Làm thế nào để nội suy nhiệt độ chính xác?


11

Tôi đã cố gắng nội suy nhiệt độ trung bình hàng năm để tạo ra bề mặt "thực tế". Trong QGIS tôi đã sử dụng Raster-Interpolation-Interpolation. Cả hai phương pháp TIN và IDW đều không mang lại bề mặt "thực tế" (ví dụ so với bản đồ tốt trong tập bản đồ).

IDW (yếu tố 3):

IDW với yếu tố 3

TIN (cũng hiển thị các điểm nội suy):

TIN tuyến tính cũng hiển thị các điểm nội suy của tôi

Bất kỳ gợi ý làm thế nào để có được một phép nội suy "tốt hơn, thực tế hơn"?


2
Đặc biệt đối với khu vực miền núi, tôi mong rằng bạn phải xem xét độ cao để có được một cái gì đó thực tế từ xa.
underdark

@underdark: bạn có thể chỉ cho tôi một trang web, diễn đàn, hướng dẫn, tài liệu làm thế nào điều này có thể được thực hiện? cảm ơn!!
Kurt

Đây có vẻ là một nguồn hợp lý: ncgia.ucsb.edu/conf/SANTA_FE_CD-ROM/sf_auge/collins_fred/ . Nhưng dữ liệu khí hậu không phải là chuyên môn của tôi.
underdark

1
Bạn đang tìm cách tạo một bản đồ nơi nhiệt độ được nhóm thành các lớp Kurt? Nói, một cái gì đó như thế này, perambulation.files.wordpress.com/2012/02/usda-zone-map1.jpg . N.
nhopton

@nhopton: ý định chính của tôi là tạo ra một bề mặt liên tục, ít nhất là "thực tế từ xa". Chỉ có một vài điểm dữ liệu và nội suy trong khu vực núi nằm ngoài phạm vi của tôi. vì vậy có lẽ tôi nên xem xét việc cố gắng tạo ra một bề mặt nhiệt độ "được nhóm". Nhưng: Không phải một bề mặt "được nhóm" như vậy có cần đủ các điểm dữ liệu được nội suy một cách rõ ràng như là bước đầu tiên không ?? Bạn có hướng dẫn / hướng dẫn cho việc này không? Điều này sẽ rất hoan nghênh! cảm ơn
Kurt

Câu trả lời:


11

Bạn có thể tính đến mối quan hệ độ cao - nhiệt độ, đặc biệt là ở khu vực miền núi. Nội suy co-kriging hoặc splines (ví dụ, các spline 3D được GRASS GIS hỗ trợ) có thể được sử dụng cho việc này. Đối với các khu vực lớn hơn, các biến khác có thể đóng vai trò: khoảng cách từ biển, vĩ độ, v.v.

Cập nhật: một phương thức hợp lý cũng có thể là hồi quy bội, đối với GRASS 7 có một Addon mới: r.regression.multi


Có hướng dẫn không? Tôi đã mua phiên bản thứ 3 của cuốn sách cỏ của bạn (springer), nhưng với tư cách là một rockie hoàn chỉnh, tôi không biết làm thế nào để bắt đầu với cỏ cảm ơn
Kurt

Thưởng thức các chương đầu tiên :) Nó dành cho người mới. Xem thêm khóa học tại geostat-cference.org/Topic_NetelerMetz_2011 (tài liệu được liên kết đến trang đó).
markusN

Tài liệu được cập nhật tại geostat-cference.org/Topic_NetelerMetz_2012
markusN

1
Nhiều tài liệu mới hiện có tại: neteler.gitlab.io/grass-gis-analysis
markusN

4

Nội suy dữ liệu khí hậu, bạn có hai tùy chọn (tôi thấy bạn cần sẵn sàng sử dụng hướng dẫn, tôi sẽ đưa ra tài liệu tham khảo, nhưng cũng có một số khía cạnh lý thuyết bạn có ở đây ):

  1. nội suy đơn giản sử dụng phương pháp tiếp cận là một lựa chọn tốt nhất, vì bạn sẽ có một mối quan hệ âm thanh thống kê. Bạn có thể sử dụng hướng dẫn này: Trong tiếng Rumani, nhưng bạn có thể sử dụng Google Dịch (sử dụng SAGA).

  2. phương pháp xen kẽ, kuceing hoặc phương pháp khác, bổ sung dữ liệu nhiệt độ với độ cao hoặc dữ liệu khác. Bạn có thể sử dụng các hướng dẫn sau: Mitasova spline với độ căng (sử dụng GRASS) hoặc ví dụ về sách Tom Hengl (sử dụng R)


3

Bạn đang điều chỉnh khí quyển dữ liệu nhiệt độ? Điều đó sẽ chiếm độ cao bề mặt trên mực nước biển và khí quyển. NCEP cung cấp rất nhiều dữ liệu khí quyển cho Bắc Mỹ.

Ngoài ra, phép nội suy tuyến tính sẽ không tốt vì nhiệt độ có sự thay đổi về thời gian trong suốt mỗi ngày.


3

Kurt, bạn có thể nhóm các giá trị nhiệt độ trong raster của mình thành các lớp và xuất kết quả sang một raster mới bằng cách sử dụng v.reclass từ hộp công cụ Sextante.

Tôi đoán giá trị tối thiểu của raster nội suy của bạn có thể là (giả sử) -5 và giá trị tối đa (nói) 30.

Sử dụng GRASS v.reclass từ hộp công cụ Sextante sẽ cho phép các giá trị được nhóm thành bảy lớp bằng tệp văn bản 'quy tắc' này (bạn có thể gọi nó là 'Rules.txt'):

-5 thru 0 = 1
1 thru 5 = 2
6 thru 10 = 3
11 thru 15 = 4
16 thru 20 = 5
21 thru 25 = 6
26 thru 30 = 7

Đầu ra sẽ là một raster mới có giá trị 1 cho tất cả các giá trị nằm trong khoảng từ -5 đến 0 trong raster gốc, là 2 cho tất cả các giá trị từ 1 đến 5 trong raster gốc, v.v.

Thủ tục rất đơn giản, tất cả những gì bạn cần là raster nội suy và tệp văn bản 'quy tắc'. Xem thêm trang Man cho v.reclass tại đây: http://grass.fbk.eu/gdp/html_grass64/r.reclass.html

Sau khi được phân loại, raster mới cũng có thể được đa giác hóa để tạo ra một shapefile đa giác, để đặt các cạnh cứng trên hình ảnh được hiển thị màu. Hoặc bạn có thể tô màu cho shapefile và quên đi raster.

Chỉ là một ghi chú nhanh. Nội suy là một trong những điều làm cho phần tóc còn lại của tôi đứng vững vì nó có thể tạo ra kết quả trông rất thuyết phục từ dữ liệu rất mỏng. Những kết quả nào thường không thể kiểm tra được vì bạn đã sử dụng tất cả dữ liệu bạn phải thực hiện phép nội suy, do đó, về bản chất là những điều bạn không thể thực hiện kiểm tra có ý nghĩa trên các lĩnh vực mà bạn không thực hiện có dữ liệu.

Trong trường hợp của bạn, dữ liệu cho khu vực bên ngoài biên giới của Áo rất mỏng và bạn có thể xem xét cắt hình ảnh bản đồ cuối cùng để hiển thị chỉ Áo. Hoặc có thể để lại các điểm. Ví dụ: tôi có thể có một biểu đồ với một khẩu súng bắn đạn bắn vào các điểm mà qua đó tôi vẽ một đường thẳng. Sự không trung thực bắt đầu khi tôi xóa điểm :)

Nick.

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.