Вы решаете, какой метод интерполяции использовать для повторной выборки растровых данных?

Существуют ли жесткие и быстрые правила о том, какие методы интерполяции подходят для каждого типа растровых данных?

Я согласен, что нет жестких и быстрых правил, но есть некоторые рекомендации для различных методов интерполяции. Например, IDW лучше всего, когда у вас достаточно плотные точки для начала. Кригинг интенсивно использует процессор, обычно используется при моделировании почвы / геологии. Сплайн обычно используется, когда требуется гладкая поверхность, например, данные о температуре. Некоторые методы позволяют результирующему растру проходить через исходные точки, а другие - нет.

Хотя он ориентирован на ArcGIS, хороший обзор различных методов можно найти в 4-страничном документе.

Интерполяция поверхностей в ArcGIS Spatial Analyst

Разъяснение вопроса указывает на то, что ищутся методы повторной выборки растра . Многие из них используются в сообществах фотографирования и фотографирования . Однако для работы с ГИС широко используются несколько простых методов:

• Соседство ближайшего соседа . Каждой ячейке в новом растре присваивается значение ближайшей ячейки (от центра к центру) в исходном растре. Используйте это для категориальных данных, таких как землепользование и другие классификации.

• Билинейная интерполяция . Каждой ячейке в новом растре присваивается среднее значение на основе четырех ближайших исходных ячеек. Усреднение является линейным в горизонтальном и вертикальном направлениях. (Полученная формула, однако, не является линейной; она на самом деле является квадратичной.) Это хорошо для сглаживания общего назначения, но усреднение, которое происходит, обычно обрезает локальные пики и ослабляет немного.

• Кубическая свертка . По духу это похоже на билинейную интерполяцию, но может немного экстраполировать значения из соседних ячеек. Это делается таким образом, чтобы воспроизвести средние значения и изменчивость в новой сетке; в частности, отсечение локальных экстремумов не должно быть столь серьезным. (Одно неблагоприятное последствие, очевидное как ошибка в ArcGIS ESRI, заключается в том, что значения в новой сетке могут выходить за пределы диапазона старой, что приводит к неправильной визуализации некоторых новых крайностей. Но это вопрос данных только отображение.) Компромисс в том, что для вычисления кубической свертки требуется немного больше времени, чем для билинейной интерполяции.

Я обсуждаю последние два метода более подробно на http://www.quantdec.com/SYSEN597/GTKAV/section9/map_algebra.htm

Для быстрых одноразовых вычислений я обычно выполняю билинейную интерполяцию (для непрерывных данных) или интерполяцию ближайшего соседа (для категориальных данных). Для всех остальных, особенно при подготовке основных наборов данных или при ожидании обширных манипуляций, я рекомендую использовать кубическую свертку (а также подумать о порядке операций, чтобы минимизировать распространение ошибки с плавающей запятой).

Согласно ESRI доступные методы интерполяции (доступные как инструменты в Spatial Analyst и других расширениях) сравниваются следующим образом: (цитирование)

Инструмент IDW (Inverse Distance Weighted) использует метод интерполяции, который оценивает значения ячеек путем усреднения значений точек выборочных данных в окрестности каждой ячейки обработки. Чем ближе точка находится к центру оцениваемой ячейки, тем большее влияние или вес она оказывает в процессе усреднения.

Кригинг - это сложная геостатистическая процедура, которая генерирует оценочную поверхность из разбросанного набора точек с z-значениями. Более того, чем другие методы интерполяции, поддерживаемые ArcGIS Spatial Analyst, следует тщательно изучить пространственное поведение явления, представленного значениями z, прежде чем выбрать лучший метод оценки для создания выходной поверхности.

Естественная интерполяция соседей находит наиболее близкое подмножество входных выборок к точке запроса и применяет к ним веса на основе пропорциональных областей для интерполяции значения (Сибсон, 1981). Он также известен как Sibson или интерполяция «кражи площадей».

Инструмент Сплайн использует метод интерполяции, который оценивает значения с использованием математической функции, которая минимизирует общую кривизну поверхности, в результате чего получается гладкая поверхность, которая проходит точно через входные точки.

Сплайн с барьерами Инструмент Сплайн с барьерами использует метод, аналогичный методу, используемому в инструменте Сплайн, с основным отличием в том, что этот инструмент учитывает разрывы, закодированные как во входных барьерах, так и во входных точечных данных.

В инструментах Topo to Raster и Topo to Raster by File используется метод интерполяции, специально разработанный для создания поверхности, которая более точно представляет естественную дренажную поверхность и лучше сохраняет как рельефные линии, так и сети потоков от данных входных контуров.

Используемый алгоритм основан на алгоритме ANUDEM, разработанном Хатчинсоном и др. В Австралийском национальном университете.

Тренд - это глобальная полиномиальная интерполяция, которая соответствует гладкой поверхности, определенной математической функцией (полиномом), входным точкам выборки. Поверхность тренда постепенно изменяется и фиксирует грубые закономерности в данных.

Вы также можете взглянуть на эту статью: http://proceedings.esri.com/library/userconf/proc95/to100/p089.html.

Два других метода были бы Average4 и Average16. Они делают то, на что они похожи, и получают в среднем 4 или 16 окружающих клеток.

Вариант использования здесь в основном для данных ЦМР. Вы не будете использовать его на растровом изображении (особенно цвет 3 полосы)

Это не взвешенное расстояние, но тогда я не думаю, что я использовал бы это для растра (только вектор), так как расстояние в наборе растровых данных немного более субъективно

Я всегда полагал, что Median4 и Median16 были бы хорошими способами удалить провалы и пики из данных DEM, хотя я не знаю ни одного пакета, который бы позволял это.