- •1.1. Обзор процедур построения сетей и карт (Overview of Mapping and Gridding Procedures)
- •1.2. Команды построения сети и карт (Gridding and Mapping Commands)
- •1.3. Типы Окон (Window Types)
- •1.4. Файлы (Files)
- •1.4.1. Форматы файлов данных (Data File Formats)
- •1.4.1.1. Файлы ASCII (ASCII [.DAT] Files)
- •1.4.1.2. Файлы SYLK[.SLK] (SYLK[.SLK] Files)
- •1.4.1.3. Файлы Excel[.XLS]
- •1.4.1.4. Файлы Lotus[.WK1]
- •1.4.2. Файлы данных XYZ (XYF Data Files)
- •1.4.3. Форматы сеточных файлов (Grid File Formats)
- •1.4.3.1. Сеточные файлы [.GRD] (Grid [.GRD] Files)
- •1.4.3.2. ASCII формат сеточных файлов (ASCII Grid File Format)
- •1.4.4. Файлы SURFER for Windows [.SRF]
- •1.4.5. Файлы уровней (Level Files)
- •1.4.6. Граничные файлы (Boundary Files)
- •2. Построение сети и работа с сеточными функциями.
- •2.1. Обзор методов построения сети (Gridding Overview)
- •2.2. Методы построения сети (Grigging Methods)
- •2.2.1. Метод Криге (Kriging)
- •2.2.4. Метод обратных расстояний (Inverse Distance to a Power)
- •2.2.5. Метод минимальной кривизны (Minimum Curvature)
- •2.2.6. Метод полиномиальной регрессии (Polynomial Regression)
- •2.2.7. Метод Шепарда (Shepard's Method)
- •2.4. Учет исходных данных при построении сеточной функции (Honoring Original Data During Gridding)
- •2.5. Число исходных точек данных при построении сеточной функции (Number of Original Data Points During Gridding)
- •2.6. Сглаживание при построении сеточной функции (Smoothing During Gridding)
- •2.7. Создание сеточного файла (Creating a Grid File)
- •2.8. Геометрия сеточных линий (Grid Line Geometry)
- •2.8.1. Задание пределов сети (Specifying Grid Limits)
- •2.8.2. Задание плотности сети (Specifying Grid Density)
- •2.9. Опции методов построения сети (Gridding Options)
- •2.9.1. Панель диалога Options (Опции)
- •2.9.2. Анизотропия (Anisotropy)
- •2.9.3. Обработка данных (Data Treatment)
- •2.10. Опции поиска (Search Options)
- •2.10.1. Панель диалога Search Options (Опции поиска)
- •2.10.2. Тип поиска (Search Type)
- •2.10.3. Правила поиска (Search Rules)
- •2.10.4. Эллипс поиска (Search Ellipse)
- •2.11. Сглаживание сеточного файла (Smoothing a Grid File)
- •2.11.1. Панель диалога Matrix Smooth (Матричное сглаживание)
- •2.11.2. Матричные методы сглаживания (Matrix Methods)
- •2.11.3. Размер матрицы сглаживания (Matrix Size)
- •2.12. Построение сеточного файла для функции (Gridding a Function)
- •2.13. Построение сеточного файла с помощью математических операций (Combining Grid Files with Grid Math)
2.5.Число исходных точек данных при построении сеточной функции (Number of Original Data Points During Gridding)
При выборе метода построения сеточной функции необходимо учитывать размер исходного множества экспериментальных точек. В частности, некоторые методы построения сетей обрабатывают небольшие множества данных гораздо эффективнее, чем это делают другие методы.
* Если множество экспериментальных данных содержит менее 10 точек, то Вы должны сначала решить, что Вы хотите получить в результате построения сети. Десяти или менее точек достаточно только для того, чтобы определить общий тренд поверхности.
Метод триангуляции (Triangulation with Linear Interpolation) неэффективен при работе с небольшим числом исходных точек.
Как показывает опыт, методы Криге (Kriging) и радиальных базисных функций (Radial Basis Functions)
строят наилучшие представления данных в большинстве случаев независимо от размера исходного множества экспериментальных точек.
Если Вы хотите только выявить тренд в Ваших данных, то можно использовать метод полиномиальной регрессии (Polynomial Regression).
Для множеств, содержащих не более 10 точек, сеточная функция строится очень быстро, поэтому Вы можете попробовать разные методы и определить, какой из них работает наиболее эффективно на Ваших данных.
* Если множество экспериментальных данных содержит небольшое число точек (менее 250 наблюдений), то в большинстве случаев хорошее представление данных можно получить с помощью методов Криге (Kriging) с
линейной (Linear) вариаграммой и радиальных базисных функций (Radial Basis Functions) с мультиквадратичной
(Multiquadric) базисной функцией.
* Для множеств данных средних размеров (от 250 до 1000 наблюдений), очень удобен метод триангуляции (Triangulation with Linear Interpolation); он работает достаточно быстро и строит хорошее представление данных. Методы Криге (Kriging) и радиальных базисных функций (Radial Basis Functions) также производят хорошую интерполяционную функцию, но работают более медленно.
* Для больших множеств исходных данных (свыше 1000 наблюдений), предпочтителен метод минимальной кривизны (Minimum Curvature); он является самым быстрым и создает адекватное представление множества данных такого размера.
Метод триангуляции (Triangulation with Linear Interpolation); работает несколько медленнее, но также строит хорошее представление данных.
Как и в большинстве других случаев, методы Криге (Kriging) и радиальных базисных функций (Radial Basis Functions) построят наилучшие сеточные приближения, но на множествах большого размера они работают достаточно медленно.
Следует отметить один момент, касающийся работы методов Криге (Kriging) и радиальных базисных функций (Radial Basis Functions) с большими массивами экспериментальных данных. При существенном увеличении размера массива исходных данных время работы этих методов увеличивается весьма незначетельно. Например, время обработки массива в 3000 точек довольно мало отличается от времени обработки массива в 30000 точек. Построение сеточной функции для каждого из этих массивов данных требует значительного времени, но это примерно одно и то же время.
2.6.Сглаживание при построении сеточной функции (Smoothing During Gridding)
Методы построения сеточных функций, реализованные в SURFERе, можно разбить на два класса: точные интерполяторы и сглаживающие интерполяторы. Некоторые точные интерполяторы могут включать сглаживающий параметр; ненулевое значение этого параметра превращает точный интерполятор в сглаживающий.
Сглаживающие интерполяторы или сглаживающие параметры точных интерполяторов используются в тех случаях, когда экспериментальные данные измерены в узловых точках не точно, а с некоторой погрешностью. Сглаживающие интерполяторы не присваивают весов, равных единице, никаким точкам данных, даже тем, которые точно совпадают с узлами сети. Весовые множители сглаживающих интерполяторов задаются так, чтобы результирующая интерполяционная поверхность была как можно более гладкой. В предельном случае всем точкам данных присваиваются равные веса; сгенерированная в этом случае поверхность представляет собой горизонтальную плоскость, проходящую через среднее значение всех наблюдений выборки.
Перечисленные ниже методы являются сглаживающими интерполяторами:
*Inverse Distance to a Power (Степень обратного расстояния), если Вы задаете сглаживающий параметр;
*Kriging (Метод Криге), если Вы задаете Nugget Effect (“эффект самородка”);
*Minimum Curvature (Метод минимальной кривизны);
*Polynomial Regression (Метод полиномиальной регрессии);
*Radial Basis Functions (Метод радиальных базисных функций), если Вы задаете параметр RI;
*Shepard's Method (Метод Шепарда), если Вы задаете сглаживающий параметр.