¿Elegir la interpolación IDW frente a la Kriging para la creación de MDE?

Question

Estoy tratando de crear un MDE utilizando datos de puntos espaciados muy regularmente a unos 10 m de distancia. La zona que estoy interpolando es un centro educativo con muchos aparcamientos planos y campos de fútbol, pero también tiene algunas colinas bastante empinadas que a menudo se convierten en mesetas hasta llegar a un aparcamiento. Debido a estas mesetas conocidas, he descartado el método Splining; sin embargo, todavía no estoy seguro entre usar los métodos IDW y Kriging. No veo mucha diferencia después de probar ambos y todavía no he tomado mi decisión después de investigar un poco.

¿Alguien tiene algunas palabras de sabiduría para aclararme esto?

Answer 1

Ambas formas se basan en la primera ley de la geografía de Toblers: las cosas que están cerca están más relacionadas que las que están más lejos.

IDW es la más sencilla de las dos técnicas. Implica el uso de valores z conocidos y pesos determinados en función de las distancias entre los puntos desconocidos y los conocidos. Por lo tanto, en IDW los puntos que están lejos tienen mucha menos influencia que los puntos que están cerca. El efecto de los pesos de la distancia inversa puede ser determinado por el usuario cambiando la potencia a la que se eleva la distancia inversa.

Como se ve en este diagrama, se pueden determinar los límites de los puntos de datos (valores de z) que IDW debe tener en cuenta utilizando un radio de búsqueda .

IDW se diferencia de Kriging en que no se utilizan modelos estadísticos. No se tiene en cuenta la determinación de la autocorrelación espacial (es decir, no se determina la correlación de las variables a distintas distancias). En IDW sólo se utilizan los valores z conocidos y los pesos de las distancias para determinar las áreas desconocidas.

IDW tiene la ventaja de que es fácil de definir y, por tanto, de entender los resultados. Puede ser desaconsejable utilizar Kriging si no se está seguro de cómo se han obtenido los resultados. Kriging también sufre cuando hay valores atípicos (véase aquí para una explicación).

ESRI afirma :

Kriging es más apropiado cuando se sabe que hay una distancia correlacionada espacialmente o un sesgo direccional en los datos. Se utiliza a menudo en la edafología y la geología.

Kriging es un método estadístico que hace uso de un variograma para calcular la autocorrelación espacial entre puntos a distancias graduadas (se puede encontrar una buena introducción aquí Introducción del Variograma de Statios y Introducción a los variogramas en Washington ). Utiliza este cálculo de autocorrelación espacial para determinar las ponderaciones que deben aplicarse a distintas distancias. La autocorrelación espacial se determina tomando las diferencias al cuadrado entre los puntos. Para aclarar, Kriging es similar a IDW en que:

Al igual que la interpolación IDW, el kriging forma ponderaciones a partir de los valores medidos circundantes para predecir los lugares no medidos. Al igual que en la interpolación IDW, los valores medidos más cercanos a los lugares no medidos son los que más influyen. ( Fuente )

Pero difiere en que los pesos se ayudan a determinar el semivariograma.

"donde n es el número de pares de puntos de muestra de las observaciones de los valores del atributo z separados contra la distancia h" (Burrough y McDonnell, 2004: 134).

Hay diferentes Tipos de nicho de Kriging .

Más información:

1. Cómo funciona IDW .
2. Cómo funciona el Kringing :
3. Cómo utilizarlo Kriging:
4. Tipos de interpolación :