Scegliendo IDW vs Kriging Interpolazione per la creazione di DEM?

Sto cercando di creare un DEM usando i dati dei punti spaziati molto regolarmente a circa 10 m di distanza. L'area che sto interpolando è una struttura educativa con molti parcheggi pianeggianti e campi da calcio, ma ha ancora delle colline abbastanza ripide che spesso raggiungeranno un parcheggio. A causa di questi altipiani noti, ho escluso il metodo Splining; Tuttavia, non sono ancora sicuro tra l'utilizzo dei metodi IDW e Kriging. Non riesco a vedere molta differenza dopo aver provato entrambi e non ho ancora preso la mia decisione dopo una piccola ricerca.

Qualcuno ha qualche parola di saggezza per chiarire questo per me?

Entrambe le forme si basano sulla prima legge della geografia di Toblers: le cose vicine sono più correlate di quelle che sono più distanti.

IDW è la più semplice delle due tecniche. Implica l'utilizzo di valori z noti e pesi determinati in funzione delle distanze tra i punti sconosciuti e noti. Pertanto, in IDW i punti molto lontani hanno un'influenza molto inferiore rispetto ai punti vicini. L'effetto dei pesi della distanza inversa può essere spesso determinato dall'utente modificando la potenza a cui viene aumentata la distanza inversa.

Come visto in questo diagramma, è possibile determinare i limiti di quali punti dati (valori z) IDW devono prendere in considerazione utilizzando un raggio di ricerca .

IDW differisce da Kriging in quanto non vengono utilizzati modelli statistici. Non viene presa in considerazione la determinazione dell'autocorrelazione spaziale (vale a dire che non si determina come variabili variabili a distanze diverse). In IDW vengono utilizzati solo valori z e pesi di distanza noti per determinare aree sconosciute.

IDW ha il vantaggio di essere facile da definire e quindi di comprendere facilmente i risultati. Potrebbe non essere consigliabile usare Kriging se non si è sicuri di come siano stati raggiunti i risultati. Kriging soffre anche quando ci sono valori anomali (vedi qui per una spiegazione).

ESRI afferma :

Kriging è più appropriato quando sai che c'è una distanza spazialmente correlata o una distorsione direzionale nei dati. È spesso usato in scienze del suolo e geologia.

Kriging è un metodo statistico che utilizza un variogramma per calcolare l'autocorrelazione spaziale tra i punti a distanze graduate (una piacevole introduzione è disponibile qui Statios Variogram Introduction e Washington Intro to Variograms ). Utilizza questo calcolo di autocorrelazione spaziale per determinare i pesi che dovrebbero essere applicati a varie distanze. L'autocorrelazione spaziale viene determinata prendendo differenze quadrate tra i punti. Chiarire Kriging è simile a IDW in quanto:

Come l'interpolazione IDW, il kriging forma i pesi dai valori misurati circostanti per prevedere posizioni non misurate. Come per l'interpolazione IDW, i valori misurati più vicini alle posizioni non misurate hanno la maggiore influenza. ( Fonte )

Ma differisce in quanto i pesi sono aiutati determinati dal semi variogramma.

"Dove n è il numero di coppie di punti campione di osservazioni dei valori dell'attributo z separati dalla distanza h" (Burrough e McDonnell, 2004: 134).

Esistono diversi tipi di nicchia di Kriging .

Ulteriori letture:

1. Come funziona IDW .
2. Come funziona Kringing :
3. Come usare Kriging:
4. Tipi di interpolazione :