Выбор IDW против Kriging Interpolation для создания матрицы высот?

Я пытаюсь создать матрицу высот, используя точечные данные, расположенные на расстоянии 10 м друг от друга. Территория, которую я интерполирую, представляет собой учебное заведение с множеством плоских парковок и футбольных полей, но все еще имеет несколько довольно крутых холмов, которые часто выходят на платформу для парковки. Из-за этих известных плато я исключил метод Splining; Тем не менее, я все еще не уверен между использованием IDW и методов Кригинга. Я не вижу большой разницы после того, как попробую их оба, и все еще не принял решение после небольшого исследования.

У кого-нибудь есть слова мудрости, чтобы прояснить это для меня?

Обе формы опираются на первый закон географии Тоблера: вещи, которые ближе, связаны больше, чем вещи, которые находятся дальше друг от друга.

IDW является более простым из двух методов. Он включает использование известных значений z и весов, определенных как функция расстояний между неизвестными и известными точками. Таким образом, точки IDW, которые находятся далеко, имеют гораздо меньшее влияние, чем точки, которые находятся близко. Влияние весов обратных расстояний часто может быть определено пользователем путем изменения мощности, до которой увеличивается обратное расстояние.

Как видно на этой диаграмме, вы можете определить пределы, которые должны учитывать точки данных (значения z) IDW, используя радиус поиска .

IDW отличается от Kriging тем, что статистические модели не используются. Не принимается во внимание определение пространственной автокорреляции (то есть, как коррелированные переменные находятся на разных расстояниях, не определяется). В IDW только известные значения z и веса расстояний используются для определения неизвестных областей.

Преимущество IDW в том, что его легко определить и, следовательно, легко понять результаты. Может быть нежелательно использовать Кригинг, если вы не уверены в том, как были получены результаты. Кригинг также страдает, когда есть выбросы (см. Здесь для объяснения.).

ESRI заявляет :

Кригинг наиболее уместен, когда вы знаете, что в данных имеется пространственно коррелированное расстояние или направленное смещение. Он часто используется в почвоведении и геологии.

Кригинг - это статистический метод, который использует вариограммы для расчета пространственной автокорреляции между точками на градуированных расстояниях (хорошее введение можно найти здесь: Введение в вариограммы Statios и Введение в вариограммы Washington ). Он использует этот расчет пространственной автокорреляции для определения весов, которые должны применяться на различных расстояниях. Пространственная автокорреляция определяется путем взятия квадратов разностей между точками. Чтобы пояснить, Kriging похож на IDW в том, что:

Как и в случае интерполяции IDW, кригинг формирует веса из окружающих измеренных значений для прогнозирования неизмеренных местоположений. Как и в случае интерполяции IDW, измеренные значения, наиболее близкие к неизмеренным точкам, оказывают наибольшее влияние. ( Источник )

Но отличается тем, что веса помогают определить с помощью вариограммы.

«Где n - количество пар точек выборки наблюдений значений атрибута z, разделенных по отношению к расстоянию h» (Burrough and McDonnell, 2004: 134).

Существуют различные разные нишевые типы кригинга .

Дальнейшее чтение:

1. Как работает IDW .
2. Как работает Kringing :
3. Как использовать Кригинг:
4. Типы интерполяции :