Більше

Заздалегідь передбачити найкращий метод інтерполяції для моїх даних


Мені потрібно інтерполювати дані ґрунту ArcGIS 10.1 (вміст органічних речовин, вміст поживних речовин, рН тощо) від набору точок відбору проб ґрунту до поверхні, на якій лежить цей набір точок.

Я розглядаю Крігінга або зважену відстань.

Я думаю, що використання майстра геостатистики (на панелі інструментів геостатистичного аналітика) є найкращим варіантом, оскільки майстер має кнопки «Оптимізувати всю модель» та «Оптимізувати значення потужності» для обох методів інтерполяції відповідно. Але я бачив, що для певних атрибутів чи значень для інтерполяції можна отримати нижчий середньоквадратичний показник за допомогою Крігінга, ніж за допомогою IDW, і навпаки для інших атрибутів.

Як заздалегідь дізнатися, який метод дає кращий результат інтерполяції (нижчий середньоквадратичний чи будь -який інший показник якості)? Або, навпаки, чи потрібно цього досягати, намагаючись змінити якомога більше різних параметрів обох методів?


За задумом, крігінг є найкращим методом лінійної інтерполяції для однієї вхідної змінної, отже, це кращий метод, ніж IDW (який також є методом лінійної інтерполяції для однієї вхідної змінної). Дійсно, кригінг мінімізує помилки прогнозування.

"Проблема" кригінгу полягає в тому, що він складніший, ніж IDW, тому для створення хорошої моделі кригінгу потрібно більше часу (і більше навичок), ніж для пошуку найкращої моделі IDW (що можливо за допомогою "грубої сили"). Однак, якщо вам знадобиться час, щоб переглянути ваші дані, вам не потрібна перехресна перевірка всіх параметрів для запуску кригінгу. Вам потрібно вибрати найкращу модель відповідно до напіваріограми (існують різні типи кригінгу та різні розширені параметри, але напівваріограма є основною).


Які просторові інтерполятори я повинен використовувати? Тематичне дослідження, що стосується морських видів

Був розроблений новий метод вибору серед моделей просторового розподілу за допомогою 2-х кроків.

Перший крок використовує дисперсію, пояснену моделлю прогнозування (10-кратна перехресна перевірка).

На другому кроці використовуються три критерії: вимірювання на основі помилок, показники просторової еквівалентності та цілісність даних.

Метод проілюстрований за допомогою 175 розподілів морських видів (35 видів х 5 років).

Підхід є доступним, зрозумілим, має багато критеріїв і є універсальним, оскільки не залежить від використовуваного методу або характеристик даних.


Приклади застосувань інтерполяції

Нижче наведено кілька типових прикладів застосування інструментів інтерполяції. На супровідних ілюстраціях буде показано розподіл та значення точок вибірки та згенерованого з них растру.

Інтерполяція поверхні опадів

Вхідними даними тут є набір точок відомих значень рівня опадів, показаний на ілюстрації зліва. Ілюстрація праворуч показує растр, інтерпольований з цих точок. Невідомі значення передбачаються за допомогою математичної формули, яка використовує значення найближчих відомих точок.

Введіть дані про точку опадів Інтерпольована поверхня опадів

Інтерполяція поверхні піднесення

Типовим використанням точкової інтерполяції є створення поверхні висоти з набору вимірювань вибірки.

На наступному графіку кожен символ у точковому шарі позначає місце, де було виміряно висоту. За допомогою інтерполяції будуть передбачені значення для кожної комірки між цими вхідними точками.

Введіть дані точки висоти Інтерпольована поверхня висот

Інтерполяція поверхні концентрації

У наведеному нижче прикладі інструменти інтерполяції були використані для вивчення кореляції концентрації озону з хворобами легенів у Каліфорнії. Зображення зліва показує розташування станцій моніторингу озону. Зображення праворуч відображає інтерпольовану поверхню, що передбачає прогнози для кожного місця в Каліфорнії. Поверхня була отримана за допомогою кригінгу.


Технічна примітка щодо застосування методу інтерполяції для моделювання 3D -поверхневого шару гірських порід

Етапи планування днопоглиблення потребують всебічного та детального аналізу. Визначення середовища днопоглиблювальних робіт є одним із важливих моментів. Було показано, що тривимірна (3D) технологія геологічного моделювання є надійним інструментом для представлення та аналізу умов геології. З загальної точки зору, 3D -модель встановлюється деякими просторовими поверхнями. На основі проекту днопоглиблення це дослідження досліджувало можливості оцінки методу інтерполяції триангуляції в поєднанні з нейронною мережею ВР для моделювання поверхні шару гірських порід. Продуктивність запропонованої моделі порівнюється з деякими традиційними методами в літературі. Результати показали, що цей метод інтерполяції ефективний для використання при моделюванні поверхні шару породи.

1. Введення

Розумне судження щодо розташування всіх типів ґрунтів у зоні днопоглиблення є одним із найважливіших елементів планування морських днопоглиблювальних операцій, оскільки матеріал, що підлягає днопоглибленню, визначає вибір днопоглиблювального обладнання та керує розрахунками продуктивності [1–3 ]. З розвитком науки технологія 3D геологічного моделювання виявилася надійним інструментом для представлення та аналізу умов геології [4, 5]. З загальної точки зору, 3D -модель встановлюється деякими просторовими поверхнями. Іншими словами, якщо визначити поверхні, 3D -модель можна легко отримати серед цих поверхонь.

Для моделювання поверхонь потрібна деяка необхідна інформація, наприклад реальні дані на вибіркових ділянках та прогнозовані значення на ділянках без вибірки. Інтерполяція - це процес прогнозування значень атрибутів на сайтах без вибірки. Багато дослідників проводили дослідження методів інтерполяції з метою забезпечення оптимальної структури моделі [6–10]. Для точки вибірки у просторовому положенні, чим ближче вона до вибіркової точки, тим більша ймовірність того, що значення атрибута подібне, і це є найосновнішим припущенням методів просторової інтерполяції [11]. На цій основі були сформовані різні методи інтерполяції для оцінки поверхні, такі як триангуляційна інтерполяція, обернене зважування відстані, найближчий сусід та сплайнові методи [12, 13].

Крім того, деякі вчені намагаються застосувати технологію штучного інтелекту для вивчення методів просторової інтерполяції. Лін і Чен запропонували метод інтерполяції атрибутів на основі радіально -базисних мереж базових функцій та варіограм [14]. Саманта та Бандопадхей також використовували мережу радіальних базових функцій для інтерполяції атрибутів, і у їх дослідження було введено генетичний алгоритм [15]. Тутмез проводив дослідження методів інтерполяції на основі нечітких математичних алгоритмів [16]. У цьому дослідженні для моделювання поверхні використовується метод триангуляційної інтерполяції у поєднанні з нейронною мережею ВР. Відповідно до реальної інформації про свердловину в проекті днопоглиблення, досліджується наявність для ідентифікації гірської породи на основі цього методу інтерполяції. Крім того, встановлено 3D -модель розподілу пластових порід у будівельній зоні та оцінено їх кількість.

2. Методологія

2.1. Опис проблеми

Існує три типи 3D -моделей: каркасні, поверхневі та суцільні, і ці моделі повністю і однозначно визначають стратиграфію для модельованого сайту [17]. Як відомо, суцільна модель може бути створена шляхом розширення верхньої поверхні до нижньої поверхні геологічних одиниць. Поверхневе моделювання має вирішальне значення, оскільки воно впливає на точність моделювання твердого тіла. Таким чином, слід дослідити корисність різних методів над традиційними.

2.2. Звичайні методи інтерполяції
2.2.1. Інтерполяція трикутників

Інтерполяція трикутників є найпоширенішим і найпростішим методом інтерполяції, особливо в геоінформаційних системах. Для цього методу рівняння простої плоскої поверхні дорівнює


Найкраще 5 безкоштовних програмних засобів ГІС з відкритим кодом та підсилювачами

Перегляньте список п’яти найкращих програм для картографування ГІС з відкритим кодом, щоб зрозуміти їх конкретні функції. Окрім пропонування таких функцій, як управління даними, обробка зображень, автоматизація створення карт та аналіз ректорів/векторів, програмне забезпечення ГІС з відкритим кодом також надає специфічні функції для аналізу геоінформаційної системи.

QGIS або Quantum GIS - це програмне забезпечення з відкритим вихідним кодом, яке використовується для аналізу та редагування геопросторових даних. Ця платформа з відкритим кодом складає/експортує графічні карти та залежить від растрових/векторних шарів. Ви можете використовувати QGIS для підтримки файлів шейпів, покриття, персональних баз географічних даних та MapInfo.

Особливості QGIS:

  1. Менеджер БД
  2. Композитор карт
  3. Просторові закладки
  4. Інструменти анотації
  5. Браузер QGIS
  6. На льоту репроекція
  7. Дані OpenStreet Map

uDIG - це програмне забезпечення ГІС з відкритим кодом, яке залежить від платформи Eclipse. Найбільш широко використовується для розробки додатків ГІС, uDIG можна розширити у плагіни RCP. Таким чином, ви також можете використовувати його як плагін для наявної програми.

Особливості uDIG:

  1. Перетягування інтеграції
  2. Інтеграція з існуючою інфраструктурою
  3. Геопросторові веб -сервіси
  4. Де -факто геопросторові веб -сервіси
  5. Розширені формати просторового растру
  6. Дескриптор стилю шару
  7. Глибока інтеграція стандартів
  8. Топологічний пакет JTS

OpenJump

OpenJump - це програмне забезпечення для відображення ГІС з відкритим вихідним кодом, яке використовується для редагування та приписування даних на екрані карти програмного забезпечення. Також можна експортувати дані у SVG. Ви можете використовувати інструменти векторного аналізу для топологічного аналізу та операцій накладання. Крім того, це допомагає додати систему координат, аналіз просторових баз даних та виправлення помилок через платформу OpenJump.

Особливості OpenJump:

  1. Кілька геометрій
  2. Додавання/видалення вершин
  3. Автоматичне заповнення багатокутника
  4. Деформація
  5. Спростіть багатокутники/лінії
  6. Швидке прототипування функцій ГІС

САГА ГІС

SAGA або Система автоматизованих геонаукових аналізів призначена насамперед для аналізу та обробки геоданих. Це програмне забезпечення ГІС з відкритим вихідним кодом має надійний API, запрограмований у рамках системної та об'єктно -орієнтованої мови C ++. Він спеціально використовується для геореференційних та картографічних проекцій.

Особливості SAGA:

  1. Інтуїтивно зрозуміле управління та візуалізація даних
  2. Інтерполяція сітки даних розсіяної точки
  3. Аналіз зображень
  4. Портативний
  5. Сценарії за допомогою командного рядка
  6. Модульна конструкція
  7. Обробка геоданих.

ТРАВ ГІС

Підтримка аналізу географічних ресурсів GRASS або географічних ресурсів Програмне забезпечення ГІС з відкритим кодом використовується для аналізу та управління геопросторовими даними. Графіка, обробка зображень та створення карт - інші основні особливості платформи. Він працює на 3D-растрі.

Особливості GRASS GIS:

  1. Тимчасові рамки
  2. Моделювання ерозії
  3. Аналіз водозбору
  4. Точковий аналіз даних
  5. Транспортування розчину
  6. Створення карти

Це найкраще програмне забезпечення ГІС, доступне на ринку. Ви можете вибрати будь -який із цих різних типів для різних програм використання ГІС. Ви можете перевірити інші програми, доступні для ГІС. Якщо ви знаєте про будь -яке інше програмне забезпечення, повідомте нас у розділі коментарів нижче


Просторова інтерполяція метеорологічних параметрів з урахуванням географічної семантики

Просторова інтерполяція метеорологічних параметрів, тісно пов'язана з земною поверхнею, відіграє важливу роль у кліматологічному дослідженні. Однак більшість традиційних методів просторової інтерполяції ігнорують географічну семантику точок вибірки інтерполяції в практичному застосуванні. У цій статті намагається запропонувати вдосконалений алгоритм зважування на зворотній відстані з урахуванням географічної семантики (S-IDW), який додає географічну семантичну подібність до традиційної формули IDW та коригує ваговий коефіцієнт. У процесі інтерполяції географічні семантичні відмінності між точками вибірки та точками оцінки розглядаються комплексно. У цьому дослідженні для експериментів було відібрано 3 групи даних про температуру поверхні суші з 2 різних областей, а також порівняно кілька широко використовуваних методів просторової інтерполяції. Експериментальні результати показали, що S-IDW перевершує IDW та декілька існуючих методів просторової інтерполяції, але також були деякі аномальні значення та викиди інтерполяції. Цей метод дає нове уявлення про точність оцінки, відсутні дані та виправлення помилок просторових атрибутів, пов'язаних з метеорологічними параметрами.

1. Введення

Просторова інтерполяція метеорологічних параметрів полягає в отриманні відносно точних описів просторових атрибутів, пов'язаних з кліматологічною динамікою та погодними особливостями, за допомогою деяких обґрунтовано розташованих зразків [1]. Традиційно вибіркове спостереження є найкращим способом отримання середніх регіональних умов для забезпечення рівних можливостей вибірки для кожного місця в регіоні. Однак точки вибірки спостережень є розрідженими і мають випадковий розподіл у практичному застосуванні [1]. Наприклад, розташування точок вибірки систематично і змінюється плавно. Крім того, більшість метеорологічних моделей отримують шляхом відбору проб із спостережних станцій в даний час. Метод просторової інтерполяції широко використовується для перетворення дискретних даних спостережень у безперервну поверхню для кращого вимірювання просторової картини розподілу елементів даних [2]. В даний час відомі методи просторової інтерполяції, такі як IDW, Kriging, сплайн та метод трендових поверхонь, широко використовуються в різних областях. Більшість із них мають певні обмеження у застосуванні, наприклад метод дистанційного зважування з деякими проблемами, що впливає на результати розрахунків через відстань, оскільки не підходить для великого діапазону [3]. Метод Крігінга може застосовувати різні форми і параметри варіаграм для різних точок даних вибірки з певною гнучкістю. Однак він втрачає високу ефективність оригінального методу зважування на зворотній відстані, спочатку визначаючи форму варіограми та підганяючи параметри варіограми. Варіограми Крігінга вимагають штучного відбору, і існує проблема, що обчислення різко зростає, коли існує занадто багато комбінацій варіограм [4]. Сплайн-метод не підходить для розріджених і кінцевих точок вибірки і часто використовується для інтерполяції точки вибірки високої щільності [5]. Метод поверхні тренду більше спирається на існуючу тенденцію просторового розподілу елементів інтерполяції [6]. Отже, багато авторів продовжували безперервне дослідження та вдосконалення методу просторової інтерполяції [7]. Наприклад, складність рельєфу та коефіцієнт висоти були введені деякими дослідниками у зважування на зворотній відстані [8, 9], а Лі та ін. приніс коефіцієнт зважування гармонік азимуту в інтерполяцію зважування відстані [2]. Співвідношення природного сусідства було введено в інтерполяцію зважування відстані [10], а деякі автори ввели нечітку тригонометричну функцію в інтерполяцію зважування відстані [3]. Інші враховували характеристики просторово-часових варіацій географічних факторів та запроваджували дані часових рядів для усунення деяких числових коливань у часі, таких як просторово-часове зважування Крігінга та інтерполяція зважування просторово-часової зворотної відстані [9]. Послідовність методів, запропонованих вищезгаданими авторами, досягла значного академічного ефекту та показала високу просторову автокореляцію, але більшість із них базувалися на методах числової інтерполяції, не враховуючи географічної семантики.

Натхненний теорією градієнтів у сфері обробки зображень, градієнт-це диференціал першого порядку сірого кольору, що відображає швидкість зміни між сусідніми пікселями у напрямку X та Y [11]. Там, де швидкість зміни градієнта зображення більша в регіоні, типи земного покриву, як правило, змінюються, наприклад, межа між сушею та водою на зображенні. Існуючі дослідження, засновані на інверсії зображення дистанційного зондування, такі як температура поверхні землі (LST), індекс рослинності та індекс вологості, є певною мірою моделлю для опису взаємозв’язку між сигналами дистанційного зондування чи даними дистанційного зондування та поверхневими додатками [12]. Наприклад, температура поблизу житлових будинків значно відрізняється від лісової землі або водойми. Температура повітря на деяких відкритих поверхнях суші, наприклад, на дахах будівель та тротуарах, нагрівається вище, ніж у тінях лісів. Тому географічна семантика незамінна для вивчення геопросторового опису піксельної інформації поверхневого дистанційного зондування. В даний час деякі автори висунули семантичний метод Крігінга, який досяг чудових результатів дослідження, але все ще існують деякі проблеми, такі як складність обчислення варіограми, імпортованої семантичною подібністю [13–15]. Крім того, передбачення багатоваріантних метеорологічних факторів шляхом вбудовування географічної семантики в байєсівські мережі послаблює вплив невизначеності параметрів, але не має знань про метеорологічне моделювання [16]. Хоча вищезгадані методи просторової інтерполяції демонструють ефективність у різних додатках, все ще існує коло вдосконалень шляхом впровадження географічної семантики у процес просторової інтерполяції. Крім того, зростає інформаційна семантика у сфері просторової статистики та моделювання навколишнього середовища [17, 18].

У цій статті зроблено спробу ввести географічну семантику в обернену вагову просторову інтерполяцію шляхом вбудовування ієрархічної географічної семантики в модель просторової інтерполяції та використання семантичної подібності для вимірювання ваги коефіцієнта. У цьому дослідженні були проведені наступні аналізи: (1) методи S-IDW, використані в цьому дослідженні, пояснюються в наступному розділі (2). Результати обговорюються в розділі «Експериментальні результати та порівняння» (3), нарешті, наші висновки та наступні дослідження зроблені у розділі Висновки.

2. Методологія

S-IDW інтегрує географічні семантичні знання у метод інтерполяції зважування на зворотній відстані. Враховуючи вплив відстані на результати інтерполяції, додається вплив типу землекористування на інтерполяцію температури поверхні суші. S-IDW переглядає вагу інтерполяції, збільшує вагу одного і того ж типу землекористування та зменшує вагу різних типів землекористування на основі відстані, будуючи метод S-IDW [19].

У S-IDW першим кроком є ​​обчислення семантичної подібності географічних об’єктів. Формула така:


Адаптивна методика просторової інтерполяції зважування на зворотній відстані

Однією з найбільш часто використовуваних детермінованих моделей у просторовій інтерполяції є метод зважування зворотної відстані (IDW). Це відносно швидко і легко обчислити, і його легко інтерпретувати. Його загальна ідея базується на припущенні, що значення атрибута точки без вибірки є середньозваженим відомим значенням в околицях, а ваги обернено залежать від відстаней між місцем прогнозування та вибірковими місцями. Вага оберненої відстані змінюється постійною потужністю або параметром спаду відстані для регулювання зменшення сили у залежності від збільшення відстані. Визнаючи потенціал змін співвідношень відстань-розпад у досліджуваній зоні, ми пропонуємо дозволити змінювати значення вагового параметра відповідно до просторової картини вибіркових точок в околицях. Цей адаптивний підхід передбачає, що параметр відставання-розпаду може бути функцією точкового малюнка околиці. Ми розробили алгоритм пошуку «оптимальних» адаптивних параметрів відстані-спаду. Використовуючи перехресну перевірку для оцінки результатів, ми прийшли до висновку, що адаптивна IDW в більшості випадків працює краще, ніж метод постійних параметрів, і краще, ніж звичайний кригінг в одному з наших емпіричних досліджень, коли просторову структуру в даних неможливо ефективно моделювати за допомогою типової варіограми функцій.


4 Відповіді 4

Потрібно трохи попрацювати, але спробуйте це. Основна ідея полягає в тому, щоб знайти дві найближчі позначки часу до кожної точки повторного вибірки та інтерполювати. np.searchsorted використовується для пошуку дат, найближчих до точки повторного вибірки.

Після всього цього, сподіваюся, правильна відповідь:

Ви можете зробити це зі слідами. Спочатку створіть TimeSeries зі своїми нерегулярними вимірами, як у словнику:

Потім регулюйте за допомогою методу вибірки:

Це призводить до наступної регуляризованої версії, де сірі точки є вихідними даними, а помаранчева - це регуляризована версія з лінійною інтерполяцією.

Інтерпольовані значення:

Той самий результат, який отримує @mstringer, можна досягти суто в пандах. Хитрість полягає в тому, щоб спочатку проводити повторну вибірку за секундою, використовуючи інтерполяцію для заповнення проміжних значень (.resample ('s'). Interpolate ()), а потім збільшувати вибірку за 15-хвилинні періоди (.resample ('15T'). Asfreq ( )).

Нещодавно мені довелося передискретизувати дані про прискорення, які були нерівномірно вибірковими. Як правило, вибірка проводилася на правильній частоті, але періодично накопичувалися затримки.

Я знайшов це питання і поєднав відповіді Мстрингера та Альберто Гарсія-Рабоско, використовуючи чисті панди та numpy. Цей метод створює новий індекс на потрібній частоті, а потім здійснює інтерполяцію без переривчастого кроку інтерполяції на більш високій частоті.

Код для інтерполяції:

Як і раніше, ви можете використовувати будь -який метод інтерполяції, який підтримує scipy, і цей прийом також працює з DataFrames (саме для цього я його спочатку використовував). Нарешті, зауважте, що інтерполяція за замовчуванням для "лінійного" методу, який ігнорує інформацію про час в індексі і не працюватиме з нерівномірно розташованими даними.


Вирішення проблеми оцінки VMT місцевої дороги з використанням методів просторової інтерполяції

Дані транспортних миль (VMT) мають широкий спектр застосувань у бізнес -процесах агентств автомобільних доріг. Однак на всіх адміністративних рівнях автодорожні установи продовжують стримуватися через погану надійність оцінок VMT для місцевих доріг, що є результатом неадекватності показників дорожнього руху на місцевих дорогах. У цьому документі представлена ​​методологія вирішення цієї проблеми. Методологія спочатку групує місцеві дороги, а потім зараховує дані про обсяги трафіку для сегментів у межах кожного кластера, застосовуючи методи просторової інтерполяції та розріджені дані про обсяги трафіку. Запропонована методологія використовує алгоритми просторової інтерполяції з підтримкою геоінформаційної системи (ГІС), включаючи методи Крігінга, зважування зворотної відстані (IDW), природного сусіда (NN) та методи трендів. Точність, з точки зору помилки прогнозування, кожної техніки була перевірена за допомогою фактичних підрахунків трафіку. Методи просторової інтерполяції можуть давати ефективні заміни відсутніх даних про дорожній рух, а отже, можуть давати достовірні оцінки VMT для місцевих доріг. Результати в цій роботі свідчать про те, що використання просторової інтерполяції для оцінки VMT на місцевих дорогах є економічно ефективним, оскільки воно використовує наявні дані про кількість відвідувачів з існуючих сегментів доріг і, отже, не потребує додаткових зусиль щодо збору даних. Також було проведено порівняння відносної ефективності альтернативних методів просторової інтерполяції для цілей введення імпульсних даних про трафік на певних каналах зв’язку та, зрештою, для оцінки чи прогнозування VMT. Методологію можна легко оновити новими даними про кількість відвідувачів і може бути використана будь-яким агентством автомобільних доріг для оцінки VMT на місцевих дорогах. Істотною передумовою є всебічна інвентаризація місцевих доріг, для яких потрібен VMT.


Берроу, П. А. Принципи географічних інформаційних систем для оцінки земельних ресурсів. Нью -Йорк: Oxford University Press. 1986 рік.

Гейне, Г. В. "Контрольоване дослідження деяких двовимірних методів інтерполяції". Комп'ютерні внески COGS 3 (№ 2): 60–72. 1986 рік.

МакБратні, А. Б. і Р. Вебстер. "Вибір функцій для напіваріограм властивостей ґрунту та їх пристосування до оцінок вибірки". Журнал ґрунтознавства 37: 617–639. 1986 рік.

Олівер, М. А. "Крігінг: метод інтерполяції для географічних інформаційних систем". Міжнародний журнал географічних інформаційних систем 4: 313–332. 1990 рік.

Прес, В. Х., С. А. Теукольський, В. Т. Феттерлінг та Б. П. Фланнері. Числові рецепти на C: Мистецтво наукових обчислень. Нью -Йорк: Cambridge University Press. 1988 рік.

Ройл, А. Г., Ф. Л. Клаузен і П. Фредеріксен. "Практична універсальна кригінг та автоматична контурна обробка". Геообробка 1: 377–394. 1981 рік.


Подивіться відео: Sayısal Analiz: Doğrusal İnterpolasyon Metodu Linear Interpolation Method (Жовтень 2021).