Estou tentando criar um DEM usando dados pontuais espaçados muito regularmente, com cerca de 10m de distância. A área que estou interpolando é uma instalação educacional com muitos estacionamentos planos e campos de futebol, mas ainda tem algumas colinas bastante íngremes que costumam chegar a um estacionamento. Devido a esses platôs conhecidos, eu descartei o método Splining; No entanto, ainda não tenho certeza entre o uso dos métodos IDW e Kriging. Não vejo muita diferença depois de tentar os dois e ainda não tomei minha decisão depois de um pouco de pesquisa.
Alguém tem algumas palavras de sabedoria para esclarecer isso para mim?
Respostas:
Ambas as formas se apóiam na primeira lei da geografia de Tobler: coisas próximas são mais relacionadas do que coisas mais distantes.
IDW é a mais simples das duas técnicas. Envolve o uso de valores z conhecidos e pesos determinados em função das distâncias entre os pontos desconhecidos e conhecidos. Como tal, nos pontos IDW que estão distantes, têm muito menos influência do que os pontos próximos. O efeito dos pesos de distância inversa pode ser determinado pelo usuário alterando a potência para a qual a distância inversa é aumentada.
Como visto neste diagrama, é possível determinar os limites de quais pontos de dados (valores z) o IDW deve levar em consideração usando um raio de pesquisa .
O IDW difere de Kriging no fato de nenhum modelo estatístico ser usado. Não há determinação da autocorrelação espacial levada em consideração (isto é, como as variáveis correlacionadas estão a distâncias variáveis não são determinadas). No IDW, apenas valores z conhecidos e pesos de distância são usados para determinar áreas desconhecidas.
A IDW tem a vantagem de ser fácil de definir e, portanto, fácil de entender os resultados. Pode ser desaconselhável usar o Kriging se você não tiver certeza de como os resultados foram alcançados. Kriging também sofre quando há discrepâncias (veja aqui uma explicação).
A ESRI declara :
Kriging é um método estatístico que utiliza variogramas para calcular a autocorrelação espacial entre pontos em distâncias graduadas (uma boa introdução pode ser encontrada aqui: Statios Variogram Introduction e Washington Intro to Variographams ). Ele usa esse cálculo de autocorrelação espacial para determinar os pesos que devem ser aplicados em várias distâncias. A autocorrelação espacial é determinada tomando-se diferenças quadráticas entre os pontos. Para esclarecer, Kriging é semelhante ao IDW:
Mas difere na medida em que os pesos são ajudados determinados pelo semi-variograma.
“Onde n é o número de pares de pontos amostrais de observação dos valores do atributo z separados em relação à distância h” (Burrough e McDonnell, 2004: 134).
Existem vários tipos diferentes de nicho de Kriging .
Leitura adicional:
fonte