Классификация методов интерполяции, предлагаемых в Geostatistical Analyst

Доступно с лицензией Geostatistical Analyst.

Одно из самых важных решений, которое вам предстоит принять, — это определение цели (или целей) разработки модели интерполяции. Иными словами, какая информация должна предоставляться моделью, чтобы вы могли принять решение? Например, в сфере общественного здравоохранения модели интерполяции используются для прогнозирования уровней загрязняющих веществ, которые могут быть статистически связаны с показателями заболеваемости. На основе этой информации можно планировать дальнейшие исследования по созданию образцов, разрабатывать политику в области общественного здравоохранения и так далее.

Geostatistical Analyst предлагает множество различных методов интерполяции. Каждый из них обладает уникальными качествами и предоставляет различную информацию (в некоторых случаях методы предоставляют схожую информацию; в других случаях информация может быть совершенно разной). На следующих схемах эти методы классифицированы в соответствии с различными критериями. Выберите критерий, который важен для вашей конкретной ситуации, и ветвь в соответствующем дереве, представляющую интересующую вас опцию. Это приведет вас к одному или нескольким методам интерполяции, которые могут подойти для вашей ситуации. Скорее всего, у вас будет несколько важных критериев, которым нужно соответствовать, и вы будете использовать несколько деревьев классификации. Сравните методы интерполяции, предложенные каждой ветвью дерева, которой вы следуете, и выберите несколько методов для сопоставления, прежде чем принять решение об окончательной модели.

Первое дерево предлагает методы, основанные на их способности создавать прогнозы или прогнозы и связанные с ними ошибки.

Некоторые методы требуют модели пространственной автокорреляции для создания прогнозируемых значений, но другие — нет. Моделирование пространственной автокорреляции требует определения дополнительных значений параметров и интерактивной подгонки модели к данным.

Различные методы создают различные типы выходных данных, поэтому вы должны решить, какой тип информации вам нужно создать перед построением модели интерполяции.

Методы интерполяции различаются по уровню сложности, который можно измерить количеством допущений, необходимых для того, чтобы модель была корректной.

Некоторые интерполяторы являются точными (в каждом местоположении входных данных поверхность будет иметь точно такое же значение, как и значение входных данных), в то время как другие — нет. Точная репликация входных данных может быть важна в некоторых ситуациях.

Некоторые методы создают более гладкие поверхности, чем другие. Например, радиальные базисные функции являются гладкими по своей структуре. Использование гладкой окрестности поиска позволит получить более гладкие поверхности, чем стандартная окрестность поиска.

Для некоторых решений важно учитывать не только прогнозируемое значение в местоположении, но и неопределенность (изменчивость), связанную с этим прогнозированием. Некоторые методы предоставляют измерения неопределенности, в то время как другие — нет.

Наконец, скорость обработки может быть фактором в вашем анализе. В целом, большинство методов интерполяции работают относительно быстро, за исключением случаев, когда для управления процессом интерполяции используются барьеры.

В классификационных деревьях для методов интерполяции используются следующие сокращения:

Аббревиатура	Имя метода
GPI	Интерполяция по методу глобального полинома
LPI	Интерполяция по методу локальных полиномов
ОВР	Обратные взвешенные расстояния
RBF	Радиальные базисные функции
KSB	Интерполяция ядра с барьерами
DKB	Интерполяция диффузии с барьерами
Кригинг	Обычный, простой, универсальный, индикатор, вероятность, дизъюнктивный, Эмпирический байесовский кригинг и Прогнозирование регрессии ЭБК
Имитация	Гауссова геостатистическая имитация, основанная на модели простого кригинга