一、什么是核密度估计？
核密度估计（Kernel Density Estimation，简称 KDE） 是一种非参数方法，用于将离散的点要素转换为连续的密度表面。
简单来说，它不再把点看作一个孤立的坐标，而是将每个点看作一个"影响源"——每个点都向外辐射影响力，多个点的影响力相互叠加，最终在地图上呈现出连续的密度分布。
二、核心原理
1. 核函数（Kernel）
算法会在每个点的位置放置一个三维的"钟形曲线"（即核）。这个曲线的特点是：
- 中心最高：点所在位置的影响力最强；
- 向四周逐渐降低：距离点越远，影响力越弱；
- 在指定半径处变为零：超出搜索范围后不再产生影响。
2. 叠加计算
在地图上的每一个像素点，算法会计算所有覆盖该像素的核函数值的总和。换言之，每个像素的最终值 = 覆盖它的所有核函数值之和。
3. 结果生成
重叠的点越多，该位置的数值就越高，颜色就越深，从而形成所谓的"热点"区域。这正是核密度图最直观的视觉效果。
三、关键参数及其影响
1. 半径 / 带宽（Radius / Bandwidth）——最关键的参数
半径决定了核的影响范围，其选择本质上是在平滑度与细节度之间寻找平衡：
- 大半径：结果更平滑，显示宏观的趋势，但会丢失细节（过度平滑）。
- 小半径：结果更精细，能显示局部的小集群；但如果太小，地图会看起来像很多孤立的小圆点（噪声过多）。
2. 核形状（Kernel Shape）——决定影响力的衰减速度
核形状决定了热点边缘的锐利程度。常见的核形状包括：
- Quartic（四次）：衰减较平缓，热点边缘较为柔和；
- Triangular（三角形）：线性衰减，边缘较锐利；
- Epanechnikov：抛物线衰减，介于两者之间。
实际应用中默认的 Quartic 通常已能满足需求。
3. 像素大小（Pixel Size）——决定输出栅格的分辨率
像素越小，图像越细腻，但计算量和文件体积越大；反之亦然。
4. 权重字段（Weight Field）——为不同点赋予不同重要性
如果某些点比其他点更重要（例如：人口点，权重为人口数），可以使用此字段进行加权计算。
四、推荐工具对比
根据当前已安装的工具，建议优先使用 QGIS 原生算法，因为它集成度最高且操作简便。以下是三种可选工具：
优先级 1（首选）
- 算法名称：Heatmap (Kernel Density Estimation)
- 算法 ID：
qgis:heatmapkerneldensityestimation
- 来源：QGIS 原生
- 特点：简单快捷，直接生成栅格
优先级 2
- 算法名称：v.kernel
- 算法 ID：
grass:v.kernel.rast
- 来源：GRASS GIS
- 特点：专业地理分析，支持网络密度
优先级 3
- 算法名称：Kernel Density Estimation
- 算法 ID：
sagang:kerneldensityestimation
- 来源：SAGA Next Gen
- 特点：提供不同的数学实现方式
五、详细制作步骤
以 qgis:heatmapkerneldensityestimation 为例。
第一步：启动工具
在 "工具箱" → "插值" → 选择 热力图（核密度估计）。
第二步：配置参数
- Point layer：选择您的点矢量图层。
- Radius：设置搜索半径（单位与项目坐标系一致，如 EPSG:4326 为度，投影坐标系为米）。
- Output raster size：设置像素大小（Pixel Size X / Y）。
- Kernel shape：根据需求选择（默认 Quartic 即可）。
- Weight from field（可选）：如果有权重字段则选择。
第三步：运行与可视化
- 点击 Run 生成灰度栅格图。
美化步骤
- 右键点击生成的图层 → Properties（属性）；
- 选择 Symbology（符号化） 选项卡；
- 将 Render type（渲染类型） 改为 Singleband pseudocolor（单波段伪彩色）；
- 选择一个颜色渐变方案（如 YlOrRd 黄-橙-红）；
- 点击 Classify（分类） → OK。
六、小结
核密度估计（KDE）通过将离散点要素转化为连续密度表面，能够直观地揭示空间聚集格局。在实际操作中，半径（带宽） 是最需要反复调试的参数——它直接决定了结果是呈现宏观趋势还是局部细节。配合合适的核形状、像素大小与权重字段，可以生成既美观又具分析价值的密度热点图。
对于大多数应用场景，QGIS 原生的 Heatmap (Kernel Density Estimation) 工具足以胜任，配合单波段伪彩色渲染即可快速产出专业级的核密度可视化成果。