🎓 高斯核密度估计 (Gaussian KDE) 原理详解

摘要：使用 高斯核密度估计 (KDE) 来计算地震的空间聚集程度。这是一种从离散点数据中提取连续分布趋势的强大统计工具。

1. 🔍 什么是 KDE？

核密度估计 (Kernel Density Estimation) 是一种评估随机变量概率密度函数 (PDF) 的非参数方法。

📊 直方图 vs KDE

通常，我们习惯用直方图 (Histogram) 来观察数据分布：把地图划分为网格，数每个格子里有多少地震。但直方图有两个缺点：

1. 不平滑：结果是方块状的阶梯，不连续。
2. 依赖参数：如果不小心改变了网格 (Bin) 的大小或起始位置，结果看起来会完全不同。

KDE 解决了这个问题。它能根据离散的地震点，推测出一个连续、平滑、甚至优美的密度曲面，帮我们一眼看穿“哪里才是真正的地震热点”。

2. ⏳ 原理直觉：堆沙子模型

为了直观理解 KDE，我们可以想象一个上帝视角堆沙子的游戏：

1. 放置沙堆 🏖️： 对于你在地图上观测到的每一个地震点，你都在那个坐标位置倒上一小堆沙子。

2. 高斯形状 🔔： 这堆沙子不是圆柱体，而是一个完美的高斯钟形 (正态分布) —— 中间最高，向四周逐渐变低变平。

3. 甚至叠加 ➕：

   • 如果很多地震聚在一起，它们的沙堆就会互相重叠，累加后的沙丘就非常高。
   • 如果地震点很分散，沙堆就孤零零的，高度很矮。

4. 最终地形 🏔️： 当你把所有地震点的沙子都倒完，地面上形成的那个连绵起伏的沙丘表面，就是核密度估计的结果。

📝 数学公式 (简化版)： $\hat{f}(x) = \frac{1}{n} \sum_{i=1}^{n} K_h (x - x_i)$

• $n$: 数据点总数
• $K$: 你倒沙子的形状 (核函数)，这里是高斯函数。
• $h$: 沙堆的胖瘦 (带宽)，决定了平滑程度。

3. 🎛️ 关键参数：带宽 (Bandwidth)

在 KDE 算法中，最重要的调节旋钮就是带宽 ($h$)。它决定了用来平滑的高斯“沙堆”到底有多胖。我们需要在“过噪”与“过平”之间寻找平衡点：

• 📉 过小 (Under-smoothing)

  • 现象：沙堆太瘦，像一根根针。
  • 后果：结果充满噪声，全是孤立高峰，趋势不明显。

• 📈 过大 (Over-smoothing)

  • 现象：沙堆太胖，像一个大饼。
  • 后果：特称糊成一团，丢失局部细节，中心模糊。

• ✅ 自适应 (Adaptive)

  • 方案：本代码使用的 bw_method='scott'。
  • 原理：根据数据量自动计算最平衡的宽度，实现“刚刚好”的平滑。

4. 💻 本文代码实现解析

在 Python 的 scipy.stats 库中，我们仅需三步即可完成这个复杂的数学过程：

#Step 1: 拟合模型 (上帝视角的沙堆生成器)
# 根据输入数据 (经纬度坐标) 创建 KDE 对象，'scott' 规则自动帮你决定沙堆胖瘦
kde = gaussian_kde(values, bw_method='scott') 

# Step 2: 估算密度 (生成地形)
# 在我们生成好的规则网格位置上，计算所有"高斯沙堆"叠加后的高度值
z = kde(positions)

# Step 3: 归一化 (让数据会说话)
# 将原始密度值线性映射到 [0, 1] 区间
# 0 = 绝对安全区 (无地震)
# 1 = 极度危险区 (全图最密集中心)
z_norm = (z - z_min) / (z_max - z_min)