Escolhendo interpolação IDW vs Kriging para criação de DEM?

Estou tentando criar um DEM usando dados pontuais espaçados muito regularmente, com cerca de 10m de distância. A área que estou interpolando é uma instalação educacional com muitos estacionamentos planos e campos de futebol, mas ainda tem algumas colinas bastante íngremes que costumam chegar a um estacionamento. Devido a esses platôs conhecidos, eu descartei o método Splining; No entanto, ainda não tenho certeza entre o uso dos métodos IDW e Kriging. Não vejo muita diferença depois de tentar os dois e ainda não tomei minha decisão depois de um pouco de pesquisa.

Alguém tem algumas palavras de sabedoria para esclarecer isso para mim?

Ambas as formas se apóiam na primeira lei da geografia de Tobler: coisas próximas são mais relacionadas do que coisas mais distantes.

IDW é a mais simples das duas técnicas. Envolve o uso de valores z conhecidos e pesos determinados em função das distâncias entre os pontos desconhecidos e conhecidos. Como tal, nos pontos IDW que estão distantes, têm muito menos influência do que os pontos próximos. O efeito dos pesos de distância inversa pode ser determinado pelo usuário alterando a potência para a qual a distância inversa é aumentada.

Como visto neste diagrama, é possível determinar os limites de quais pontos de dados (valores z) o IDW deve levar em consideração usando um raio de pesquisa .

O IDW difere de Kriging no fato de nenhum modelo estatístico ser usado. Não há determinação da autocorrelação espacial levada em consideração (isto é, como as variáveis ​​correlacionadas estão a distâncias variáveis ​​não são determinadas). No IDW, apenas valores z conhecidos e pesos de distância são usados ​​para determinar áreas desconhecidas.

A IDW tem a vantagem de ser fácil de definir e, portanto, fácil de entender os resultados. Pode ser desaconselhável usar o Kriging se você não tiver certeza de como os resultados foram alcançados. Kriging também sofre quando há discrepâncias (veja aqui uma explicação).

A ESRI declara :

Kriging é mais apropriado quando você sabe que há uma distância espacialmente correlacionada ou um viés direcional nos dados. É frequentemente usado na ciência e geologia do solo.

Kriging é um método estatístico que utiliza variogramas para calcular a autocorrelação espacial entre pontos em distâncias graduadas (uma boa introdução pode ser encontrada aqui: Statios Variogram Introduction e Washington Intro to Variographams ). Ele usa esse cálculo de autocorrelação espacial para determinar os pesos que devem ser aplicados em várias distâncias. A autocorrelação espacial é determinada tomando-se diferenças quadráticas entre os pontos. Para esclarecer, Kriging é semelhante ao IDW:

Como a interpolação IDW, a krigagem forma pesos a partir dos valores medidos ao redor para prever locais não medidos. Como na interpolação IDW, os valores medidos mais próximos dos locais não medidos têm maior influência. ( Fonte )

Mas difere na medida em que os pesos são ajudados determinados pelo semi-variograma.

“Onde n é o número de pares de pontos amostrais de observação dos valores do atributo z separados em relação à distância h” (Burrough e McDonnell, 2004: 134).

Existem vários tipos diferentes de nicho de Kriging .

Leitura adicional:

1. Como o IDW funciona .
2. Como o Kringing funciona :
3. Como usar o Kriging:
4. Tipos de interpolação :