如何对不均匀采样的分类数据进行网格化？

我正在寻找一种网格分类数据的方法。我从航海图和领域表中提取了一些点集合，这些点指定了海洋底部表面的性质。这些数据是分类数据，而不是数字数据，它们不是定期甚至随机抽样的。创建航海图以帮助导航和锚定；它们不是为绘制栖息地而创建的。因此，在岸边附近会有更多的探测声，在这些探测声中，相对浅的深度可能会对航行造成危险，并且船只倾向于停泊。离海岸较远，那里的深度足以进行导航和锚固是不切实际的，因此发声的频率要低得多。

有没有其他人试图从航海图创建网格化的底图？

我查看了蒂森（Vornoi）多边形，但是沿海岸的测深集中导致沿海岸，远海的大型多边形以及在远处呈扇形延伸的长饼形多边形之间的精细“蜂窝”。使用最近邻居的网格产生的结果几乎相同。

我需要一种方法来限制浅水，近岸点的影响-一种方法来限制那些长的饼形多边形。在更深的水域中，我不认为底部的性质将是近岸底部的延续。我开始沿着两条线思考-都使用深度。一种方法是使用网格像元与相邻点之间的深度差来加权“最近”邻居的选择。另一个是取消选择深度大于某些指定公差的相邻点。或者，也许不是预先指定的公差，我可以对深度范围进行分类，然后将相邻点的选择限制为相同深度范围或分类中的点。

关于如何实现这两个选项中的任何一个想法？

自从在其他论坛上与同事交谈以来，我一直在研究其他两种方法。第一种方法是使用障碍物（深度为100m的轮廓）来限制近岸数据的影响。这种方法的挑战在于，可以使用障碍的任何ESRI插值例程都旨在处理连续数据而不是不连续数据。在创建Thiessen多边形之前，我可以使用障碍物将点分解为较浅的近岸点和较深的点。但是，由于ArcGIS为矩形区域而不是复杂区域创建了Thiessen多边形，因此我预计边缘效果会很猖ramp。

由一些同事建议的第二种方法是克里金法。最初，我一度不理会克里金法，因为我只考虑了连续数据。克里金法的挑战在于它也不是为分类数据而设计的。现在，我正在研究表面深度和性质的协同克里金法，但是任何类型的克里金法都将涉及使用整数数值表示表面性质。之后，必须将所得的浮点数字代码还原为原始整数编码。不漂亮。

任何人都可以建议其他路线吗？（也许可以使用地形分析。例如，比休止角陡的斜坡不可能是沉积物。我正在寻找更简单的东西，无论如何，我没有足够的空间分辨率的数据。）

问候，

适当实施的克里金法很有希望。

作为出发点，请看一下Diggle和Ribeiro在“ 基于模型的地统计”（Springer 2007）中描述的“广义线性地统计模型” 。基本思想吸引人且灵活：空间随机过程（在空间上是连续的）确定类别的各种概率。人们可以在不规则点使用观察到的类别来推断该基础过程的统计属性，包括其空间相关结构（变异函数）。克里金法然后创建与观测值一致的概率面。到那时，您可以执行地统计模拟，或者可以制作与概率相关的地图（我想像是最大概率类别的地图）。

这听起来很复杂，确实如此。然而，Diggle和里贝罗的讨论是相当接近-尽管它的数学和统计假设的一些知识，它并不倚重要么依赖-和他们的大部分技术在R封装中实现它们所描述，geoR和geoRGLM。实际上，将本书解释为这些软件包的手册是公平的。

正如该站点上的其他线程所证明的那样，将R与GIS数据（包括shapefile和各种栅格格式）接口相对容易，因此这不是问题。