Decidindo qual método de interpolação usar para reamostrar dados rasterizados?

Existem regras rígidas e rápidas sobre quais métodos de interpolação são adequados para cada tipo de dados rasterizados?

Concordo que não existem regras rígidas, mas existem algumas diretrizes para vários métodos de interpolação. Por exemplo, o IDW é melhor quando você tem pontos bastante densos para começar. Kriging é intensivo em processador, geralmente usado em modelagem de solo / geologia. O spline é geralmente usado quando uma superfície lisa é desejada, por exemplo, dados de temperatura Alguns métodos mantêm a varredura resultante passando pelos pontos originais, enquanto outros não.

Embora seja centrado no ArcGIS, uma boa visão geral dos diferentes métodos pode ser encontrada no documento de 4 páginas

Interpolando superfícies no ArcGIS Spatial Analyst

Um esclarecimento para a pergunta indica que são procurados métodos de reamostragem de uma varredura . Muitos estão em uso em comunidades fotográficas e de imagem . Para o trabalho GIS, no entanto, vários métodos simples são de uso comum:

• Reamostragem do vizinho mais próximo . Cada célula na nova varredura recebe o valor da célula mais próxima (centro a centro) na varredura original. Use isso para dados categóricos, como uso da terra e outras classificações.

• Interpolação bilinear . Cada célula na nova varredura recebe uma média com base nas quatro células originais mais próximas. A média é linear nas direções horizontal e vertical. (A fórmula resultante, no entanto, não é linear; na verdade, é quadrática.) Isso é bom para suavização de uso geral, mas a média que ocorre tipicamente reduz um pouco os picos e vales locais.

• Convolução cúbica . Isso é semelhante em espírito à interpolação bilinear, mas pode extrapolar ligeiramente os valores das células próximas. Fá-lo de maneira a reproduzir médias locais e variabilidade na nova grade; em particular, o corte de extremos locais não deve ser tão severo. (Uma conseqüência desagradável, evidente como um bug no ArcGIS da ESRI, é que os valores na nova grade podem se estender além do alcance da antiga, fazendo com que alguns dos novos extremos não sejam renderizados corretamente. Mas isso é uma questão de dados apenas para exibição.) A desvantagem é que a convolução cúbica leva um pouco mais de tempo para computar do que a interpolação bilinear.

Discuto os dois últimos métodos com mais detalhes em http://www.quantdec.com/SYSEN597/GTKAV/section9/map_algebra.htm

Para cálculos pontuais rápidos, costumo me contentar em realizar interpolação bilinear (para dados contínuos) ou interpolação do vizinho mais próximo (para dados categóricos). Para todos os outros, especialmente ao preparar conjuntos de dados principais ou ao antecipar manipulações extensas, recomendo o uso da convolução cúbica (além de refletir sobre a ordem das operações para minimizar a propagação do erro de ponto flutuante).

De acordo com a ESRI, os métodos de interpolação disponíveis (disponíveis como ferramentas no Spatial Analyst e outras extensões) são comparados da seguinte forma: (Citação)

A ferramenta IDW (Distância inversa ponderada) usa um método de interpolação que estima os valores das células, calculando a média dos valores dos pontos de dados da amostra nas vizinhanças de cada célula de processamento. Quanto mais próximo o ponto do centro da célula estiver sendo estimado, mais influência ou peso ele terá no processo de média.

Kriging é um procedimento geoestatístico avançado que gera uma superfície estimada a partir de um conjunto disperso de pontos com valores z. Mais do que outros métodos de interpolação suportados pelo ArcGIS Spatial Analyst, uma investigação completa do comportamento espacial do fenômeno representado pelos valores-z deve ser feita antes de você selecionar o melhor método de estimativa para gerar a superfície de saída.

A interpolação de vizinho natural encontra o subconjunto mais próximo de amostras de entrada em um ponto de consulta e aplica pesos a eles com base em áreas proporcionadas para interpolar um valor (Sibson, 1981). É também conhecido como Sibson ou interpolação "roubo de área".

A ferramenta Spline usa um método de interpolação que estima valores usando uma função matemática que minimiza a curvatura geral da superfície, resultando em uma superfície lisa que passa exatamente pelos pontos de entrada.

Spline com barreiras A ferramenta Spline com barreiras usa um método semelhante à técnica usada na ferramenta Spline, com a principal diferença: essa ferramenta respeita as descontinuidades codificadas nas barreiras de entrada e nos dados do ponto de entrada.

As ferramentas Topo para varredura e Topo para varredura por arquivo usam uma técnica de interpolação projetada especificamente para criar uma superfície que representa mais de perto uma superfície de drenagem natural e preserva melhor as ridgelines e as redes de fluxo dos dados de contorno de entrada.

O algoritmo usado é baseado no do ANUDEM, desenvolvido por Hutchinson et al na Australian National University.

Tendência é uma interpolação polinomial global que ajusta uma superfície lisa definida por uma função matemática (um polinômio) aos pontos de amostra de entrada. A superfície da tendência muda gradualmente e captura padrões de escala aproximada nos dados.

Você também pode dar uma olhada neste artigo: http://proceedings.esri.com/library/userconf/proc95/to100/p089.html

Dois outros métodos seriam Average4 e Average16. Eles fazem o que parecem e medem a média das 4 ou 16 células circundantes.

O caso de uso aqui é principalmente para dados DEM. Você não a usaria em uma imagem rasterizada (em cores de 3 bandas)

Não é ponderada pela distância, mas acho que não a usaria para varredura (apenas vetor), pois a distância em um conjunto de dados raster é um pouco mais subjetiva

Sempre achei que o Median4 e o Median16 seriam boas maneiras de remover quedas e picos dos dados do DEM, embora eu não conheça nenhum pacote que permita isso.