Описание

IDW (Метод взвешенн1х расстояний): IDW - быстрый детерминистский метод, который выполняет жесткую интерполяцию. Для этого метода необходимо определить небольшое количество параметров модели. Он может бпть полезен для предварительного взгляда на интерполируемую поверхность. Однако, при использовании этого метода невозможно оценить ошибки интерполяции. Кроме того, метод взвешеннгх расстояний может привести к образованию глаз буйвола ( bulls eyes ) вокруг опорных точек. Для данных нет никаких ограничений.

Метод глобального полинома: Метод глобального полинома -быстрый детерминистский метод, который выполняет сглаженную (не жесткую) интерполяцию. Для этого метода необходимо определить небольшое количество параметров модели. Лучше всего он подходит для моделирования поверхностей, меняющихся медленно и постепенно. Однако, при использовании этого метода невозможно оценить ошибки интерполяции. Поверхность может получиться слишком сглаженной. Опорные точки, расположенные по краям области интереса, оказывать большое влияние на результирующую поверхность. Для даннгх нет никаких ограничений.

Метод локальн1х полиномов: Метод локальнгх полиномов -относительно быстрый детерминистский метод, который выполняет сглаженную (не жесткую) интерполяцию. Он более гибкий, чем метод глобального полинома, но требует принятия решений для большего количества параметров. При использовании этого метода невозможно оценить ошибки интерполяции. Метод позволяет строить поверхности проинтерполированнгх значений, сопоставимые с поверхностями, получаемыми при использовании кригинга с учетом ошибок измерений. Методы локальных полиномов не позволяют вам изучить автокорреляцию даннгх, что делает их менее гибкими и более автоматическими, чем методы кригинга. Для данных нет никаких ограничений.

Радиальные базисные функции: Использование радиальных базиснгх функций - это относительно быстрый детерминистский метод, который выполняет жесткую интерполяцию. Метод радиальнгх базиснгх функций более гибкий, чем метод взвешенных расстояний, но требует принятия решений для большего числа параметров. При использовании этого метода невозможно оценить ошибки интерполяции. Метод позволяет строить поверхности проинтерполированных значений, сопоставимые с поверхностями, получаемыми при использовании жесткой формы кригинга. Радиальные базисные функции не позволяют вам изучить автокорреляцию даннгх, что делает их менее гибкими и более автоматическими, чем методы кригинга. Радиальные базисные функции не требуют введения ограничений на используемые данные.

Кригинг: Кригинг - это относительно быстрый метод интерполяции, который может бпть жестким, если данные не содержат ошибки измерений, или сглаженным, если данные содержат ошибку измерений. Он очень гибкий и допускает изучение пространственной автокорреляции даннгх. Поскольку кригинг использует статистические модели, он позволяет стронь различные карты, включая карты проинтерполированных значений, карты стандартных ошибок интерполяции, карты вероятностей и карты квантилей. Гибкость кригинга может потребовать принятия большего, относительно других методов интерполяции, количества решений, однако, вы можете воспользоваться и параметрами, предлагаемыми по умолчанию. Кригинг предполагает, что данные относятся к стационарному стохастическому процессу, и некоторые методы требуют, чтобы данные подчинялись закону нормального распределения.

Кокригинг: Кокригинг - это относительно быстрый метод интерполяции, который может быть жестким, если данные не содержат ошибки измерений, или сглаженным, если данные содержат ошибку измерений. Он может использовать информацию из нескольких наборов данных. Кокригинг - это очень гиб-

кий метод, который позволяет вам изучить пространственную автокорреляцию и взаимную корреляцию даннгх. Поскольку кокригинг использует статистические модели, он позволяет строить различные карты, включая карты проинтерполированных значений, карты стандартнгх ошибок интерполяции, карты вероятностей и карты квантилей. Гибкость кокригинга требует принятия наибольшего из всех других методов количества решений по параметрам, однако, вы можете воспользоваться параметрами, предлагаемыми по умолчанию. Кокригинг предполагает, что данные относятся к стационарному стохастическому процессу, и некоторые методы требуют, чтобы данные подчинялись закону нормального распределения.