Wählen Sie IDW vs. Kriging Interpolation für die DEM-Erstellung?

Ich versuche, ein DEM mithilfe von Punktdaten zu erstellen, die sehr regelmäßig in einem Abstand von etwa 10 m angeordnet sind. Das Gebiet, das ich interpoliere, ist eine Bildungseinrichtung mit vielen flachen Parkplätzen und Fußballfeldern, hat aber immer noch einige ziemlich steile Hügel, die sich oft bis zu einem Parkplatz ausdehnen. Aufgrund dieser bekannten Plateaus habe ich die Splining-Methode ausgeschlossen; Ich bin mir jedoch immer noch nicht sicher, ob ich IDW- oder Kriging-Methoden anwenden soll. Ich kann keinen großen Unterschied feststellen, nachdem ich beide ausprobiert habe, und habe meine Entscheidung nach ein wenig Recherche immer noch nicht getroffen.

Hat jemand ein paar Worte der Weisheit, um das für mich zu klären?

Beide Formen stützen sich auf Toblers erstes Gesetz der Geographie: Dinge, die nahe beieinander liegen, hängen mehr zusammen als Dinge, die weiter voneinander entfernt sind.

IDW ist die einfachere der beiden Techniken. Dabei werden bekannte z-Werte und Gewichte verwendet, die als Funktion der Abstände zwischen unbekannten und bekannten Punkten bestimmt werden. Als solche haben IDW-Punkte, die weit entfernt sind, weit weniger Einfluss als Punkte, die nah sind. Die Auswirkung der umgekehrten Distanzgewichte kann häufig vom Benutzer durch Ändern der Leistung bestimmt werden, auf die die umgekehrte Distanz angehoben wird.

Wie in diesem Diagramm zu sehen ist, können Sie anhand eines Suchradius bestimmen, welche Grenzen von Datenpunkten (z-Werten) IDW berücksichtigen sollen .

IDW unterscheidet sich von Kriging darin, dass keine statistischen Modelle verwendet werden. Es wird keine Bestimmung der räumlichen Autokorrelation berücksichtigt (dh, es wird nicht bestimmt, wie korrelierte Variablen in unterschiedlichen Abständen vorliegen). In IDW werden nur bekannte z-Werte und Distanzgewichte verwendet, um unbekannte Bereiche zu bestimmen.

IDW hat den Vorteil, dass es einfach zu definieren und somit die Ergebnisse leicht zu verstehen ist. Es kann nicht ratsam sein, Kriging zu verwenden, wenn Sie sich nicht sicher sind, wie die Ergebnisse erzielt wurden. Kriging leidet auch wenn es Ausreißer sind (siehe hier für eine Erklärung.).

ESRI erklärt :

Kriging ist am besten geeignet, wenn Sie wissen, dass die Daten einen räumlich korrelierten Abstand oder eine Richtungsverzerrung aufweisen. Es wird häufig in der Bodenkunde und in der Geologie eingesetzt.

Kriging ist eine statistische Methode, bei der mithilfe von Variogrammen die räumliche Autokorrelation zwischen Punkten in abgestuften Abständen berechnet wird (Eine nette Einführung finden Sie hier Statios Variogram Introduction und Washington Intro to Variograms ). Diese Berechnung der räumlichen Autokorrelation wird verwendet, um die Gewichte zu bestimmen, die in verschiedenen Abständen angewendet werden sollen. Die räumliche Autokorrelation wird durch quadratische Differenzen zwischen Punkten bestimmt. Kriging zu verdeutlichen ist ähnlich wie IDW:

Wie bei der IDW-Interpolation werden beim Kriging Gewichte aus den umgebenden Messwerten gebildet, um nicht gemessene Orte vorherzusagen. Wie bei der IDW-Interpolation haben die Messwerte, die den nicht gemessenen Stellen am nächsten liegen, den größten Einfluss. ( Quelle )

Aber unterscheidet sich darin, dass Gewichte durch das Semi-Variogramm bestimmt werden.

"Wobei n die Anzahl der Beobachtungspunktpaare der Werte des Attributs z ist, die gegen den Abstand h getrennt sind" (Burrough und McDonnell, 2004: 134).

Es gibt verschiedene Nischentypen von Kriging .

Weitere Lektüre:

1. Wie IDW arbeitet .
2. So funktioniert Kringing :
3. Wie benutzt man Kriging:
4. Arten der Interpolation :