是潜在的无噪声过程。"
    },
    {
      "heading": "主要方法",
      "text": "最近邻插值\n\n最近邻插值将距离预测位置最近的观测值赋给该位置。它会生成分片常数区域，各区域之间以突变边界分隔。\n\n这种方法简单、计算成本低，而且不会产生新的数值。它适用于类别标签，或需要保留原始数值的应用。不过，对于平滑变化的物理量，区域之间的突变通常并不符合实际。对于类别现象，基于邻近关系进行赋值只是一种分类规则，并不能证明真实边界位于观测点之间的中间位置。\n\n反距离加权法\n\n反距离加权法（IDW）通过归一化的距离加权平均来估计数值：\n\n\\[\\hat z(\\mathbf{s}_0)= \\frac{\\displaystyle\\sum_{i\\in N(\\mathbf{s}_0)}d_i^{-p}z(\\mathbf{s}_i)} {\\displaystyle\\sum_{i\\in N(\\mathbf{s}_0)}d_i^{-p}},\\]\n\n其中，\\(d_i\\) 是预测位置到第 \\(i\\) 个观测点的距离，\\(p>0\\) 是幂参数，\\(N(\\mathbf{s}_0)\\) 是选定的邻域。在观测位置上，精确插值的实现方式会直接返回观测值，而不计算这个在该处存在奇点的表达式。\n\n幂值越大，影响越集中于附近的观测点；幂值越小，影响范围越广。结果还取决于搜索半径、邻近点数量及采样点的空间布局。\n\n由于标准反距离加权法采用非负且归一化的权重，估计值始终处于参与计算的观测值范围内。这种方法易于应用，但可能在孤立样本周围产生环状的“靶心”图案，而且本身不提供概率意义上的预测不确定性。\n\n三角剖分与自然邻点插值\n\n不规则三角网（TIN）将采样点连接成互不重叠的三角形。在每个三角形内，线性插值利用顶点值确定一个平面。所得表面在三角形边界处连续，但坡度通常会在这些边界处发生突变。\n\n自然邻点插值根据插入预测点后沃罗诺伊剖分的变化来确定局部权重。标准自然邻点插值采用非负权重，保留观测值，且通常比分片线性三角网插值产生更平滑的过渡。边界处理需要特别注意，尤其是在凸包之外。\n\n这两类方法常用于地形建模，以及其他涉及不规则分布点的应用。\n\n样条与径向基函数\n\n样条插值拟合具有指定光滑性质的表面。例如，薄板样条在对观测值的拟合程度与表面弯曲程度相关的惩罚项之间取得平衡。插值样条通过各个观测点，而平滑样条则允许偏离观测值。\n\n径向基函数方法使用以采样位置为中心的函数来表示表面，通常还结合多项式项。其中某些具体形式在数学上与样条方法存在重叠。\n\n这些方法能够有效地表示平滑变化的场，但某些配置会产生高于或低于观测值范围的数值。这种超调对于取值有界的量或具有尖锐不连续特征的地形而言，可能带来问题。平滑参数和形状参数会显著影响结果。\n\n趋势面与基于回归的方法\n\n趋势面利用坐标的数学函数来表示大尺度空间变化，所用函数通常为多项式。基于回归的预测还可以使用高程、距海岸的距离或土地覆盖等解释变量。\n\n当目标变量受到地理条件的影响，且这种影响可通过可识别的环境关系来描述时，这些方法很有用。例如，高程可以解释气温空间变化的一部分。\n\n一种常见的混合策略是先拟合回归模型，再对残差进行插值，最后将两部分预测值相加。回归克里金就是其中一种方法。虽然在实际制图中，基于回归的空间预测常被归入空间插值，但它的范围比仅依据邻近目标观测值进行插值更广。\n\n克里金插值\n\n克里金插值根据空间依赖性模型和指定的均值结构推导预测权重。普通克里金假设在相关建模区域或邻域内存在一个未知的恒定均值；泛克里金则纳入指定的空间趋势。\n\n空间依赖性通常用变异函数描述。在本征平稳性假设下，半变异函数为：\n\n\\[\\gamma(\\mathbf{h})= \\frac{1}{2}\\operatorname{Var} \\left[Z(\\mathbf{s}+\\mathbf{h})-Z(\\mathbf{s})\\right],\\]\n\n其中，\\(\\mathbf{h}\\) 是间隔向量。常见的模型特征包括块金值、基台值和变程：块金值与测量误差或小于采样尺度的变化有关；基台值表示具有平台的模型中半方差的极限值；变程描述空间依赖性持续存在的距离。\n\n在其假设成立的条件下，克里金插值提供最优线性无偏预测量，以及基于模型的预测方差。但这并不意味着它在所有情况下都优于其他方法：其表现取决于采样设计、均值模型、空间协方差模型以及测量误差的处理方式。克里金权重可以为负，因此预测值不一定处于观测值范围内。\n\n预测方差以拟合模型为条件，通常不能充分计入模型参数估计的不确定性，或未被识别的模型设定错误。"
    },
    {
      "heading": "历史发展",
      "text": "空间插值是在测量学、制图学、数值分析和应用统计学等相互交织的传统中发展起来的。估计测量点之间的高程以及绘制等值线，都是由来已久的制图任务。\n\n20世纪，数字计算的发展使系统性的表面拟合和大规模数值插值越来越具有可行性。地质统计学尤其在采矿和矿石储量估算的推动下得到发展，提供了显式建模空间依赖性的方法。此后，克里金插值在环境科学和地球科学中得到广泛应用。\n\n地理信息系统、数字地形建模和自动化监测的发展，扩大了插值的应用范围。近年来的系统进一步将空间统计模型与大型环境数据集、可扩展计算和机器学习方法相结合。"
    },
    {
      "heading": "数据准备与模型设计",
      "text": "坐标与距离\n\n插值需要采用适当的坐标参考系统。将经纬度当作普通平面坐标处理，可能导致距离失真，尤其是在大范围区域或高纬度地区。根据地理范围的不同，适宜的选择包括恰当的投影坐标系统、大地线距离，或定义在球面上的模型。\n\n距离也可能需要根据具体过程来解释。对于某些河流变量，沿河道的距离可能比直线距离更有意义；海岸线或地质边界则可能限制连通性。\n\n采样点的空间布局与数据质量\n\n密集且分布均匀的观测数据通常比稀疏或聚集的观测数据能够支持更精细的空间细节。在未充分考虑采样点空间布局的方法中，聚集的观测点可能产生过大的影响。异常值、坐标错误、重复位置、单位不一致以及不同时间采集的测量值，都可能使表面失真。\n\n因此，邻域设计是模型的一部分。搜索半径、最大邻近点数量和方向扇区会影响哪些观测数据参与各个位置的预测。过小的邻域可能产生不稳定的局部变化；过大的邻域则可能掩盖局部结构。\n\n空间支撑与分辨率\n\n测量值对应一定的空间支撑，即一个点、土芯、样地、网格单元或行政区域。预测点值与预测某一区域的平均值并不是同一项任务。例如，块克里金会显式估计指定面积或体积内的平均值。\n\n生成精细的栅格数据网格，并不会创造出相应分辨率的信息。根据间距很大的观测点生成一米分辨率的输出网格，可能让人误以为结果具有如此精细的细节。\n\n基于区域汇总数据的插值还会带来不同于点插值的问题。例如，在不同分区之间重新分配人口数量，需要进行面插值，而且通常需要施加总量守恒约束。这些问题与可变空间单元问题有关。"
    },
    {
      "heading": "验证与不确定性",
      "text": "一幅看起来合理的地图，不足以证明预测准确。验证需要将预测值与未参与模型拟合的观测值，或独立采集的观测值进行比较。\n\n常用指标包括表示有符号误差平均值的平均误差，以及均方根误差：\n\n\\[\\operatorname{RMSE}= \\sqrt{\\frac{1}{m}\\sum_{j=1}^{m} \\left[\\hat z(\\mathbf{s}_j)-z(\\mathbf{s}_j)\\right]^2}.\\]\n\n与均方根误差相比，平均绝对误差对个别大误差不那么敏感。各项指标描述了性能的不同方面，应结合变量的单位和预期用途加以解释。\n\n交叉验证必须考虑空间结构。当测试观测点非常接近训练观测点时，随机留出部分点可能得到过于乐观的结果。空间分块验证、设置分隔缓冲区或按区域留出数据，能够更好地反映对空间空白区或新区域进行预测的情况。验证设计应与预期预测任务相匹配；没有一种数据划分策略适用于所有应用。\n\n不确定性有多个来源：\n\n- 测量误差及未能分辨的小尺度变化；\n- 稀疏或不均匀的空间覆盖；\n- 拟合趋势和依赖性参数的不确定性；\n- 对平稳性、屏障或方向依赖性的错误假设；\n- 测量数据之间的时间差异。\n\n概率预测可以通过区间覆盖率及其他校准诊断方法进行评估。本身不含不确定性模型的方法，可以采用空间重采样或集成等额外程序，但这些程序同样需要相应假设。测量不确定度与插值不确定性相互关联，但并不相同。"
    },
    {
      "heading": "应用",
      "text": "空间插值应用于多个主要领域：\n\n- **地形建模：**根据实测高程或采样点云构建数字高程模型。\n- **气象学与气候学：**绘制观测站之间的降水、气温及其他变量的分布图，有时使用高程和更大范围的气候场作为预测变量。\n- **水文学：**估计地下水水位及水系统中其他具有空间分布特征的属性。\n- **土壤与环境制图：**根据实地测量结果表示土壤特性、盐度和污染物浓度。\n- **矿产资源估算：**预测地质域内的品位和资源量，通常会显式考虑空间支撑。\n- **海洋与大气观测：**根据不规则采样位置重建场，同时考虑深度、时间和物理边界。\n\n在重投影或图像变换过程中，对现有网格进行重采样时，也会使用插值。在这种情况下，源数据值已经位于规则网格上，其任务不同于根据散点观测构建场。最近邻、双线性和三次重采样是常见方法。"
    },
    {
      "heading": "局限性与解读",
      "text": "没有一种插值方法能够对所有变量、采样设计和预测目标都达到最优。平滑变化的场、突变边界、具有方向性的过程，以及高度偏斜的测量数据，可能需要不同的模型。\n\n平滑表面可能掩盖很大的不确定性，而精确插值表面也可能忠实地重现错误观测值。确定性方法不会仅仅因为不报告不确定性，就消除不确定性。反过来，基于模型的置信区间或预测区间，也不能保证所有重要误差来源都已得到体现。\n\n插值主要用于预测，而不是解释因果。某个变量与高程或土地覆盖之间存在空间关联，本身并不能确立因果关系。空间预测也无法可靠地恢复观测数据和辅助信息未能分辨的特征。因此，解读插值地图时，需要关注采样覆盖情况、模型假设、验证结果，以及估计值与观测值之间的区别。"
    }
  ],
  "links": [
    "spatial-analysis",
    "geographic-information-system",
    "polynomial",
    "cartography",
    "contour-line",
    "machine-learning",
    "coordinate-reference-system",
    "raster-data",
    "cross-validation",
    "measurement-uncertainty",
    "digital-elevation-model",
    "precipitation",
    "groundwater",
    "causation"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}