Quyết định sử dụng phương pháp nội suy nào để lấy lại dữ liệu raster?


40

Có quy tắc cứng và nhanh nào về phương pháp nội suy nào phù hợp với từng loại dữ liệu raster không?


1
Bạn đang nội suy là gì? Là mục tiêu chỉ đơn giản là để hình dung hoặc thực sự đo lường một số loại phân phối? Không để hy vọng của bạn lên, thực tế họ không có quy tắc cứng hoặc nhanh.
Andy W

4
@ninesided: Bạn có chắc là bạn muốn chỉ ra dữ liệu "raster" không? Câu trả lời bạn chấp nhận chỉ đề cập đến các phương pháp nội suy dữ liệu vectơ (đúng giờ và dòng).
whuber

5
Tiêu đề của câu hỏi là một chút mơ hồ. Các từ nội suy và mẫu lại có nghĩa là hai điều hơi khác nhau. Để nội suy là lấy một mẫu các điểm dữ liệu rời rạc (raster hoặc vector) và tính toán một bề mặt liên tục từ đó. Lấy mẫu lại là lấy một nhóm các điểm (một lần nữa, raster hoặc vectơ), áp dụng một số loại thuật toán cho chúng và tạo ra một tập hợp các điểm mới. Vì vậy, tôi tin rằng phép nội suy có thể được xem như là một kiểu lấy mẫu lại.
Don Meltz

2
Imho tiêu đề là sai. "Lấy lại dữ liệu raster" khiến tôi nghĩ rằng bạn có một raster và muốn tạo ra một raster mới lớn hơn / nhỏ hơn từ nó. Nếu bạn muốn tạo ra một raster bằng cách nội suy các điểm vectơ "lấy mẫu lại" là thuật ngữ sai.
underdark

3
@ninesided - Vì bạn đã chọn câu trả lời của tôi làm câu trả lời cho câu hỏi của mình, tôi giả sử bạn đang tìm cách nội suy một tập hợp các điểm riêng biệt lên bề mặt raster liên tục. Mẫu từ được giải thích bởi hầu hết là một chuyển đổi của một raster thành một raster khác, dựa trên một số thuật toán. Tôi không nghĩ bạn đã sai khi sử dụng từ này bởi vì tôi tin rằng phép nội suy là một hình thức lấy mẫu lại. Chỉ là hầu hết không nhìn thấy nó theo cách đó. Tôi không tuyên bố là một chuyên gia trong lĩnh vực này, vì vậy điều chỉnh giả định của tôi được hoan nghênh.
Don Meltz

Câu trả lời:


11

Tôi đồng ý không có quy tắc cứng và nhanh, nhưng có một số hướng dẫn cho các phương pháp nội suy khác nhau. Ví dụ, IDW là tốt nhất khi bạn có điểm khá dày đặc để bắt đầu. Kriging là bộ xử lý chuyên sâu, thường được sử dụng trong mô hình đất / địa chất. Spline thường được sử dụng khi muốn có bề mặt nhẵn, ví dụ dữ liệu nhiệt độ Một số phương pháp giữ cho raster kết quả đi qua các điểm ban đầu trong khi các phương pháp khác thì không.

Mặc dù là trung tâm ArcGIS, một tổng quan tốt về các phương pháp khác nhau có thể được tìm thấy trong bài báo 4 trang

Các bề mặt nội suy trong ArcGIS Spatial Analyst


41

Một sự làm rõ cho câu hỏi chỉ ra rằng các phương pháp lấy mẫu lại một raster được tìm kiếm. Nhiều người đang sử dụng trong cộng đồng hình ảnh và nhiếp ảnh . Tuy nhiên, đối với công việc GIS, một số phương pháp đơn giản được sử dụng phổ biến:

  • Hàng xóm gần nhất định hình lại . Mỗi ô trong raster mới được gán giá trị của ô gần nhất (từ giữa đến giữa) trong raster ban đầu. Sử dụng dữ liệu này cho dữ liệu phân loại như sử dụng đất và phân loại khác.

  • Nội suy song phương . Mỗi ô trong raster mới được gán trung bình dựa trên bốn ô ban đầu gần nhất. Tính trung bình là tuyến tính theo hướng ngang và dọc. (Tuy nhiên, công thức kết quả không phải là tuyến tính; nó thực sự là bậc hai.) Điều này tốt cho làm mịn cho mục đích chung nhưng tính trung bình diễn ra trên các đỉnh và thung lũng thông thường một chút.

  • Tích chập khối . Điều này tương tự về mặt tinh thần với phép nội suy song tuyến tính nhưng có thể ngoại suy các giá trị từ các ô gần đó. Nó làm như vậy theo cách nhằm tái tạo mức trung bình và tính biến đổi cục bộ trong lưới mới; đặc biệt, việc cắt cực trị cục bộ không nên nghiêm trọng. (Một hậu quả không lường trước được, rõ ràng là một lỗi trong ArcGIS của ESRI, là các giá trị trong lưới mới có thể vượt ra ngoài phạm vi của mạng cũ, khiến một số thái cực mới không được hiển thị chính xác. chỉ hiển thị.) Sự đánh đổi là tích chập khối cần một ít thời gian hơn để tính toán so với phép nội suy song tuyến.

Tôi thảo luận về hai phương thức sau một số chi tiết tại http://www.quantdec.com/SYSEN597/GTKAV/section9/map_acheebra.htmlm

Để tính toán nhanh một lần, tôi thường có nội dung để thực hiện phép nội suy song tuyến tính (đối với dữ liệu liên tục) hoặc phép nội suy lân cận gần nhất (đối với dữ liệu phân loại). Đối với tất cả những người khác, đặc biệt là khi chuẩn bị bộ dữ liệu chủ hoặc khi dự đoán các thao tác mở rộng, tôi khuyên bạn nên sử dụng tích chập khối (cũng như suy nghĩ để ra lệnh cho các hoạt động để giảm thiểu lan truyền lỗi dấu phẩy động).


Một số lời khuyên bổ sung hữu ích xuất hiện trong các nhận xét tại gis.stackexchange.com/questions/17328/ .
whuber

18

Theo ESRI, các phương pháp nội suy có sẵn (Có sẵn dưới dạng công cụ trong Phân tích không gian và các tiện ích mở rộng khác) được so sánh như sau: (Trích dẫn)

Công cụ IDW (Inverse distance weighted) sử dụng phương pháp nội suy ước tính các giá trị ô bằng cách lấy trung bình các giá trị của các điểm dữ liệu mẫu trong vùng lân cận của mỗi ô xử lý. Điểm càng gần trung tâm của tế bào được ước tính, ảnh hưởng hoặc trọng lượng càng lớn, nó có trong quá trình tính trung bình.

Kriging là một quy trình địa lý tiên tiến tạo ra bề mặt ước tính từ một tập hợp các điểm rải rác có giá trị z. Hơn các phương pháp nội suy khác được ArcGIS Spatial Analyst hỗ trợ, một cuộc điều tra kỹ lưỡng về hành vi không gian của hiện tượng được biểu thị bằng các giá trị z nên được thực hiện trước khi bạn chọn phương pháp ước lượng tốt nhất để tạo bề mặt đầu ra.

Nội suy hàng xóm tự nhiên tìm tập hợp con gần nhất của các mẫu đầu vào cho một điểm truy vấn và áp dụng các trọng số cho chúng dựa trên các khu vực tương ứng để nội suy một giá trị (Sibson, 1981). Nó cũng được gọi là nội suy Sibson hoặc "đánh cắp khu vực".

Công cụ Spline sử dụng phương pháp nội suy để ước tính các giá trị bằng hàm toán học giúp giảm thiểu độ cong bề mặt tổng thể, dẫn đến một bề mặt nhẵn đi qua chính xác các điểm đầu vào.

Spline with Barrier Công cụ Spline with Barrier sử dụng một phương thức tương tự như kỹ thuật được sử dụng trong công cụ Spline, với sự khác biệt chính là công cụ này tôn vinh sự không liên tục được mã hóa trong cả các rào cản đầu vào và dữ liệu điểm đầu vào.

Các công cụ Topo to RasterTopo to Raster bằng File sử dụng một kỹ thuật nội suy được thiết kế đặc biệt để tạo ra một bề mặt thể hiện chặt chẽ hơn một bề mặt thoát nước tự nhiên và bảo quản tốt hơn cả mạng lưới và luồng mạng khỏi dữ liệu đường viền đầu vào.

Thuật toán được sử dụng dựa trên ANUDEM, được phát triển bởi Hutchinson et al tại Đại học Quốc gia Úc.

Xu hướng là một phép nội suy đa thức toàn cầu phù hợp với một bề mặt nhẵn được xác định bởi hàm toán học (đa thức) cho các điểm mẫu đầu vào. Bề mặt xu hướng thay đổi dần dần và nắm bắt các mô hình quy mô thô trong dữ liệu.

Bạn cũng có thể xem bài viết này: http://proceedings.esri.com/l Library / userconf / proc95 / to100 / p089.html


1
+1 để chọn một cái gì đó từ trợ giúp ESRI để trích dẫn điều đó thực sự có ý nghĩa và chính xác!
whuber

Bạn có thể cập nhật liên kết đến quá trình tố tụng không, liên kết bạn đã đăng không còn khả dụng (không tìm thấy trang). Ngoài ra, bạn có thể đặt tiêu đề hoặc một số thông tin cho phép chúng tôi tìm kiếm nó tại trang ESRI.
Renata Dis

2

Hai phương pháp khác sẽ là Average4 và Average16. Họ làm những gì họ nghe giống như và lấy trung bình của 4 hoặc 16 tế bào xung quanh.

Trường hợp sử dụng ở đây chủ yếu là cho dữ liệu DEM. Bạn sẽ không sử dụng nó trên hình ảnh raster (đặc biệt là 3 dải màu)

Nó không có trọng số khoảng cách, nhưng sau đó tôi không nghĩ rằng tôi sẽ sử dụng nó cho raster (chỉ là vector) vì khoảng cách trong bộ dữ liệu raster là chủ quan hơn một chút

Tôi luôn luôn nghĩ rằng Median4 và Median16 sẽ là những cách tốt để loại bỏ các chấm và gai khỏi dữ liệu DEM, mặc dù tôi không biết bất kỳ gói nào cho phép nó.


2
Đề xuất của bạn để sử dụng trung bình khu vực lân cận để sàng lọc các ngoại lệ địa phương trong DEMs là một điều tốt, Mark. Gói phân tích GRID / Spatial của ESRI đã bao gồm các trung vị lân cận trong một thời gian rất dài, tôi biết IDRISI có thể làm điều đó, và có khả năng GRASS và Manifold cũng vậy. Nhưng những phương pháp này sẽ là những lựa chọn kém cho việc lấy lại lưới. Tương tự, các phương pháp khác mà bạn đề cập sẽ không có các đặc tính tốt: chúng làm trơn tru dữ liệu gốc một cách hiệu quả ở độ phân giải của lưới ban đầu, và do đó không nên xem xét để lấy mẫu lại.
whuber
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.