做空间分析这些年，QGIS里的核密度分析算是我用得最频繁的工具之一。它能把一堆看似杂乱无章的点位，比如门店、事故点、采样点、行为事件，变成一张连续平滑的热度栅格，一眼就能看出哪里是高聚集区、哪些地方存在明显的热点结构。这篇文章我会把核密度分析从原理讲到实操，从参数配置讲到结果解读，顺带把我在实际项目里踩过的坑都整理出来，以“连锁咖啡品牌门店选址”为例完整过一遍流程。不管你是刚接触QGIS的规划从业者，还是做商业分析、公共安全、人口研究的朋友，这篇内容都能直接拿去用。
1. 核密度分析是什么：概念、原理和适用场景
1.1 核密度分析的本质
核密度分析（Kernel Density Estimation，KDE）本质上是一个非参数统计方法，放在GIS里就是让每个输入的点，在它周围一定范围内形成一个“影响面”，点越密集的地方，这些影响面叠加起来的数值就越高。你可以想象成把一颗颗糖果撒在面板上，每颗糖都自带一圈缓慢扩散的“温度”，糖多的地方温度自然就高，最后画出来的热力图就是这圈温度的叠加效果。
数学上它做的事情是在每个点位置上放置一个核函数，然后对搜索半径内的点做加权求和。核函数决定了权重衰减的方式，搜索半径（也叫带宽）决定了影响范围有多大。QGIS实现的时候会把研究区域切成一个个像元，每个像元的值就是落在它附近所有点贡献值的总和，最终输出的是一张连续的栅格表面，而不是一个简单的计数结果。
这里有一点要和点密度分析区分开。点密度分析是画一个固定半径的圆滑窗，统计窗口里点的个数，再除以窗口面积；窗口内的点权重完全相同。核密度分析则给每个点赋予随距离衰减的权重，离中心越近贡献越大，结果也更平滑、更接近真实的空间分布趋势。说得直白点，点密度是“一刀切”，核密度是“渐变过渡”。
1.2 核密度能解决哪些空间问题，不能解决哪些
核密度在空间分析里的典型应用场景非常多。我做过的项目中频率最高的是这几类：
- 商业选址：分析现有门店的空间聚集特征，判断哪些区域已经是成熟商圈，哪些区域还有市场空白；
- 公共安全：交通事故点、犯罪事件点的热点识别，辅助巡逻和设施布点；
- 公共卫生：病例分布的热区探测，判断传播是否呈现聚集性；
- 生态与物种：动物活动位点、植物分布点的密度估计，找出核心栖息地；
- 城市研究与交通：共享单车、网约车上下车点、人口活动轨迹的聚集热点。
不过核密度分析不是万能的。它本质上描述的是“过去和现在的分布状态”，不是预测模型，没法告诉你未来某个新店开在这里会吸引多少客流。想预测，得用回归、机器学习或者空间统计模型。另外核密度的结果受带宽影响非常大，带宽小了热点碎，带宽大了趋势糊，所以它更适合做探索性分析，帮你发现“哪里有异常聚集”，而不是替代严谨的统计检验。
2. 环境准备：QGIS安装与数据预处理
2.1 QGIS下载、安装与版本选择
QGIS是一款开源跨平台的桌面GIS软件，官方下载地址是qgis.org，直接选对应操作系统的安装包就行。版本上我强烈建议选长期支持版（LTR），目前常用的3.28和3.34系列都比较稳。没必要追最新版，核密度分析这种核心功能在LTR上成熟度最高，插件兼容性也更好。
安装的时候有一点要注意：虽然QGIS默认安装路径可以一路下一步，但如果你电脑上已经装了Python环境，安装时不要勾选“随QGIS安装Python”相关选项，免得和系统Python冲突。我遇到过好几回，用户装了Anaconda之后再装QGIS，结果PyQGIS模块怎么都导入不了，最后全部卸载重装才解决。QGIS自带一套独立的Python运行时，不需要也不应该和系统Python混用。
装完之后打开主界面，第一次启动会提示设置数据源和默认工程文件夹，按默认走就行。后续用到栅格分析工具，不需要额外装插件，核密度分析已经集成在处理工具箱里。如果你要加载在线影像底图，也不依赖插件，用XYZ Tiles就能加。
2.2 数据准备：点图层、坐标系与字段
核密度分析的输入必须是点要素图层，支持Shapefile、GeoJSON、GeoPackage（GPKG）等常见格式。我建议实际项目一律用GeoPackage，字段名长度限制少，不用像Shapefile那样担心字段重命名问题，也不会像Shapefile那样丢失属性编码信息。
坐标系是核密度分析里最先遇到的一个大坑。QGIS的核密度工具要求输入的坐标系统单位是“地图单位”，如果用的是WGS84经纬度坐标（EPSG:4326），那输出栅格的像元大小和搜索半径单位就是“度”，1度纬度约等于111公里，1度经度在不同纬度差距又很大，出来的结果基本没法看。
正确的做法是先把点数据重投影到一个合适的投影坐标系（如UTM、高斯-克吕格或者适合你城市范围的局部投影），再做核密度。如果你不确定该用什么投影，可以用QGIS内置的“按区域选择适合的投影”工具，或者直接根据你所在城市的中央经线选UTM带。
还有一个数据准备环节容易被忽略：权重字段。核密度工具支持给每个点设置权重，比如咖啡店的门店面积、客流量、营业额，或者事故严重程度，都可以作为权重字段。在做分析之前，我习惯先在属性表里做一遍字段汇总，确认权重字段的类型是数值型，没有空值、负值。QGIS属性表工具栏里有个“字段统计”按钮，能快速算出每个数值字段的最小值、最大值、平均值和标准差，这比打开Excel来回倒腾高效得多。
如果你手里的原始数据是CSV表，里面有经纬度两列，那先用“添加分隔文本图层”导成点图层，再右键图层导出为GeoPackage，完成坐标系定义和字段类型整理，再进入下一步。
2.3 加载底图与影像数据
核密度出来的栅格如果没有底图衬底，读者很难判断热点到底在城市的什么位置。我通常会在QGIS里叠加一张在线底图或者本地影像。
在线底图最通用的方式是使用XYZ Tiles。在图层面板右键选择“添加图层 → 添加XYZ图层”，输入一个可用的瓦片URL模板，刷新后就能显示。网上有很多公开的瓦片服务模板，国内可用的一般是天地图、高德和OSM，天地图需要申请一个免费的密钥，高德和OSM的公开瓦片地址在官方文档和很多技术帖里都能找到。直接百度“QGIS XYZ 国内可用 URL”就能拿到一堆现成模板，拿来即用。
如果是在内网环境，或者想要更稳定的底图，我推荐把影像下载成GeoTIFF后拖进QGIS。本地影像的好处是加载速度快，不依赖网络，出图的时候也不会因为底图瓦片加载失败留下大片空白。加载影像的方法非常简单：直接把GeoTIFF文件拖进图层面板，或者在“图层 → 添加图层 → 添加栅格图层”里选择文件。这里唯一要注意的是影像本身的坐标系和点数据坐标系要一致，否则叠加时会错位，或者被QGIS自动转换后边缘有偏移。
3. 核密度分析实操全流程：以门店选址为例
3.1 调出处理工具箱与核密度工具
这个案例我用了某连锁咖啡品牌在杭州主城区的120家门店点位，每条记录都有一个“月营业额（万元）”字段作为权重，想看看现有门店的热点区域长什么样，以及有没有值得关注的新区域。
在QGIS主界面点击菜单“处理 → 工具箱”，右侧会弹出处理工具箱面板。在搜索框里输入“核密度”或者“kernel density”，就能看到工具：栅格分析 → 核密度估计（Kernel Density Estimation）。双击打开工具对话框。
如果搜索框里找不到这个工具，绝大多数情况是因为处理插件没有启用。检查“设置 → 选项 → 处理 → 提供程序”，确保QGIS原生算法提供程序（QGIS Native）已加载，然后重启一次QGIS就好。
3.2 参数面板逐项解读与推荐配置
核密度工具的界面很简洁，核心参数就六个：
- 输入点图层：选择刚才加载的咖啡店点图层；
- 权重字段：选“monthly_revenue”，该字段必须是数值型；
- 半径（带宽）：单位与图层坐标一致，这里我先填1000，代表1000米搜索半径；
- 像元大小：我填10，单位也是米，表示输出栅格的每个像元是10米乘10米；
- 输出栅格：默认是临时文件，建议指定保存路径为GeoTIFF，方便后续加载；
- 其他参数：默认即可。
点开“高级参数”，里面还有几个选项，最常用的是“输出类型”。QGIS核密度工具支持输出为“密度”或“核强度”，两者的计算公式略有差异。默认输出类型是密度，适合大多数场景，我一般不改。
参数填完之后先不要着急点运行，我先说明一下我为什么选1000米半径和10米像元。杭州主城区面积约三百多平方公里，120家门店的平均间距差不多在800到1500米之间，1000米搜索半径能让每个点都影响到周边几个相邻门店。10米的像元大小对出图来说足够精细，而且120个点、主城区范围下生成栅格也就几百万个像元，计算完全没压力。
如果点一个不落的全部跑完，结果会是一张浮点型的密度栅格。数值本身没有绝对意义，主要是相对大小反映聚集程度。比如某个像元值是0.42，另一个是2.6，那2.6那个位置就是相对更热点的地方。
3.3 输出结果的可视化设置与出图
核密度结果默认加载进来通常是一张全黑的影像，这并不代表分析失败，而是默认渲染方式没法直接反映数据分布。右键栅格图层，打开“属性 → 符号化”，把渲染类型改成“单波段伪彩色”，色带选择“Viridis”或者“YlOrRd”，分位数模式选择“自然断点（Jenks）”，再点击“分类”生成色带。
这里有一个我特别推荐的小技巧：在渐变色渲染的分级设置里，点一下“分类”右侧的“数据定义覆盖”小按钮，选择“按数据范围自动计算”，可以让QGIS根据当前可见区域动态调整分级区间。做多尺度分析时，这个操作能省下大量手工调整色带断点的时间，而且能让每张图在各自尺度下都显示出最清晰的细节。
为了更直观地表达热点边界，我会额外生成一组等值线叠加在栅格上。操作方法是“处理 → 工具箱 → 搜索‘等高线’”工具，输入栅格选核密度结果，设置等值线间距，比如每0.5生成一条线，跑完后将生成的线图层叠加在核密度图层之上，透明度调至50%左右。这样从热力云图到等值线边界，一张完整的核密度分析图就成型了。
出图之前别忘了调整图层的顺序：影像底图放最底层，核密度图层放中间，设为半透明（我一般用60%到70%的透明度），等值线和门店点放在最上面。底图叠加后再配合矢量点的分布，整个空间关系才真正清楚。
3.4 用PyQGIS批量跑核密度分析
当方案迭代比较多的时候，比如想同时对比500米、800米、1200米三种带宽的结果，手动在工具栏里一遍遍点参数就很痛苦。这时候可以直接用QGIS内置的Python控制台批量执行。
在“插件 → Python控制台”里粘贴下面这段代码，按目标带宽批量运行核密度工具：
import processing from qgis.core import QgsVectorLayer layer_path = r"D:/data/coffee_stores.gpkg" layer = QgsVectorLayer(layer_path, "coffee_stores", "ogr") for radius in [500, 800, 1200]: out_path = r"D:/data/kde_{}m.tif".format(radius) params = { "INPUT": layer, "WEIGHT": "monthly_revenue", "RADIUS": radius, "PIXEL_SIZE": 10, "OUTPUT": out_path } processing.run("qgis:kerneldensityestimation", params) print("完成", radius, "米带宽")这段代码会把三个带宽的结果分别输出为三个GeoTIFF文件。你在实际项目中可以再加上循环修改权重字段、像元大小等参数，甚至配合QGIS的批量处理模型（Graphical Modeler）做更复杂的分析流程。我自己的习惯是先用Python跑出8到10个备选方案，然后一次性加载到地图界面里对比，效率比手动一个个跑高太多了。
4. 参数背后的计算逻辑：如何把核密度做准
4.1 带宽到底选多少：从理论公式到经验法则
带宽是核密度分析里最关键的参数，直接决定结果的平滑程度。带宽选择过小，每个点周围只有极少数邻居参与计算，结果呈现出一堆孤岛状的高值碎片，热区被切得细碎；带宽选择过大，所有点都被大范围平滑掉，结果变成一张近似平原的均匀分布图，热点信息完全丢失。
理论界对带宽估计有不少研究，其中最常用的是Silverman经验法则：
h = 0.9 * min(sd, IQR / 1.34) * n^(-0.2)
其中sd是点集的x或y坐标标准差，IQR是四分位距，n是点的数量。这个公式可以快速给出一个合理化建议值，但其计算结果基于点坐标的方差，和点的空间分布形态关系很大，并不是每个数据都适合直接套用。
我自己的经验是，从来不看单一的“最优带宽”，而是做多尺度对比。先用一个比较小的带宽看局部聚集，再用一个比较大的带宽看宏观趋势，最后综合判断。比如咖啡店案例里，我对比了500米、1000米、1500米三档结果：500米能看出每个商圈内部的密集位置，1000米能看到街区级的热点板块，1500米则能看出城市层面的热点轴带。三张图叠在一起，才能回答“现状热点在哪”和“未来拓展往哪走”两个问题。
4.2 像元大小与输出范围的影响
像元大小决定输出栅格的粒度。像元越小，结果越精细，但计算量和文件体积会成倍增加。这里有个经验值：把像元大小设为带宽的1/100到1/50，既不会损失太多细节，也不会让栅格文件膨胀到不可接受。举个例子，带宽1000米时，像元设为10到20米；带宽500米时，像元设为5到10米。如果设置得太细，比如带宽500米时像元设成1米，那整个栅格动辄上亿个像元，跑起来又慢又卡，出图也看不出额外信息。
输出范围默认是输入图层的范围加上带宽范围的缓冲。实际分析中如果你只想关注特定行政区或者特定区域，可以在“高级参数”里手动指定输出范围。注意这个范围和图层显示范围是两个概念，它决定了实际参与计算的栅格区域，不是简单的显示裁剪。
另外一个容易被忽略的点是栅格背景值。QGIS核密度工具会把没有数据的位置设为NoData，出图时会显示为透明，这是正常的。但如果你要把结果导出给同事或者导入ArcGIS，别忘了勾选“在输出数据中保留NoData作为背景值”，否则栅格文件里所有NoData位置会变成0，很容易被误读为“这里密度为零”，而不是“这里没有数据”。
4.3 核函数与算法实现的差异
核密度分析里的“核”（kernel）是一个决定权重衰减形状的函数。常见的有均匀核、三角形核、高斯核、Epanechnikov核和quartic（四次多项式）核。QGIS内置核密度工具在算法实现上默认使用quartic核函数，ArcGIS中经典的核密度工具默认也是quartic核，这保证了两个软件在相同参数下的结果可以直接互相验证对比。R语言里的density()函数默认用高斯核，如果你习惯用R做分析，转过来用QGIS时要注意这个细微的差别。
不同的核函数对结果整体形状影响不大，真正影响大的是带宽和像元大小。所以我在实际项目中很少纠结“这个工具到底用哪种核”，更关注的还是参数的合理性以及结果的解释方式。换句话说，算法背后的数学差异属于锦上添花，不是你做不好核密度分析的核心瓶颈。
权重字段也是容易踩坑的地方。QGIS核密度工具支持权重字段，但如果你选的字段里有空值或乱码，工具会直接报错，或者输出结果里对应点的贡献变为零。处理办法是先用字段统计检查数据完整性，必要时用字段计算器重建一个权重字段，把空值替换为0或剔除。现在这个案例里我用的是月营业额，因为营业额和门店周边的商圈热力正相关，用营业额作为权重能突出高价值门店聚集区，比单纯用点数更有商业参考意义。
5. 常见问题与排查技巧实录
5.1 结果全黑或全空白
这是核密度分析新手问得最多的问题。结果加载进来是全黑的，第一反应是“是不是跑失败了”，但绝大多数情况只是渲染设置的问题。核密度输出的浮动栅格默认用“单波段灰阶”渲染，而且范围拉伸没有按数据范围计算，所以看起来就是一片黑。
解决方法是右键图层 → 属性 → 符号化，改成“单波段伪彩色”，在“颜色渐变”下拉选一个合适的色带，然后点击“分类”。如果分类后还是全黑，检查一下拉伸模式，改成“按实际数据范围拉伸”，问题立刻消失。
5.2 坐标系导致单位异常
之前提过，如果输入的是经纬度坐标，带宽填1000意味着1000度，这个范围大到全中国都糊成一片。怎么快速判断是不是坐标系问题？打开图层的属性 → 信息，看坐标系是“EPSG:4326”还是“EPSG:32650”这类投影坐标系。如果是4326，用“处理 → 矢量通用 → 重投影图层”工具把点转到合适的投影坐标系，再重新跑一遍核密度。
有时候原始数据虽然是投影坐标系，但单位不是米而是英尺（美国数据常见），比如某些State Plane坐标系。这个也容易坑人。我吃过一次亏：拿到一个美国的点数据，带宽设置成1000以为是米，结果单位是英尺，出来的热点范围整整缩水了约三分之一。所以跑之前一定要确认图层单位。
5.3 栅格范围不对或文件巨大
如果输出栅格范围比预期大出很多，大概率是坐标系或者输出范围设置有误。比如点数据本身只有城市中心一小块，但坐标范围因为某个异常点被拉得特别远，核密度结果也会把范围扩展到那个异常点附近。排查方法是先打开点图层的属性表，按坐标字段排序，看是不是有坐标异常的点，比如经纬度写反、坐标多一位小数之类的。
文件巨大一般是像元大小设置太小所致。一个10000×10000的栅格，大小差不多是几十MB到上百MB，如果像元设成1米而研究范围是几十平方公里，那直接变成十亿级像元，电脑肯定扛不住。我的建议是如果带宽在1000米级别，像元至少设10米以上；如果带宽只有100米，像元设2到5米就足够了。
5.4 特殊数据格式问题：NetCDF与数据定义覆盖
群里经常有人问“QGIS能不能对NetCDF数据做核密度”。答案是核密度工具的核心输入一定是点矢量图层，NetCDF是栅格或多维多维数据，不能直接作为输入。你如果把NetCDF数据先通过“栅格转矢量点”工具转成点，再进入核密度流程，是可以的，但要注意转出来的点数量可能非常大，几百万个点是常有的事，这时务必先用“点抽样”或“随机提取”做一次抽稀，否则工具跑几个小时都出不来。
另一个我特别喜欢但很多人不知道的功能是“数据定义覆盖”（Data-defined Override）。它其实遍布QGIS的符号化、标注、布局等大量设置项中，表现形式是一个带粗算符号的按钮。核密度结果出图时，我经常用它在“按数据范围自动计算”中动态调整色带区间，这样在缩放扫描地图时，热力渲染会跟着当前浏览范围变化，做多尺度探索分析时效率极高。很多教程只会让你手动改色带区间，没提这个入口，属于典型的“官方文档没细讲但巨好用”的隐藏功能。
5.5 与点密度、插值结果的对比
核密度结果到底对不对，一个比较直接的验证方法是和点密度结果对比。把核密度输出的热点区域，和人工圈选的高密区重叠，如果两者出现明显错位，比如核密度显示A区是热点但点密度显示B区是热点，那大概率是带宽或者权重设置出了问题。更严谨一点，还可以把点数据按网格聚合，做一个渔网统计，和核密度结果做相关性分析。这个做法在论文或项目报告里经常被用来证明热点识别的稳健性。
6. 实操心得与进阶建议
6.1 三步快速出热力图的个人工作流
我做了大量核密度分析之后，目前个人工作流已经固定为三步。第一步是数据预处理，把点数据整理成坐标系正确、字段完整的图层；第二步是多尺度试探，同时跑小、中、大三档带宽的结果，快速锁定合理的带宽量级；第三步是结果精修，确定最终带宽后，调像元大小、选渲染色带、叠加等值线和底图，完成出图。整个过程从拿到原始数据到出图，熟练的话半小时内能搞定。这套流程我在不同的项目里几乎原样套用，非常稳定。
6.2 容易踩的坑汇总
前面在常见问题里分散讲了一部分坑，这里我再汇总几条最容易犯的：
- 权重字段用了字符串类型，工具直接报错，做法是先字段计算器转成整数或浮点数；
- 图层文件是中文路径，部分插件或工具可能在输出时把临时文件名搞乱，建议所有路径都改成英文；
- 输出栅格保存为GeoTIFF时，如果没有指定压缩方式，文件可能很大。在“另存为”对话框中选“LZW压缩”或者“DEFLATE”，能明显缩小文件体积而且几乎不损失精度；
- 结果图里如果想显示门店点本身，注意点的符号大小不要压过热力图的色彩对比，用半透明小圆点最合适。
6.3 后续扩展：PyQGIS与Qt集成
核密度分析做完一次以后，如果你想把整套流程固化到自己的工具里，QGIS给你留好了两条路。一条是图形化建模器，在“处理 → 图形化建模器”里把核密度工具和重投影工具、字段统计工具串起来，做成一个可视化流程，以后换数据直接重新跑一遍。另一条是用PyQGIS把核密度算法嵌入到自研的Qt桌面应用或者Web服务里。
很多做桌面GIS开发的朋友问过“Qt怎么使用QGIS”。其实就是在你的Qt项目里链接QGIS的C++ API，或者用Python绑定（PyQGIS），把qgis.kerneldensityestimation这个算法当作一个后端处理函数调用。底层的核心函数和你在QGIS界面里手动点的完全是同一个东西，所以效果完全一致。在QGIS Python控制台里，一句processing.run("qgis:kerneldensityestimation", params)就能完成一次核密度运算，这种封装方式让二次开发变得非常轻量。如果你的业务需要每天自动跑一批新数据的核密度，挂一个定时任务循环运行PyQGIS脚本，再把结果发布成WMS服务给前端展示，整条自动化链路就通了。
最后再分享一点个人体会。核密度分析这个工具门槛不高，但想真正用得好，功夫往往在参数之外。我见过很多人拿默认参数跑出一张红彤彤的图，然后对着图说“这里密度高、那里密度低”，这其实只算完成了一半。真正的分析应该包含至少一次多尺度对比，以及对你所选参数的合理解释。你选1000米还是3000米，背后应该有一个和业务场景强关联的理由，而不是因为默认值是1000就直接用了。下次你在QGIS里跑核密度，不妨多花十分钟把一两个对比方案的图也跑出来，你会发现对这个数据空间结构的理解会深一个层次。
