Деревья классификации методов интерполяции, предложенные в геостатистическом анализе
Одной из наиболее важных проблем, требующих решения, является определение цели (или целей) разработки модели интерполяции. Другими словами, какую информацию должна обеспечить модель, чтобы вы могли принять решение? Например, в сфере здравоохранения, методы интерполяции используются для прогнозирования уровня загрязняющих веществ, которые могут быть статистически привязаны к уровню заболеваемости. На основании этой информации можно проводить дальнейшие выборочные исследования, разрабатывать политики в области здравоохранения и так далее.
Инструменты геостатистического анализа предлагают множество различных методов интерполяции. Каждый из методов имеет свои уникальные особенности и предоставляет разную информацию (в некоторых случаях информация может быть одинаковой, в других – информация может значительно отличаться). Эти методы, классифицированные в зависимости от различных критериев, изображены на следующих диаграммах. Выберите критерий, важный для вашей конкретной ситуации и ветку соответствующего дерева, которая отображает интересующую вас опцию. Это приведет вас к одному или нескольким методам интерполяции, подходящим для вашей ситуации. По всей вероятности, у вас будет несколько важных критериев для удовлетворения, и вы будете использовать несколько деревьев классификации. Сравните методы интерполяции, предложенные каждой веткой дерева, и выберите несколько различных методов до принятия решения об окончательной модели.
Первое дерево предлагает методы, основанные на их способности выполнять интерполяцию или вычислять проинтерполированные значения и связанные с ними ошибки.
 |
Для вычисления проинтерполированных значений, модель пространственной автокорреляции требуется не для всех методов. Для моделирования пространственной автокорреляции необходимо определить значения дополнительных параметров и интерактивно подобрать модель к данным.
 |
Разные методы создают разные типы выходных данных, поэтому необходимо решить, какой тип информации необходимо создать, прежде чем строить модель интерполяции.
 |
Методы интерполяции различаются по уровню сложности, который можно измерить количеством предположений, подлежащих удовлетворению, для валидации модели.
 |
Некоторые интерполяторы являются жесткими (в каждом выходном местоположении поверхность будет иметь точно такое же значение, как и значение входных данных), тогда как некоторые – нежесткими. В некоторых случаях необходима точная репликация входных данных.
 |
Некоторые методы создают более сглаженные поверхности. Например, радиальные базисные функции по своей сути являются сглаженными. Использование сглаженной окрестности поиска поможет создать более сглаженные поверхности, чем использование стандартной окрестности.
 |
Для некоторых решений важно учитывать не только проинтерполированные значения в местоположении, но также и неопределенность (вариабельность), связанную с этой интерполяцией. Одни методы позволяют измерять неопределенности, а другие нет.
 |
В конечном счете, скорость обработки может быть решающим фактором для вашего анализа. В общем, большинство методов интерполяции – относительно быстрые, кроме случаев использования барьеров для управления процессом интерполяции.
 |
Деревьями классификации используются следующие аббревиатуры для методов интерполяции:
Аббревиатура | Имя метода |
|---|---|
GPI | Интерполяция по методу глобального полинома (Global Polynomial Interpolation) |
Интерполяция по методу локальных полиномов (LPI) | Интерполяция по методу локальных полиномов (Local Polynomial Interpolation) |
ОВР (IDW) | |
RBF | |
KSB | Сглаживания ядра с барьерами (Kernel Smoothing With Barriers) |
DKB | |
Кригинг (Kriging) | Ординарный, простой, универсальный, индикаторный, вероятностный, дизъюнктивный и эмпирический байесовский кригинг |
Имитация (Simulation) | Геостатистическое моделирование Гаусса (Gaussian Geostatistical Simulation), основанная на модели простого кригинга. |