Hlavní metody interpolace, podporované Surferem jsou Inverse Distance Weighing (IDW), Kriging, Minimum Curvature a Triangulation with linear interpolation, jako doplňkové potom Shepard´s method, Radial Basis a Polynomial Regression.
Interpolace obecně vychází z aplikace algoritmu
váženého průměru na daných datech. Různé výsledky dané jednotlivými technikami
jsou dány rozdílnými aplikovanými váhovými faktory. Jednotlivé techniky
jsou vhodné pro rozdílné účely, pro různé objemy vstupních dat a požadovanou
přesnost.
Hlavní algoritmy můžeme rozdělit na dvě
hlavní skupiny podle nakládání s datovými body, a to na algoritmy přesné
a vyrovnávací.
Přesné metody interpolace zachovávají
hodnoty v datových bodech, které při interpolaci mají maximální možnou
váhu, tj. 1,0. Mezi tyto metody patří
zejména triangulace, IDW bez vyrovnávacího faktoru, Kriging a Nearest Neighbor.
Vyrovnávací algoritmy působí na jemnější
vyrovnání mezi jednotlivými body, přičemž nejsou zachovány hodnoty datových
bodů, které v tomto případě mají nižší
váhu než 1. Celkový průběh výsledného gridu je proto hladší, dochází k
vyrovnání lokálních nerovností. Mezi tyto metody patří Minimum curvature,
Kriging s nugget efektem, IDW s vyrovnáním a polynomická regrese.
Hlavní metody a výsledky jejich aplikace na ukázková data:
Zdrojová data
1. Inverse distance weighing
- data jsou vážena vzdáleností bodu od
ostatních
- čím vyšší je váha, tím menší je ovlivnění
ostatními body
- síla váhy klesá se vzdáleností od bodu
- s tím, jak váha klesá, interpolovaná
hodnota se přibližuje datovému bodu
- důsledkem je vytváření "očí" okolo datových
bodů
- metoda IDW je velmi rychlá, lze ji bez
problému použít i na rozsáhlé datové soubory
2. Kriging
- asi nejpoužívanější geostatistická gridovací
metoda
- vysoká flexibilita
- průběh interpolace je plně ovladatelný
pomocí parametrů
- váha je počítána nikoli podle lineárního
vztahu, ale podle funkce - variogramu
- pro definici průběhu
funkce je možno kombinovat až 3 variogramy
- hlavní typy variogramů
- lineární, exponenciální, kvadratický, gaussovský aj.
- ve většině případů
lze použít lineární variogram
- lze snižovat váhu jednotlivých
bodů pro případy, že chceme eliminovat známé chyby v datech pomocí nugget
efektu
- Kriging v tomto případě
sníží váhu jednotlivým bodům
- průběh interpolace
se použitím nugget efektu posouvá do vyrovnávacích metod
Triangulace
- algoritmus spojí body sítí trojúhelníků
tak, aby se jejich hrany navzájem neprotínaly
- výsledkem je povrch, tvořený sítí trojúhelníků,
spojujících jednotlivé datové body
- přesné kopírování reliéfu
- velmi rychlý průběh interpolace
- nejlepší výsledky pro rovnoměrně rozložené
body
- zachovává přesnou polohu bodů - vhodné
pro zobrazení výrazných zlomových linií, tektonických poruch aj.
Nearest Neighbor
- každému uzlu gridu přiřadí interpolátor
hodnotu nejbližšího datového bodu
- použití na pravidelně uspořádané datové
soubory s malým počtem nepravidelností
Minimum Curvature
- vyrovnávací metoda
- velmi hojně používaný v přírodních vědách
- lze si představit jako elastickou vrstvu,
proloženou body tak, aby měla minimum záhybů
- vystihuje velmi dobře datové body, ale
ne přesně
- při aplikaci opakuje interpolační algoritmus
v zadaném počtu iterací
- možno volit
počet iterací i maximální přípustné reziduum
Polynomická regrese
- použití pro vystižení obecných trendů
v datech
- není v pravém slova smyslu interpolátor,
ale regresní nástroj
- výsledkem je rovnice, popisující povrch