রাস্টার ডেটা পুনরায় মডেলিংয়ের জন্য কোন ইন্টারপোলেশন পদ্ধতিটি ব্যবহার করবেন তা সিদ্ধান্ত নিচ্ছেন?


40

কোন ধরণের নিয়ন্ত্রক পদ্ধতি যা প্রতিটি ধরণের রাস্টার ডেটার সাথে উপযুক্ত?


1
আপনি কি interpolating হয়? লক্ষ্যটি কি কেবল কল্পনা করা বা আসলে কোনও প্রকারের বিতরণ পরিমাপ করা? আপনার আশাগুলি পেতে না পারলেও এগুলি কার্যত কোনও কঠোর বা দ্রুত কোনও নিয়ম নয়।
অ্যান্ডি ডব্লিউ

4
@ নাইনসাইড: আপনি কি নিশ্চিত যে "রাস্টার" ডেটা নির্দেশ করেছেন? আপনি যে উত্তরটি গ্রহণ করেছেন তা কেবলমাত্র ইন্টারপোলটিং ভেক্টর (সময়নিষ্ঠ এবং লাইন) ডেটার পদ্ধতিগুলিকে বোঝায় ।
হোবার

5
প্রশ্নের শিরোনামটি কিছুটা অস্পষ্ট। ইন্টারপোলেশন এবং রেজ্যুলাম শব্দের অর্থ দুটি সামান্য ভিন্ন জিনিস। ইন্টারপোল্ট করার জন্য পৃথক ডেটা পয়েন্টগুলির একটি নমুনা গ্রহণ করা (রাস্টার বা ভেক্টর) এবং সেখান থেকে একটি অবিচ্ছিন্ন পৃষ্ঠ গণনা করা। রিস্যাম্পলিং একধরণের পয়েন্ট নিচ্ছে (আবার রাস্টার বা ভেক্টর), তাদের সাথে কিছু ধরণের অ্যালগোরিদম প্রয়োগ করছে এবং পয়েন্টগুলির একটি নতুন সেট তৈরি করছে। সুতরাং, আমি বিশ্বাস করি যে ইন্টারপোলেশনকে এক ধরণের পুনরায় মডেলিং হিসাবে দেখা যায়।
ডন মেল্টজ

2
ইমো শিরোনামটি ভুল। "রাস্টার ডেটা পুনরায় মডেলিং" আমাকে ভাবায় যে আপনার কাছে একজন রাস্টার রয়েছে এবং সেখান থেকে একটি নতুন / বৃহত্তর রাস্টার উত্পাদন করতে চান। আপনি যদি ভেক্টর পয়েন্টগুলি "রিসম্পলিং" ইন্টারপোল্ট করে কোনও রাস্টার উত্পাদন করতে চান তবে এটি ভুল শব্দ।
আন্ডার ডার্ক

3
@ নাইনসাইড - যেহেতু আপনি আপনার প্রশ্নের উত্তর হিসাবে আমার প্রতিক্রিয়াটি বেছে নিয়েছেন, আমি ধরে নিয়েছি আপনি একটি অবিচ্ছিন্ন রাস্টার পৃষ্ঠের জন্য পৃথক পয়েন্টের একটি সেট ফাঁকা করে দেখছেন। রেজামাল শব্দের বেশিরভাগ দ্বারা একটি অ্যালগরিদমের উপর ভিত্তি করে একটি রাস্টারকে অন্য একজন রূপান্তরকারী হিসাবে ব্যাখ্যা করা হয়। আমি এই শব্দটি ব্যবহার করা ভুল বলে মনে করি না কারণ আমি বিশ্বাস করি যে অন্তরবিচ্ছিন্নতা পুনরায় মডেলিংয়ের একটি রূপ। এটি কেবলমাত্র এটি বেশিরভাগভাবে দেখা যায় না। আমি এই ক্ষেত্রের বিশেষজ্ঞ হিসাবে নিজেকে অনুমান করি না, সুতরাং আমার অনুমানের সংশোধনগুলি স্বাগত।
ডন মেল্টজ

উত্তর:


11

আমি একমত যে এখানে কোন কঠোর এবং দ্রুত নিয়ম নেই, তবে বিভিন্ন আন্তঃবিবাহ পদ্ধতিগুলির জন্য কিছু গাইডলাইন রয়েছে। উদাহরণস্বরূপ, যখন আপনি মোটামুটি ঘন পয়েন্ট শুরু করেন তখন আইডিডব্লিউ সেরা হয়। ক্রিগিং প্রসেসর নিবিড়, সাধারণত মাটি / ভূতত্ত্ব মডেলিংয়ে ব্যবহৃত হয়। স্প্লাইন সাধারণত ব্যবহৃত হয় যখন কোনও মসৃণ পৃষ্ঠটি পছন্দ করা হয়, উদাহরণস্বরূপ তাপমাত্রা ডেটা কিছু পদ্ধতি ফলস্বরূপ রাস্টারকে মূল পয়েন্টগুলির মধ্যে দিয়ে যেতে দেয় যখন অন্যরা তা করে না।

যদিও এটি আর্কজিআইএস কেন্দ্রিক, বিভিন্ন পদ্ধতির একটি ভাল ওভারভিউ 4 পৃষ্ঠার কাগজে পাওয়া যাবে

আরকজিআইএস স্পেসিয়াল অ্যানালিস্টে ইন্টারপোলটিং সারফেসগুলি


41

প্রশ্নের স্পষ্টতা ইঙ্গিত দেয় যে একজন রাস্টার পুনরায় মডেল করার পদ্ধতিগুলি চাওয়া হয়েছে। অনেকে ইমেজিং এবং ফটোগ্রাফিক সম্প্রদায়গুলিতে ব্যবহার করছেন । জিআইএস কাজের জন্য, যদিও বেশ কয়েকটি সরল পদ্ধতি সাধারণ ব্যবহারে রয়েছে:

  • নিকটতম প্রতিবেশী পুনরায় মডেলিং । নতুন রাস্টারটির প্রতিটি কক্ষকে আসল রাস্টারগুলিতে নিকটতম কক্ষের (কেন্দ্রস্থানে কেন্দ্রের) মূল্য নির্ধারণ করা হয়। জমি ব্যবহার এবং অন্যান্য শ্রেণিবিন্যাসের মতো শ্রেণিবদ্ধ ডেটাগুলির জন্য এটি ব্যবহার করুন।

  • বিলাইনার অন্তরঙ্গকরণ । নতুন রাস্টারটির প্রতিটি কক্ষকে চারটি নিকটতম মূল কক্ষের উপর ভিত্তি করে গড়ে নির্ধারিত হয়। গড় অনুভূমিক এবং উল্লম্ব দিকগুলিতে রৈখিক হয়। (ফলস্বরূপ সূত্রটি যদিও লিনিয়ার নয় ; এটি আসলে চতুর্ভুজযুক্ত)) সাধারণ উদ্দেশ্যে স্মুথিংয়ের জন্য এটি ভাল তবে গড়টি সাধারণত স্থানীয় শিখর এবং উপত্যকাগুলিকে কিছুটা ক্লিপ করে।

  • কিউবিক সমঝোতা । এটি বিলিনিয়ার অন্তরঙ্গকরণের মতোই একই তবে এটি কাছাকাছি কোষ থেকে মানগুলি সামান্য পরিমাণে এক্সপ্লোলেট করতে পারে। এটি নতুন গ্রিডে স্থানীয় গড় এবং পরিবর্তনশীলতার পুনরুত্পাদন করার উদ্দেশ্যে এমনভাবে কাজ করে; বিশেষত, স্থানীয় এক্সট্রিমার ক্লিপিং তীব্র হওয়া উচিত নয়। (ইএসআরআইয়ের আরকজিআইএস-এ বাগ হিসাবে স্পষ্টতই একটি অপ্রীতিকর পরিণতি হ'ল নতুন গ্রিডের মানগুলি পুরানোটির সীমার বাইরেও প্রসারিত হতে পারে, যার ফলে নতুন কিছু চূড়ান্তভাবে সঠিকভাবে রেন্ডার না করা হতে পারে But তবে এটি তথ্যের বিষয়) কেবল প্রদর্শন করুন)

আমি পরবর্তী দুটি পদ্ধতিতে http://www.quantdec.com/SYSEN597/GTKAV/section9/map_algebra.htm এ কিছু বিশদ আলোচনা করেছি

দ্রুত এক-অফ গণনার জন্য আমি সাধারণত বিলিনিয়ার ইন্টারপোলেশন (ধারাবাহিক ডেটার জন্য) বা নিকটবর্তী-প্রতিবেশী ইন্টারপোলেশন (শ্রেণিবদ্ধ ডেটার জন্য) সঞ্চালনের বিষয়বস্তুতে থাকি। অন্য সকলের জন্য, বিশেষত মাস্টার ডেটাসেট প্রস্তুত করার সময় বা ব্যাপক হেরফেরের প্রত্যাশা করার সময় আমি কিউবিক কনভলিউশনটি ব্যবহার করার পরামর্শ দিই (পাশাপাশি ভাসমান পয়েন্ট ত্রুটির প্রচারকে কমিয়ে আনার জন্য ক্রিয়াকলাপকে অর্ডার দেওয়ার বিষয়ে কিছু চিন্তাভাবনাও করি)।


মন্তব্যসমূহে কিছু কার্যকর অতিরিক্ত পরামর্শ gis.stackexchange.com/questions/17328/…উপস্থিত হয়
হোবার

18

ইএসআরআই অনুসারে উপলভ্য ইন্টারপোলেশন পদ্ধতিগুলি (স্পেসিয়াল অ্যানালিস্ট এবং অন্যান্য এক্সটেনশনের সরঞ্জাম হিসাবে উপলব্ধ) নীচের সাথে তুলনা করা হয়েছে: (উদ্ধৃতি)

আইডিডাব্লু (বিপরীত দূরত্বের ওজনযুক্ত) সরঞ্জামটি অন্তরঙ্গকরণের একটি পদ্ধতি ব্যবহার করে যা প্রতিটি প্রক্রিয়াকরণ ঘরের আশেপাশে স্যাম্পল ডেটা পয়েন্টগুলির মানগুলির মাধ্যমে সেল মানগুলির মূল্যায়ন করে। কোষটির কেন্দ্রস্থলের নিকটবর্তী বিন্দুটি যত বেশি অনুমান করা হয়, তত বেশি প্রভাব বা ওজন, এর গড় প্রক্রিয়াতে থাকে।

ক্রিগিং একটি উন্নত ভূ-তাত্ত্বিক প্রক্রিয়া যা জেড-মানগুলির সাথে বিক্ষিপ্ত বিন্দুগুলির সেট থেকে একটি আনুমানিক পৃষ্ঠ তৈরি করে। আর্কজিআইএস স্পেসিয়াল অ্যানালিস্ট দ্বারা সমর্থিত অন্যান্য অন্তরঙ্গকরণ পদ্ধতির তুলনায়, আউটপুট পৃষ্ঠ উত্পন্ন করার জন্য সর্বোত্তম অনুমান পদ্ধতিটি নির্বাচন করার আগে জেড-মানগুলি দ্বারা উপস্থাপিত ঘটনাটির স্থানিক আচরণের একটি বিশদ তদন্ত করা উচিত।

প্রাকৃতিক প্রতিবেশী দ্বিখণ্ডন ইনপুট নমুনাগুলির নিকটতম উপসেটটিকে একটি কোয়েরি পয়েন্টে সন্ধান করে এবং মানকে ফাঁকে দেওয়ার জন্য আনুপাতিক অঞ্চলগুলির ভিত্তিতে ওজন প্রয়োগ করে (সিবসন, 1981)। এটি সিবসন বা "অঞ্চল-চুরি" ইন্টারপোলেশন নামেও পরিচিত।

Spline টুল একটি ক্ষেপক পদ্ধতি যা একটি গাণিতিক ফাংশন ব্যবহার করে অনুমান মান ব্যবহার করে ছোট সামগ্রিক পৃষ্ঠ বক্রতা, একটি মসৃণ পৃষ্ঠ যে ঠিক ইনপুট পয়েন্ট মাধ্যমে প্রেরণ করা ফলে।

বাধাগুলির সাথে স্প্লাইন স্প্লিন উইথ ব্যারিয়ারস সরঞ্জামটি স্প্লাইন সরঞ্জামে ব্যবহৃত কৌশলটির অনুরূপ একটি পদ্ধতি ব্যবহার করে, বড় পার্থক্য হ'ল এই সরঞ্জামটি ইনপুট বাধা এবং ইনপুট পয়েন্ট উভয় ক্ষেত্রেই এনকোড থাকা সংযোগকে সম্মান করে।

Topo রাস্টার করতে এবং Topo রাস্টার করার ফাইল দ্বারা সরঞ্জামগুলি কোনো ক্ষেপক কৌশল বিশেষভাবে একটি পৃষ্ঠ যে আরো ঘনিষ্ঠভাবে একটি প্রাকৃতিক নিষ্কাশন পৃষ্ঠ এবং ভাল সংরক্ষণ উভয় ridgelines এবং ইনপুট কনট্যুর তথ্য থেকে স্ট্রিম নেটওয়ার্ক প্রতিনিধিত্ব করে তৈরি করার জন্য ডিজাইন করা ব্যবহার করুন।

ব্যবহৃত অ্যালগরিদম আনুডেমের উপর ভিত্তি করে তৈরি করা হয়েছে, অস্ট্রেলিয়ান জাতীয় বিশ্ববিদ্যালয়ের হাচিনসন এট আল দ্বারা নির্মিত।

প্রবণতা একটি বিশ্বব্যাপী বহুবর্ষীয় অন্তরঙ্গকরণ যা একটি গাণিতিক ফাংশন (বহুভুজ) দ্বারা ইনপুট নমুনা পয়েন্টগুলির দ্বারা সংজ্ঞায়িত একটি মসৃণ পৃষ্ঠকে ফিট করে। প্রবণতার পৃষ্ঠ ধীরে ধীরে পরিবর্তিত হয় এবং ডেটাগুলিতে মোটা স্কেল নিদর্শনগুলি ক্যাপচার করে।

আপনি এই নিবন্ধটি একবার দেখে নিতে পারেন: http://proceedings.esri.com/library/userconf/proc95/to100/p089.html


1
ইএসআরআই থেকে কিছু চয়ন করার জন্য +1 এটিকে উদ্ধৃত করতে সহায়তা করে যা প্রকৃত অর্থে উপলব্ধি করে এবং সঠিক!
whuber

আপনি কি এই পদক্ষেপের লিঙ্কটি আপডেট করতে পারবেন, আপনি যে পোস্ট করেছেন সেটি আর উপলব্ধ নেই (পৃষ্ঠাটি পাওয়া যায়নি)। বিকল্পভাবে, আপনি একটি শিরোনাম বা কিছু তথ্য রাখতে পারেন যা এটির জন্য আমাদের এসএসআর পৃষ্ঠায় অনুসন্ধান করতে দেয়।
রেনাটা ডিস

2

অন্য দুটি পদ্ধতি হ'ল অ্যাভারেজ 4 এবং গড় 16 16 তারা যা পছন্দ করে তা করে এবং আশেপাশের 4 বা 16 কোষের গড় নেয়।

এখানে ব্যবহারের কেসটি বেশিরভাগই ডেম ডেটার জন্য। আপনি এটি কোনও রাস্টার ইমেজে ব্যবহার করবেন না (esp 3 ব্যান্ডের রঙ)

এটি দূরত্বের ওজনযুক্ত নয়, তবে আমি মনে করি না যে আমি রাস্টার (কেবল ভেক্টর) এর জন্য এটি ব্যবহার করব যেহেতু একজন রাস্টার ডেটাসেটের দূরত্বটি কিছুটা বিষয়ভিত্তিক

আমি সর্বদা অনুধাবন করেছিলাম যে ডেম ডেটা থেকে ডিপস এবং স্পাইকগুলি অপসারণ করার জন্য মেডিয়ান 4 এবং মেডিয়ান 16 ভাল উপায় হবে, যদিও আমি এটির কোনও প্যাকেজ জানি না of


2
ডেমগুলিতে স্থানীয় বিদেশিদের স্ক্রিনিংয়ের জন্য প্রতিবেশী মিডিয়ানদের ব্যবহার করার জন্য আপনার পরামর্শটি ভাল, মার্ক। ইএসআরআইয়ের জিআরডিডি / স্পেসিয়াল অ্যানালিস্ট প্যাকেজে খুব দীর্ঘ সময়ের জন্য প্রতিবেশী মিডিয়ানদের অন্তর্ভুক্ত করা হয়েছে, আমি জানি IDRISI এটি করতে পারে এবং সম্ভবত গ্রাস এবং ম্যানিফোল্ডও পারে। তবে এই পদ্ধতিটি গ্রিডকে পুনঃনির্মাণের জন্য দুর্বল পছন্দ হবে। তেমনিভাবে আপনি যে অন্যান্য পদ্ধতিগুলি উল্লেখ করেছেন সেগুলির ভাল বৈশিষ্ট্য থাকবে না: তারা কার্যকরভাবে মূল গ্রিডের রেজোলিউশনে মূল ডেটা মসৃণ করে এবং তাই পুনর্নির্মাণের জন্য একেবারেই বিবেচনা করা উচিত নয়।
whuber
আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.