- •Глава 3 Создание файла сетки Обзор
- •Создание файла сетки из xyz файла данных
- •Создание файла сетки из равномерного массива xyz данных
- •Ascii файл сетки
- •Форматы файлов сетки
- •Установка Grid Line Geometry
- •Определение пределов сетки
- •Определение плотности сетки
- •Что такое взвешенноесреднее
- •{Zl,z2,...,zn}
- •Выбор метода преобразования
- •Общие рекомендации
- •Выбор методов в зависимости от количества xyZточек данных
- •Точные и сглаживающие интерполяторы
- •Задание параметров поиска
- •Тип Поиска (Search Type)
- •Правила Поиска
- •Круг Поиска
- •Основные параметры интерполяции
- •Задание режима данных (Data Treatment)
- •Использование Анизотропии
- •Методы интерполяции и их специфические параметры
- •Inverse Distance to a Power (idp)
- •Kriging
- •Minimum Curvature
- •Polynomial Regression
- •Radial Basis Functions
- •Метод Шепарда
- •Triangulation w/ Linear Interpolation
- •Nearest Neighbor
- •Построение сетки на основе функций
- •Команда Grid Math
- •Использование команды Grid Math
- •Использование команды Grid Math для создания карты изопах
Выбор методов в зависимости от количества xyZточек данных
При выборе метода интерполяции необходимо учитывать размер исходных данных. Например, некоторые методы интерпретируют небольшие объемы данных лучше других.
Когда точек данных меньше 10, необходимо решить, что Вы хотите получить при интерполяции данных. При таком количестве точек данных можно расчитывать только на обобщенные тенденции для данных. В этой ситуации метод TLI даст плохие результаты, а наилучшего представления данных позволят добиться (как и в большинстве других случаев) методыKM и RBF. Если Вы хотите увидеть только общую направленность данных, используйте методPRM.Совет: при небольшом объеме данных расчеты производятся очень быстро, поэтому имеет смысл поэкспериментировать с разными методами.
Для небольших массивов данных (<250 наблюдений), как KM так и RBF дают наилучшие результаты в большинстве случаев.
Для массивов данных средних размеров (от 250 до 1000 наблюдений) наиболее подходящим по скорости и качеству будет метод TLI. Более медленно, но с аналогичными результатами работают в этом случае методыKM и RBF.
Для больших массивов данных (>1000 измерений) наиболее быстрым методом, создающим адекватное представление данных, будетMCM. МетодTLI будет работать медленнее, но вполне репрезентативно. Как и для большинства массивов данных, методыKM и RBF создадут лучшие карты, но немного медленнее.
Следует заметить, что для методов KM и RBF неважно, содержит файл 3 000 или 30 000 наблюдений. Время, затрачиваемое на интерполяцию при этом будет будет достаточно значительным для обоих массивов данных.
Точные и сглаживающие интерполяторы
Методы интерполяции, включенные в Surfer, можно разделить на две основных категории: точные интерполяторы и интерполяторы сглаживания. Причем некоторые точные интерполяторы содержат параметры сглаживания, активизация которых делает их интерполяторами сглаживания.
Точные интерполяторы оценивают точки данных точно, когда они совпадают с узлами сетки. Иными словами, совпавшая точка данных получает весовой коэффициент 1, а все другие точки данных – нулевой весовой коэффициент. Поэтому при использовании точных интерполяторов возможно, что данные будут оценены неточно, если точки данных не совпадают с узлами сетки.
Для увеличения вероятности того, что точки данных будут использованы при интерполяции, можно увеличить число линий сетки в X иY направлениях. Это увеличит шанс, что точки данных совпадут с узлами сетки и их значения будут непосредственно включены в файл сетки.
Следующие методы являются точными интерполяторами:
Inverse Distance – когда не задан параметр сглаживания;
Kriging – когда не заданnuggetэффект;
Radial Basis Functions – когда не задано значениеR2;
Shepard's Method – когда не задан параметр сглаживания;
Triangulation with Linear Interpolation.
Интеполяторы или параметры сглаживания можно использовать, когда Вы не стопроцентно уверены в точности измерения своих данных. Этот тип интерполяции уменьшает эффект мелкомасштабной изменчивости между соседними точками данных. Интерполяторы сглаживания не присваивают какой-либо одной точке весовой коэффициент 1, даже когда она совпадает с узлом сетки. Весовые коэффициенты присваиваются так, что изолинии или поверхность выглядят более гладкими, без угловатостей. В крайнем случае, всем точкам данных присваивается одинаковый весовой коэффициент и поверхность превращается в горизонтальную плоскость – среднее для всех точек данных.
Следующие методы являются интерполяторами сглаживания:
Inverse Distance – когда задан параметр сглаживания;
Kriging – когда заданnuggetэффект;
Minimum Curvature;
Polynomial Regression;
Radial Basis Functions – когда задано значениеR2;
Shepard's Method – когда задан параметр сглаживания;