0

وبلاگ

سامانه آموزش سیستم اطلاعات جغرافیایی و سنجش از دور مقالات دانش محور اینترپلاسیون فضایی (Spatial Interpolation) در سیستم اطلاعات جغرافیایی

اینترپلاسیون فضایی (Spatial Interpolation) در سیستم اطلاعات جغرافیایی

میانیابی فضایی (Spatial Interpolation) در سیستم اطلاعات جغرافیایی

Terrain یک نوع از سطوحی است که برای ما آشنا است. در سیستم اطلاعات جغرافیایی (GIS)، ما با نوع دیگری از سطح کار می کنیم که به صورت فیزیکی وجود ندارد اما به روش مشابه با سطح زمین تصویر سازی شده و نمایش داده می شود. این سطح را به نام سطح آماری نامگذاری می کنند. از بین مثال هایی از سطوح آماری می توان به سطح مربوط به بارش، برف انباشته، سطح آب ایستابی و یا تراکم جمعیت اشاره کرد.

میانیابی فضایی (Spatial Interpolation)

میانیابی فضایی به فرایندی اشاره دارد که از نقاطی که دارای مقادیر مشخص هستند برای پیش بینی و برآورد مقادیر سایر نقاط مورد استفاده قرار می گیرند.

چطور می توان یک سطح آماری (Statistical Surface) ایجاد کرد ؟

چطور می توان یه سطح آماری (Statistical Surface) ایجاد کرد؟ پاسخ مشابه چیزی است که در مورد سطح زمین داده های ورودی برای ایجاد سطح زمین به نقاط نمونه محدود می شوند و با استفاده از این نقاط نمونه سطح بازسازی می گردد. برای ایجاد یک نقشه بارش به طور مثال، ما به دنبال یافتن یک آرایه یا شبکه منظم از ایستگاه های اقلیمی نیستیم همین وضعیت در مورد یک مدل رقومی ارتفاعی (DEM) نیز صدق می کند. فرایند پرسازی داده­ های بین نقاط نمونه برداری شده در هر صورت مورد نیاز است.

از طریق میانیابی فضایی، می توان مقدار بارش در یک نقطه خاص را برآورد نمود با وجود آنکه هیچ داده ای از ایستگاههای اقلیمی در آن منطقه وجود نداشته باشد. میانیابی فضایی به نام شبکه سازی یا Gridding نیز شناخته می شود، میانیابی فضایی یک شبکه یا رستر ایجاد می کند و سپس برای تمامی سلول های آن مقادیر عددی متغیر فضایی را برآورد می کند. میانیابی فضایی در نتیجه به معنی ایجاد سطح از نقاط نمونه برداری شده است. در نتیجه این سطوح را می توان به صورت یک سطح سه بعدی و یا یک نقشه هم-ارزش یا هم تراز نمایش داد و برای آنالیز ها و مدلسازی ها مورد استفاده قرار داد.

المان های اینترپلاسیون فضایی

اینترپلاسیون فضایی نیازمند دو ورودی اصلی است: یکی نقاط مشخص و دیگری نوع و روش میانیابی که در ادامه به توضیح بیشتری در مورد هر یک می پردازیم. در بیشتر موارد، نقاط مشخص، در واقع ایستگاه های اقلیمی یا سایت های نقشه برداری هستند.

نقاط کنترلی

نقاط کنترلی، نقاطی هستند که دارای مقادیر مشخص و معین هستند. این نقاط به نام نقاط معین یا مشخص، نقاط نمونه، نقاط مشاهده ای و یا نقاط کنترلی نیز نامیده می شوند و داده های مورد نیاز برای ایجاد یک مدل اینترپلاسیون برای یک میانیابی فضایی را فراهم می آورد. تعداد و توزیع نقاط کنترلی می توانند به شدت بر صحت میانیابی فضایی اثر بگذارند. فرض اساسی در میانیابی فضایی آن است که مقداری که برای یک نقطه برآورد می گردد بیشتر تحت تأثیر نقاط نزدیک به آن نقطه است تا نقاطی که در فاصله دورتری قرار گرفته اند. برای تأثیرگذار کردن برآورد­ها، نقاط کنترلی بایستی به خوبی در منطقه مورد مطالعه توزیع یابند. اما این شرایط ایده آل به ندرت در دنیای واقعی اتفاق می افتد، زیرا معمولاً در عمل در یک منطقه مطالعاتی و معمولاً مناطق دارای کمبود و نقصان داده ها هستند.

نوع اینترپلاسیون فضایی

متدهای میانیابی فضایی را می توان به چندین روش مختلف دسته بندی و یا طبقه بندی نمود. در روش نخست، می توان آنها را به دسته روش های جهانی(Global) و محلی (Local) طبقه بندی نمود. متد میانیابی جهانی، از تمامی نقاط نمونه موجود برای برآورد مقدار یا Value نقاط نامعلوم استفاده می کند. یک روش میانیابی محلی از طرف دیگر از تعدادی نقاط نمونه برای برآورد نقاط مجهول یا نامعلوم استفاده می کند. نخست آنکه به لحاظ مفهومی، یک متد میانیابی جهانی برای اخذ روند کلی تغییرات سطح مورد استفاده قرار می گیرند در صورتی که متدهای میانیابی محلی برای بررسی و آشکارسازی نوسانات کوچک و محلی مورد استفاده قرار می گیرند.

دوم آنکه متدهای میانیابی فضایی را می توان به روش های میانیابی دقیق (Exact) و غیر دقیق (Inexact) طبقه بندی نمود. روش های میانیابی دقیق مقدار یا Value در موقعیت قرارگیری یک نقطه را دقیقاً برابر با مقدار عددی نقطه ای که در عملیات میانیابی وارد شده است، برآورد می کند. بدین معنا که سطح برآورد شده در روش اینترپلاسیون دقیق به طور کامل از تمامی نقاطی درگیر در فرایند میانیابی عبور داده می شود. در مقابل، روش های میانیابی غیر دقیق یا روش های میانیابی تقریبی، مقدار عددی برآورد شده برای یک نقطه می تواند با مقدار عددی نقطه نمونه که درگیر میانیابی شده است اختلاف داشته باشد. به عبارت دیگر سطح برآورد شده توسط روش های میانیابی با نقاط نمونه اختلاف خواهد داشت.

سوم آنکه، متدهای میانیابی فضایی می توانند جبری (deterministic) و یا تصادفی (stochastic) باشند. متدهای میانیابی جبری هیچ ارزیابی خطایی از مقادیر برآورد شده نمی کند. متدهای میانیابی تصادفی، از طرف دیگر وجود درجاتی از حالات تصادفی در متغیرها را در نظر می گیرد و ارزیابی خطاهای پیش بینی را به همراه واریانس تقریبی ارائه می دهد.

ما را از دیدگاههای ارزشمند خود مطلع کنید

مطالب زیر را حتما مطالعه کنید

آموزش برنامه نویسی پایتون بخش چهارم (برنامه نویسی مقدماتی در پایتون)

آموزش برنامه نویسی پایتون بخش سوم (محاسبات ریاضی، استایل و خطاها در برنامه نویسی)

آموزش برنامه نویسی پایتون بخش دوم (شروع به کار با پایتون)

ابزارهای برنامه نویسی (Programming Tools)

سیکل توسعه نرم افزار

آموزش برنامه نویسی پایتون بخش اول

دیدگاهتان را بنویسید

با عضویت در خبرنامه از آموزش های جدید رایگان در ایمیل خود مطلع شوید