Memilih IDW vs Kriging Interpolasi untuk pembuatan DEM?

23

Saya mencoba membuat DEM menggunakan data titik yang berjarak sangat teratur sekitar 10m. Wilayah saya interpolasi adalah fasilitas pendidikan dengan banyak tempat parkir datar dan lapangan sepak bola tetapi masih memiliki beberapa bukit yang cukup curam yang sering akan dataran tinggi ke tempat parkir. Karena dataran tinggi yang diketahui ini, saya telah mengesampingkan metode Splining; Namun, saya masih tidak yakin antara menggunakan metode IDW dan Kriging. Saya tidak dapat melihat banyak perbedaan setelah mencoba keduanya dan masih belum membuat keputusan setelah melakukan sedikit riset.

Adakah yang punya kata-kata bijak untuk menjelaskan ini untuk saya?

Calavin
sumber
Saya pikir Anda memerlukan sesuatu sebagai " pemodelan DME terkondisi ", ketika Kriging adalah pilihan yang baik ... Untuk memperhitungkan berbagai sumber kesalahan yang Anda hadapi dalam masalah Anda.
Peter Krauss
2
Selamat datang di GIS.SE. Apakah poin dipilih secara cerdas oleh surveyor lapangan, seperti biasanya? Yaitu, apakah mereka memilih titik saat istirahat di lereng? Juga, apa tujuan dari DEM - contouring, volume? Hal-hal seperti itu dapat memengaruhi saran kami.
Martin F
3
Kriging harus bekerja lebih baik daripada IDW tetapi membutuhkan banyak keahlian dan kepedulian dalam situasi ini, karena deskripsi Anda tentang topografi menunjukkan korelasi spasial tidak akan stasioner, yang merupakan asumsi penting di balik kriging. (Tanpa asumsi ini, seseorang bahkan tidak dapat memperkirakan variogram yang valid.) Jika Anda memiliki pilihan, Anda mungkin ingin membuat TIN.
Whuber
+1 untuk TIN, sangat layak untuk diperhitungkan dalam kasus Anda.
radouxju

Jawaban:

37

Kedua bentuk mengandalkan hukum geografi pertama Toblers: hal-hal yang dekat lebih terkait daripada hal-hal yang terpisah lebih jauh.

IDW lebih sederhana dari dua teknik. Ini melibatkan penggunaan nilai z yang diketahui dan bobot yang ditentukan sebagai fungsi jarak antara titik yang tidak diketahui dan yang diketahui. Karena itu dalam poin IDW yang jauh memiliki pengaruh jauh lebih sedikit daripada poin yang dekat. Efek dari bobot jarak terbalik sering dapat ditentukan oleh pengguna dengan mengubah kekuatan kenaikan jarak terbalik.

IDW menggunakan radius pencarian

Seperti yang terlihat dalam diagram ini, Anda dapat menentukan batas titik data (nilai z) yang harus dipertimbangkan IDW menggunakan radius pencarian .

IDW berbeda dari Kriging karena tidak ada model statistik yang digunakan. Tidak ada penentuan autokorelasi spasial dipertimbangkan (yaitu mengatakan bagaimana variabel berkorelasi pada jarak yang bervariasi tidak ditentukan). Di IDW hanya nilai z dan bobot jarak yang diketahui yang digunakan untuk menentukan area yang tidak diketahui.

IDW memiliki keunggulan karena mudah untuk didefinisikan dan karenanya mudah untuk memahami hasilnya. Mungkin tidak disarankan untuk menggunakan Kriging jika Anda tidak yakin bagaimana hasilnya sampai. Kriging juga menderita ketika ada pencilan (lihat di sini untuk penjelasan.).

ESRI menyatakan :

Kriging paling tepat bila Anda tahu ada jarak yang berkorelasi secara spasial atau bias arah dalam data. Ini sering digunakan dalam ilmu tanah dan geologi.

Kriging adalah metode statistik yang memanfaatkan variograms untuk menghitung autokorelasi spasial antara titik-titik pada jarak yang dilewati (Pengantar yang bagus dapat ditemukan di sini Statios Variogram Introduction dan Washington Intro to Variograms ). Ini menggunakan perhitungan autokorelasi spasial ini untuk menentukan bobot yang harus diterapkan pada berbagai jarak. Autokorelasi spasial ditentukan dengan mengambil perbedaan kuadrat antara titik. Untuk memperjelas Kriging mirip dengan IDW dalam hal:

Seperti interpolasi IDW, kriging membentuk bobot dari nilai yang diukur di sekitarnya untuk memprediksi lokasi yang tidak diukur. Seperti halnya interpolasi IDW, nilai yang terukur paling dekat dengan lokasi yang tidak terukur memiliki pengaruh paling besar. ( Sumber )

Tetapi berbeda dalam bobot dibantu oleh semi variogram.

Persamaan Variogram

"Di mana n adalah jumlah pasangan titik sampel pengamatan dari nilai-nilai atribut z yang dipisahkan terhadap jarak h" (Burrough dan McDonnell, 2004: 134).

Semivariogram

Ada berbagai jenis ceruk Kriging .

Bacaan lebih lanjut:

  1. Bagaimana cara kerja IDW .
  2. Cara kerja Kringing :
  3. Cara menggunakan Kriging:
  4. Jenis Interpolasi :
James Milner
sumber