我正在尝试使用非常规则地间隔约10m的点数据创建DEM。我要插值的区域是一个教育机构,有许多平坦的停车场和足球场,但仍然有一些相当陡峭的山丘,经常会停在停车场。由于这些已知的高原,我排除了Splining方法。但是,我仍然不确定在使用IDW和Kriging方法之间。尝试了这两种方法后,我看不出太大的区别,但经过一点研究仍未做出决定。
任何人都有智慧的话可以为我解决这个问题?
我正在尝试使用非常规则地间隔约10m的点数据创建DEM。我要插值的区域是一个教育机构,有许多平坦的停车场和足球场,但仍然有一些相当陡峭的山丘,经常会停在停车场。由于这些已知的高原,我排除了Splining方法。但是,我仍然不确定在使用IDW和Kriging方法之间。尝试了这两种方法后,我看不出太大的区别,但经过一点研究仍未做出决定。
任何人都有智慧的话可以为我解决这个问题?
Answers:
两种形式都依赖于Toblers的地理第一定律:相距较近的事物比相距较远的事物更为相关。
IDW是这两种技术中较简单的一种。它涉及使用根据未知点和已知点之间的距离确定的已知z值和权重。因此,在IDW中,相距较近的点的影响要小得多。使用者通常可以通过改变反距离权重的乘方来确定反距离权重的作用。
如该图所示,您可以使用搜索半径确定IDW应考虑哪些数据点(z值)的限制。
IDW与Kriging的不同之处在于不使用统计模型。没有考虑到空间自相关的确定(也就是说,没有确定相关变量在不同距离处的关系)。在IDW中,仅使用已知的z值和距离权重来确定未知区域。
IDW的优点是易于定义,因此易于理解结果。如果您不确定结果如何得出,则不建议使用Kriging。当存在异常值时,克里金法也会受到影响(请参阅此处以获取解释)。
ESRI 指出:
当您知道数据中存在与空间相关的距离或方向偏差时,最适合使用克里金法。它通常用于土壤科学和地质学。
克里格(Kriging)是一种统计方法,利用变异函数来计算渐变距离上的点之间的空间自相关(可以在此处找到很好的介绍,即Statios Variogram Introduction和Washington Intro to Variograms)。它使用这种空间自相关计算来确定应在各种距离下应用的权重。空间自相关通过对点之间的平方差求和来确定。阐明克里金法与IDW相似之处在于:
像IDW插值一样,克里金法根据周围的测量值形成权重,以预测未测量的位置。与IDW插值一样,最接近未测量位置的测量值影响最大。(来源)
但是不同之处在于权重由半变异函数确定。
“其中n是属性z的值与距离h分开的观测值的样本点对的数量”(Burrough和McDonnell,2004:134)。
克里格(Kriging)有各种不同的利基类型。
进一步阅读: