每个人都有智慧的话可以为我解决吗？
#1 楼
两种形式都依赖于Toblers的地理第一定律：相距较近的事物比相距较远的事物更为相关。IDW是两种技术中较简单的一种。它涉及使用根据未知点和已知点之间的距离确定的已知z值和权重。因此，在IDW中，相距较近的点的影响要小得多。用户通常可以通过更改反距离权重的乘方来确定反距离权重的影响。
如该图所示，您可以使用搜索半径来确定IDW应考虑哪些数据点（z值）的限制。
IDW与Kriging的不同之处在于，不使用统计模型。没有考虑到空间自相关的确定（也就是说，没有确定相关变量在不同距离处的关系）。在IDW中，仅使用已知的z值和距离权重来确定未知区域。
IDW的优点是易于定义，因此易于理解结果。如果您不确定结果是如何得出的，则不建议使用Kriging。当存在离群值时，克里金法也会受到影响（请参阅此处以获取解释）。
ESRI状态：
当您知道数据中存在与空间相关的距离或方向偏差时，克里金法最合适。它通常用于土壤科学和地质学。
克里格（Kriging）是一种统计方法，利用变异函数来计算渐变距离上的点之间的空间自相关（可以在Statios Variogram Introduction和Washington Variograms上找到很好的介绍）。它使用这种空间自相关计算来确定应在各种距离下应用的权重。空间自相关通过对点之间的平方差求和来确定。阐明克里格效应与IDW的相似之处在于：像IDW插值一样，克里金法根据周围的测量值形成权重，以预测未测量的位置。与IDW插值一样，最接近未测量位置的测量值影响最大。 （来源）
但是不同之处在于，权重由半变异函数确定。
“其中n是属性z的值与距离h”分开的观测点的样本点对的对数（Burrough and McDonnell，2004：134）。
克里格有许多不同的利基类型。
进一步阅读：
IDW的工作原理。
Kringing的工作原理：
克里格方法的使用方法： />
评论
当Kriging是一个不错的选择时，我认为您需要“条件DME建模”之类的东西。欢迎使用GIS.SE。是否像通常那样由现场测量师明智地选择了点？即，他们是否选择了坡度中断点？另外，DEM的目的是什么？轮廓，体积？这样的事情会影响我们的建议。
在这种情况下，克里金应比IDW更好地工作，但需要大量的专业知识和注意事项，因为您对地形的描述表明空间相关性将不会保持稳定，这是克里金背后的重要假设。 （没有这种假设，甚至无法估计有效的方差图。）如果有选择，您可能会考虑创建TIN。
TIN +1，在您的情况下确实值得考虑。