Gibt es feste Regeln, welche Interpolationsmethoden für jede Art von Rasterdaten geeignet sind?
raster
interpolation
gis-principle
resampling
neunseitig
quelle
quelle
Antworten:
Ich bin damit einverstanden, dass es keine festen Regeln gibt, aber es gibt einige Richtlinien für verschiedene Interpolationsmethoden. Zum Beispiel ist IDW am besten geeignet, wenn Sie anfangs ziemlich dichte Punkte haben. Kriging ist rechenintensiv und wird normalerweise in der Boden- / Geologiemodellierung verwendet. Spline wird normalerweise verwendet, wenn eine glatte Oberfläche gewünscht wird, z. B. Temperaturdaten. Bei einigen Methoden wird das resultierende Raster durch die ursprünglichen Punkte geführt, bei anderen nicht.
Obwohl es sich um ArcGIS handelt, finden Sie auf dem vierseitigen Papier einen guten Überblick über die verschiedenen Methoden
Interpolieren von Oberflächen in ArcGIS Spatial Analyst
quelle
Eine Klärung der Frage zeigt, dass nach Methoden zum erneuten Abtasten eines Rasters gesucht wird. Viele werden in Bildgebungs- und Foto- Communities eingesetzt. Für GIS-Arbeiten sind jedoch mehrere einfache Methoden gebräuchlich:
Resampling beim nächsten Nachbarn . Jeder Zelle im neuen Raster wird der Wert der nächsten Zelle (Mitte zu Mitte) im ursprünglichen Raster zugewiesen. Verwenden Sie dies für kategoriale Daten wie Landnutzung und andere Klassifikationen.
Bilineare Interpolation . Jeder Zelle im neuen Raster wird ein Durchschnitt basierend auf den vier nächsten Originalzellen zugewiesen. Die Mittelung ist in horizontaler und vertikaler Richtung linear. (Die resultierende Formel ist jedoch nicht linear; sie ist tatsächlich quadratisch.) Dies ist gut für die allgemeine Glättung, aber die Mittelung, die fortgesetzt wird, schneidet in der Regel lokale Spitzen und Täler ein wenig ab.
Kubische Faltung . Dies ähnelt der bilinearen Interpolation, kann jedoch Werte aus benachbarten Zellen leicht extrapolieren. Dies geschieht auf eine Weise, die lokale Durchschnittswerte und Schwankungen im neuen Netz reproduzieren soll. Insbesondere sollte das Abschneiden lokaler Extrema nicht so schwerwiegend sein. (Eine unerwünschte Konsequenz, die sich in ArcGIS von ESRI als Fehler herausstellt, besteht darin, dass die Werte im neuen Raster möglicherweise über den Bereich des alten Rasters hinausgehen und einige der neuen Extreme nicht korrekt wiedergegeben werden. Dies ist jedoch eine Frage der Daten Nur Anzeige.) Der Nachteil ist, dass die Berechnung der kubischen Faltung etwas mehr Zeit in Anspruch nimmt als die bilineare Interpolation.
Die beiden letztgenannten Methoden werden unter http://www.quantdec.com/SYSEN597/GTKAV/section9/map_algebra.htm ausführlich beschrieben
Für schnelle einmalige Berechnungen bin ich normalerweise damit zufrieden, bilineare Interpolation (für kontinuierliche Daten) oder Nearest-Neighbor-Interpolation (für kategoriale Daten) durchzuführen. Für alle anderen empfehle ich, insbesondere bei der Vorbereitung von Master-Datensätzen oder bei der Antizipation umfangreicher Manipulationen, die kubische Faltung zu verwenden (und die Operationen anzuordnen, um die Ausbreitung von Gleitkommafehlern zu minimieren).
quelle
Gemäß ESRI werden die verfügbaren Interpolationsmethoden (Verfügbar als Tools in Spatial Analyst und anderen Erweiterungen) wie folgt verglichen:
Das Werkzeug IDW (Inverse Distance Weighted) verwendet eine Interpolationsmethode, mit der die Zellenwerte geschätzt werden, indem der Durchschnitt der Werte der Abtastdatenpunkte in der Nachbarschaft jeder Verarbeitungszelle gebildet wird. Je näher ein Punkt an der Mitte der zu schätzenden Zelle liegt, desto mehr Einfluss oder Gewicht hat er auf den Mittelungsprozess.
Kriging ist ein fortgeschrittenes geostatistisches Verfahren, das eine geschätzte Oberfläche aus einer Menge von Punkten mit Z-Werten erzeugt. Im Gegensatz zu anderen von ArcGIS Spatial Analyst unterstützten Interpolationsmethoden sollte eine gründliche Untersuchung des räumlichen Verhaltens des durch die Z-Werte dargestellten Phänomens durchgeführt werden, bevor Sie die beste Schätzmethode zum Generieren der Ausgabeoberfläche auswählen.
Bei der Natural Neighbor- Interpolation wird die einem Abfragepunkt am nächsten liegende Teilmenge von Eingabemustern ermittelt und anhand von Proportionalbereichen gewichtet, um einen Wert zu interpolieren (Sibson, 1981). Es ist auch als Sibson- oder "Area-Stealing" -Interpolation bekannt.
Das Spline- Werkzeug verwendet eine Interpolationsmethode, mit der Werte mithilfe einer mathematischen Funktion geschätzt werden, mit der die Gesamtkrümmung der Oberfläche minimiert wird. Dies führt zu einer glatten Oberfläche, die genau durch die Eingabepunkte verläuft.
Spline mit Barrieren Das Spline mit Barrieren-Werkzeug verwendet eine ähnliche Methode wie das Spline-Werkzeug. Der Hauptunterschied besteht darin, dass dieses Werkzeug Diskontinuitäten berücksichtigt, die sowohl in den Eingabebarrieren als auch in den Eingabepunktdaten codiert sind.
Die Werkzeuge " Topo zu Raster" und " Topo zu Raster nach Datei" verwenden eine Interpolationstechnik, die speziell zum Erstellen einer Oberfläche entwickelt wurde, die einer natürlichen Entwässerungsoberfläche besser entspricht und sowohl Kammlinien als auch Stromnetze besser von den eingegebenen Konturdaten schützt.
Der verwendete Algorithmus basiert auf dem von Hutchinson et al. An der Australian National University entwickelten ANUDEM.
Trend ist eine globale Polynominterpolation, die eine durch eine mathematische Funktion (ein Polynom) definierte glatte Oberfläche an die eingegebenen Abtastpunkte anpasst. Die Trendoberfläche ändert sich allmählich und erfasst grobe Muster in den Daten.
Sie können sich auch diesen Artikel ansehen: http://proceedings.esri.com/library/userconf/proc95/to100/p089.html
quelle
Zwei andere Methoden wären Average4 und Average16. Sie machen das, wonach sie klingen, und nehmen den Durchschnitt der 4 oder 16 umgebenden Zellen.
Der Anwendungsfall ist hier hauptsächlich für DEM-Daten. Sie würden es nicht für ein Rasterbild verwenden (insbesondere 3-Band-Farbe)
Es ist nicht entfernungsgewichtet, aber ich glaube nicht, dass ich das für Raster (nur Vektor) verwenden würde, da die Entfernung in einem Raster-Dataset etwas subjektiver ist
Ich habe immer gedacht, dass Median4 und Median16 gute Möglichkeiten sind, um Dips und Spikes von DEM-Daten zu entfernen, obwohl ich keine Pakete kenne, die dies zulassen.
quelle