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;