我正在尝试使用非常规则地间隔约10m的点数据创建DEM。我要插值的区域是一个教育设施,有许多平坦的停车场和足球场,但仍然有一些相当陡峭的山丘,经常会停在停车场。由于这些已知的高原,我排除了Splining方法。但是,我仍然不确定在使用IDW和Kriging方法之间。尝试了这两种方法后,我看不出太大的区别,但经过一些研究后仍未做出决定。

每个人都有智慧的话可以为我解决吗?

评论

当Kriging是一个不错的选择时,我认为您需要“条件DME建模”之类的东西。
欢迎使用GIS.SE。是否像通常那样由现场测量师明智地选择了点?即,他们是否选择了坡度中断点?另外,DEM的目的是什么?轮廓,体积?这样的事情会影响我们的建议。

在这种情况下,克里金应比IDW更好地工作,但需要大量的专业知识和注意事项,因为您对地形的描述表明空间相关性将不会保持稳定,这是克里金背后的重要假设。 (没有这种假设,甚至无法估计有效的方差图。)如果有选择,您可能会考虑创建TIN。

TIN +1,在您的情况下确实值得考虑。

#1 楼

两种形式都依赖于Toblers的地理第一定律:相距较近的事物比相距较远的事物更为相关。

IDW是两种技术中较简单的一种。它涉及使用根据未知点和已知点之间的距离确定的已知z值和权重。因此,在IDW中,相距较近的点的影响要小得多。用户通常可以通过更改反距离权重的乘方来确定反距离权重的影响。



如该图所示,您可以使用搜索半径来确定IDW应考虑哪些数据点(z值)的限制。

IDW与Kriging的不同之处在于,不使用统计模型。没有考虑到空间自相关的确定(也就是说,没有确定相关变量在不同距离处的关系)。在IDW中,仅使用已知的z值和距离权重来确定未知区域。

IDW的优点是易于定义,因此易于理解结果。如果您不确定结果是如何得出的,则不建议使用Kriging。当存在离群值时,克里金法也会受到影响(请参阅此处以获取解释)。

ESRI状态:



当您知道数据中存在与空间相关的距离或方向偏差时,克里金法最合适。它通常用于土壤科学和地质学。


克里格(Kriging)是一种统计方法,利用变异函数来计算渐变距离上的点之间的空间自相关(可以在Statios Variogram Introduction和Washington Variograms上找到很好的介绍)。它使用这种空间自相关计算来确定应在各种距离下应用的权重。空间自相关通过对点之间的平方差求和来确定。阐明克里格效应与IDW的相似之处在于:像IDW插值一样,克里金法根据周围的测量值形成权重,以预测未测量的位置。与IDW插值一样,最接近未测量位置的测量值影响最大。 (来源)


但是不同之处在于,权重由半变异函数确定。



“其中n是属性z的值与距离h”分开的观测点的样本点对的对数(Burrough and McDonnell,2004:134)。



克里格有许多不同的利基类型。

进一步阅读:



IDW的工作原理。

Kringing的工作原理:

克里格方法的使用方法: />