Wybierając IDW vs interpolację Kriginga do tworzenia DEM?

Próbuję utworzyć DEM przy użyciu danych punktowych rozmieszczonych bardzo regularnie w odległości około 10 m od siebie. Obszar, który interpoluję, to placówka edukacyjna z wieloma płaskimi parkingami i boiskami do piłki nożnej, ale wciąż ma dość dość strome wzgórza, które często prowadzą do płaskowyżu na parking. Z powodu tych znanych płaskowyżów wykluczyłem metodę spliningu; Jednak nadal nie jestem pewien, czy używam metod IDW i Kriging. Nie widzę żadnej różnicy po wypróbowaniu ich obu i nadal nie podjąłem decyzji po kilku badaniach.

Czy ktoś ma jakieś słowa mądrości, aby wyjaśnić mi to?

Obie formy opierają się na pierwszym prawie geograficznym Toblera: rzeczy, które są blisko, są bardziej powiązane niż rzeczy, które są dalej od siebie.

IDW jest prostszą z dwóch technik. Polega ona na zastosowaniu znanych wartości Z i wag określonych jako funkcja odległości między nieznanym a znanym punktem. Jako takie w punktach IDW, które są daleko, mają znacznie mniejszy wpływ niż punkty, które są blisko. Wpływ odwrotnych wag odległości może często być określany przez użytkownika przez zmianę mocy, do której podniesiona jest odległość odwrotna.

Jak widać na tym diagramie, można określić granice, które punkty danych (wartości z) IDW powinny wziąć pod uwagę przy użyciu promienia wyszukiwania .

IDW różni się od Kriging tym, że nie są używane modele statystyczne. Nie bierze się pod uwagę określania autokorelacji przestrzennej (tzn. Nie określa się, jak zmienne skorelowane są w różnych odległościach). W IDW tylko znane wartości Z i wagi odległości są używane do określania nieznanych obszarów.

Zaletą IDW jest to, że łatwo jest zdefiniować, a zatem łatwo zrozumieć wyniki. Używanie Kriging może być niewskazane, jeśli nie jesteś pewien, w jaki sposób uzyskano wyniki. Kriging cierpi także, gdy występują wartości odstające (patrz tutaj, aby uzyskać wyjaśnienie).

ESRI stwierdza :

Kriging jest najbardziej odpowiedni, gdy wiesz, że w danych występuje skorelowana przestrzennie odległość lub odchylenie kierunkowe. Jest często stosowany w naukach o glebie i geologii.

Kriging to metoda statystyczna wykorzystująca wariogramy do obliczania autokorelacji przestrzennej między punktami w stopniowanych odległościach (fajne wprowadzenie można znaleźć tutaj Statios Variogram Introduction i Washington Intro to Variograms ). Wykorzystuje to obliczenie autokorelacji przestrzennej do określenia wag, które należy zastosować w różnych odległościach. Przestrzenną autokorelację określa się, biorąc kwadratowe różnice między punktami. Wyjaśnienie Kriging jest podobne do IDW w tym, że:

Podobnie jak interpolacja IDW, kriging tworzy ciężary z otaczających zmierzonych wartości, aby przewidzieć niezmierzone lokalizacje. Podobnie jak w przypadku interpolacji IDW, największy wpływ mają wartości zmierzone najbliżej niezmierzonych lokalizacji. ( Źródło )

Różni się jednak tym, że wagi są ustalane na podstawie semi-wariogramu.

„Gdzie n jest liczbą par przykładowych punktów obserwacji wartości atrybutu z oddzielonych od odległości h” (Burrough i McDonnell, 2004: 134).

Istnieje wiele różnych niszowych rodzajów Kriging .

Dalsza lektura:

1. Jak działa IDW .
2. Jak działa Kringing :
3. Jak korzystać z Kriging:
4. Rodzaje interpolacji :