2. IDW算法原理拆解
反距离加权（Inverse Distance Weighting，IDW）是矿产储量估算中最直观的插值方法之一。它的核心思想可以用一句话概括：未知点的值，由周围已知样品的值加权平均得到，样品离得越近，权重越大，且权重随距离按幂函数衰减。理解IDW，关键是把“公式怎么来、权重怎么变、p起什么作用、邻域怎么定、结果有什么统计性质”这五件事串起来，而不是只记住一个公式。
一、从加权平均到反距离公式
设待估点位置为 x₀，其周围有 n 个已知样品，样品值记为 z(xᵢ)，样品到待估点的距离记为 dᵢ = |xᵢ − x₀|。任何加权平均插值都可写成：
ẑ(x₀) = Σᵢ [ wᵢ · z(xᵢ) ] ， 且 Σᵢ wᵢ = 1IDW 的全部特殊性都体现在权重 wᵢ 的定义上。它要求权重与距离的 p 次幂成反比：
wᵢ = (1 / dᵢ^p) / Σⱼ (1 / dⱼ^p)把权重代回加权平均式，就得到 IDW 的标准形式：
ẑ(x₀) = Σᵢ z(xᵢ) / dᵢ^p ÷ Σᵢ 1 / dᵢ^p这个推导说明两件事：第一，分母的归一化保证了权重之和为 1，因此估计值一定落在参与计算的样品值的最小值与最大值之间，不会外推出异常高或异常低的值；第二，权重只依赖距离，不依赖样品的方位、品位的空间连续性或各向异性，这正是 IDW 简单、稳健但也“不聪明”的根源。
二、权重函数的形式与幂指数 p 的物理意义
权重函数 f(d) = 1/d^p 是一条随距离单调递减的曲线。p 越大，曲线越“陡”，近处样品权重迅速占优，远处样品几乎被忽略；p 越小，曲线越“平”，远近样品的权重差别被压缩，估计结果更接近所有样品的算术平均。工程上常见的取值是 p = 2，这也是“反距离平方”名称的由来；p = 1 时衰减较缓，p = 3～4 时局部性很强。
p 的物理意义可以理解为对“空间相关性随距离衰减速度”的一种人为假设。p 大，等价于假设矿化在短距离内变化剧烈、远距离样品参考价值低；p 小，等价于假设矿化在较大范围内较为连续、平缓。需要强调的是，IDW 并不从数据中估计这个衰减速度，p 是使用者给定的参数，因此它带有主观性。实际工作中常用交叉验证（如留一法）比较不同 p 值下的估计误差，选择误差较小且不产生明显“牛眼”效应的取值。
三、搜索邻域的定义
IDW 是局部估计方法，参与计算的样品不是全部钻孔，而是落在“搜索邻域”内的样品。邻域通常由三类参数共同定义：搜索半径（最大影响距离）、样品数量上下限（如最少 3 个、最多 12 个）、以及各向异性椭球（长轴、短轴、垂向半径与方位角）。搜索半径决定“看多远”，数量限制决定“至少/至多用几个样品”，椭球形状决定“在哪个方向上找样品”。
邻域设置直接影响结果：半径过大、样品过多，估计被平滑，局部高品位被稀释；半径过小、样品过少，估计方差增大，出现孤立的“牛眼”斑块。因此邻域参数应与矿体规模、勘探网度、矿化连续性相匹配，并在估算前通过试验确定。
四、无偏性与平滑性特征
IDW 的“无偏性”需要谨慎表述。由于权重归一化，估计值是样品值的凸组合，因此它不会系统性地高估或低估参与计算的样品均值，在样品分布均匀、局部平稳的假设下具有近似无偏的性质。但它并不保证对真实品位的期望无偏——如果样品本身有偏（如高品位样品采集偏多），IDW 会忠实继承这种偏差。所以更准确的说法是：IDW 是“对样品值的无偏加权平均”，而非“对矿体的无偏估计”。
平滑性是 IDW 更鲜明的特征。估计值是若干样品值的加权平均，天然具有低通滤波效果，会削平局部极值、模糊品位突变边界。当 p 较小或邻域较大时，平滑更强，矿体内部细节被抹平；当 p 较大时，估计值趋近最近样品，平滑减弱但容易出现以样品为中心的同心圆状“牛眼”假象。这种“平滑—牛眼”的权衡，是 IDW 应用中最需要经验判断的地方，也是它与克里金等地质统计方法的重要区别：IDW 不利用变差函数，不区分样品的聚集冗余，也不提供估计方差。
五、一个可复现的示例计算
假设待估点周围有 3 个样品，距离分别为 50 m、100 m、200 m，品位分别为 2.0%、1.5%、1.0%，取 p = 2。则权重正比于 1/2500、1/10000、1/40000，即 0.0004、0.0001、0.000025，归一化后约为 0.762、0.190、0.048。估计品位约为 2.0×0.762 + 1.5×0.190 + 1.0×0.048 ≈ 1.86%。若把 p 改为 1，权重变为 0.571、0.286、0.143，估计值约为 1.71%，可见 p 增大使结果更偏向近处高品位样品。该算例为教学假设数据，用于说明参数影响，不代表实际矿区结果。
综上，掌握 IDW 的关键不在于背公式，而在于理解“距离定权重、p 定衰减、邻域定范围、平均定平滑”这条逻辑链，并能根据矿化特征和交叉验证结果合理设定 p 与邻域参数。