روش Resample فایل های شبکه ای در نرم افزار Surfer
روش های Resampling در سیستم اطلاعات جغرافیایی
زمانی که از یک شبکه رستری با ابعاد سلولی 5 متری به یک شبکه رستری با ابعاد 10 متری برویم، ابعاد سلول های خروجی متفاوت خواهد بود. هنگامی که داده های رستری بین سیستم مختصات های مختلف، تبدیل می شوند، مرکز سلول ها در شبکه های رستری دقیقاً با یکدیگر منطبق نیستند. در هر دو حالت فوق، یک روش Resample شبکه های رستری نیاز است تا اینکه تعیین کند، چطور شبکه های رستری بازچینی و بازآرایی گردند. اما همیشه انتخاب روش Resample در شبکه های رستری کار ساده ای نیست، زیرا بیش از یک روش برای محاسبه مجدد ارزش سلول ها در شبکه های رستری وجود دارد.
در این نوشتار انتخاب نوع روش Resample شبکه رستری مناسب را مشخص خواهیم کرد. علاوه بر آن به روش استفاده از این روش های Resample در شبکه های رستری در سیستم اطلاعات جغرافیایی می پردازیم. به طور کلی در سیستم اطلاعات جغرافیایی چهار روش مرسوم برای Resample شبکه های رستری وجود دارد که در نرم افزار Surfer از میان این چهار روش، امکان اجرای سه روش آن وجود خواهد داشت. در ادامه به توضیحاتی در مورد هر یک از این روش ها و نکاتی در مورد نحوه و شرایط استفاده از آنها خواهیم پرداخت.
روش نزدیک ترین همسایه (Nearest Neighbor) در Resample کردن شبکه های رستری
تکنیک نزدیک ترین همسایه، ارزش عددی پیکسل های شبکه رستری ورودی را تغییر نمی دهد. در این روش سلول در شبکه رستری ورودی را مبنای تعیین و تعریف ارزش و موقعیت سلول خروجی قرار می دهد. از نظر سرعت اجرا، این روش یکی از سریع ترین روش های Resample در شبکه های رستری است. دلیل سرعت اجرای بالای این روش، در سادگی حجم کم پردازش ها به هنگام اجرای این روش است.
به دلیل آنکه روش Resample نزدیک ترین همسایه (Nearest Neighbor)، هیچ ارزش سلولی جدیدی ایجاد نمی کند، در نتیجه برای داده های فهرستی و عددی و یا رتبه ای گزینه مناسبی است. به طور مثال در مورد شبکه های رستری حامل اطلاعات کاربری اراضی یا شبکه های رستری نماینده جنس زمین شناسی و یا خاک و مواردی از این دست که به طور کلی به نام رسترهای گسسته (Discrete Raster) شناخته می شوند، استفاده از این روش توصیه می گردد.
در چه مواقعی بایستی از روش Resample نزدیک ترین همسایه (Nearest Neighbor) استفاده کرد؟
معمولاً از روش نزدیک ترین همسایه (nearest Neighbor) برای داده های رستری گسسته همچون پوشش اراضی، کاربری ارضی، ساختمان ها و نوع خاک و به طور کلی داده ها یا پدیده هایی که دارای مرز مشخص و گسسته هستند، استفاده می شود. به طور مثال در صورتی که یک لایه مربوط به کاربری ارضی که در آن اراضی کشاورزی دارای کد 7 هستند، در روش نزدیک ترین همسایه هیچگاه عددی همچون 7.2 به آن پیکسل اختصاص داده نمی شود. به همین دلیل است که استفاده از روش نزدیک ترین همسایه در Resample کردن چنین لایه های رستری پیشنهاد می شود.
روش میانیابی دوسویه (Bi-linear Interpolation) در Resample کردن شبکه های رستری
تکنیک میانیابی دو سویه (Bi-linear Interpolation) برای محاسبه ارزش سلول ها در شبکه های رستری از موقعیت 4 سلول مجاور استفاده می کند. این روش، ارزش سلول خروجی را با اعمال یک روش میانگین وزنی بر روی چهار سلول همسایه برآورد نموده و به سلول مرکزی اختصاص می دهد. در این روش مقادیر جدیدی تولید خواهد شد که ممکن است در ارزش های سلولی شبکه رستری ورودی، موجود نباشند. نتایج خروجی از این روش منجر به یک شبکه رستری نرم و هموار (Smooth) می گردد، اما این نرمی به اندازه ای که در نتایج روش پیچش مکعبی (Cubic Convolution) دیده می شود، نیست. این روش به هنگام کار با داده های پیوسته مناسب می باشد که دارای مرزهای بارز و مشخص نیستند و ارزش سلول ها در شبکه رستری به طور تدریجی تغییر می کنند.
در چه مواقعی بایستی از روش Resample میانیابی دو سویه (bilinear resampling) استفاده کرد؟
شبکه های رستری مربوط به گرادیان حراراتی، مدل های رقومی ارتفاعی و یا شبکه های رستری مربوط به بارش و یا رطوبت مثال هایی هستند که می توان از روش میانیابی دو سویه در Resample کردن آنها استفاده نمود. در نتیجه به طور کلی، در مورد داده های رستری پیوسته یا شبکه های رستری پیوسته (Continuous Raster) می توان از این روش در Resample کردن شبکه های رستری استفاده نمود.
روش میانیابی پیچش مکعبی(Cubic Convolution Interpolation) در Resample کردن شبکه های رستری
روش میانیابی پیچش مکعبی، شبیه میانیابی دوسویه است که در آن میانگین سلول های مجاور محاسبه می گردد. تنها تفاوت در این روش آن است که به جای استفاده از 4 سلول مجاور، ارزش سلول های خروجی بر اساس نزدیکترین 16 سلول مجاور سلول مرکزی، انجام می گردد. در نتیجه مدت زمان پردازش در این روش افزایش یافته و سرعت اجرای روش را افزایش می دهد، در مقابل مقدار نرمی و همواری در خروجی ها افزایش پیدا خواهد کرد. این روش معمولاً برای سطوح پیوسته مورد استفاده قرار می گیرد. به دلیل آنکه این روش از سلول های همجوار بیشتری در مقایسه با روش میانیابی دوسویه استفاده می کند، روش مناسبی در هموارسازی و نرم کردن شبکه های رستری ورودی به عملیات Resample است.
در چه مواقعی بایستی از روش Resample میانیابی پیچش مکعبی (cubic convolution interpolation) استفاده کرد؟
روش میانیابی پیچش مکعبی، برای شبکه های رستری که دارای نویز هستند، مناسب است. به طور مثال برای هموار سازی تصاویر راداری که دارای نویز زیادی هستند و یا سایر مدل های سطحی که نیاز به هموارسازی و حذف نویز می باشند، مناسب است. به طور کلی از روش میانیابی پیچش مکعبی، کمتر از روش میانیابی دو سویه استفاده می شود. اما به طور خاص روش پیچش مکعبی برای کاهش نویز در شبکه های رستری گزینه ایده آلی است. به عنوان مثال تصاویر تداخل سنجی راداری، گزینه مناسبی در استفاده از روش پیچش مکعبی هستند، زیرا این روش نویزهایی که معمولاً در تصاویر راداری مشاهده می شوند، را کاهش می دهد.
روش Resample کردن شبکه های رستری در نرم افزhر Surfer
در نرم افزار Surfer در بخش Mosaic می توانید سه روش مختلف Resample شامل Nearest Neighbor، Bi-linear Interpolation و Cubic Convolution را مورد استفاده قرار دهید. مطابق با شکل زیر، ابتدا وارد منوی Grid شوید و سپس Mosaic را مطابق با شکل زیر کلیک کنید.
به محض کلیک بر روی آیکن Mosaic نرم افزار از شما درخواست معرفی فایل شبکه ای را دارد، در این مرحله به مسیر قرارگیری فایل شبکه رفته و آن فایل را به نرم افزار معرفی کنید تا مطابق با شکل زیر پنجره Grid Mosaic باز شده و نمایش داده شود.
در پنجره Grid Mosaic مطابق با شماره گذاری های انجام شده عمل کنید. در ادامه به توضیح در مورد هر یک پرداخته ایم:
در بخش شماره 1، می توانید فایل شبکه ای خود را با استفاده از دکمه Add اضافه نموده و یا با استفاده از دکمه Remove از لیست فایلها خارج کنید. در بخش شماره 2، نوع روش Resample مورد نظر خود را انتخاب کنید. در نرم افزار Surfer امکان استفاده از سه روش: Nearest Neighbor یا نزدیک ترین همسایه، روش میانیابی دوسویه یا Bi-linear Interpolation و روش میانیابی پیچش مکعبی یا Cubic Convolution Interpolation وجود دارد. با توجه به توضیحاتی که در بالا در مورد هر یک از روش ها و کاربرد هر کدام ارائه شده است، روش مناسب با داده های خود را انتخاب کنید. در بخش شماره 3، در اصل قدرت تفکیک مکانی شبکه رستری خروجی را تعیین می کنید. در اینجا به طور مثال یکبار عملیات Resample را با استفاده از پیکسل ها با ابعاد 200 متری و بار دیگر با استفاده از ابعاد سلولی 5 متری اجرا می کنیم. در نتیجه در بخش Spacing می توانید ابعاد طولی و عرضی سلول ها را در بخش های X و Y وارد کنید. به محض وارد نمودن ابعاد سلول های خروجی شبکه رستری، تعداد سطر و ستون ایجاد شده در بخش # of Nodes نمایش داده می شود. نهایتاً در بخش شماره 4، مسیر ذخیره سازی شبکه رستری خروجی و نوع فرمت خروجی فایل شبکه را انتخاب نموده و در بخش شماره 5 پنجره Grid Mosaic را تائید کنید تا محاسبات انجام شده و نتایج در مسیر مشخص شده ذخیره سازی شوند.
دیدگاهتان را بنویسید