Informacje o wygładzaniu powierzchni przy użyciu metody optymalnej predykcji

Metoda optymalnej predykcji jest bardziej skomplikowana niż metoda interpolacji punktów sąsiednich. Wymaga istnienia zarówno modelu ciągłości lub zależności przestrzennej (w postaci kowariancji lub semiwariogramu), jak i próbki danych powierzchni. Oba rodzaje danych służą do wyznaczenia statystycznego trendu, na bazie którego zostanie dokonana interpolacja/ekstrapolacja punktów.

Operacja prognozowania położenia punktów w przestrzeni za pomocą metody optymalnej predykcji składa się z dwóch etapów:

  1. Zbudowanie modelu kowariancji lub semiwariogramu na potrzeby procesu prognozowania przestrzennego. W ramach tego zadania należy wybrać formułę matematyczną oraz wartości używanych w niej parametrów.
  2. Powstały model zależności zostanie użyty w algorytmie metody optymalnej predykcji wobec ustalonego zbioru punktów rozmieszczonych w przestrzeni, co spowoduje wygenerowanie prognozowanych wartości wraz z towarzyszącymi błędami standardowymi.

Przykładowe dane

Użytkownik musi określić wyjściowe położenia interpolowanych punktów. Należy dopilnować, aby przykładowe dane były właściwe dla położenia interpolowanych (wyjściowych) punktów. Na przykład, w celu wyznaczenia trendu lokalizacji interpolowanych/ekstrapolowanych punktów nie należy zaznaczać punktów leżących po przeciwnych stronach powierzchni, ponieważ powstały trend może być obarczony zbyt dużym błędem.

W celu uzyskania najlepszej wydajności zaleca się, aby zachować mały zestaw danych przykładowych. Jest to spowodowane tym, że zarówno czas wykonania interpolacji, jak i ilość pamięci używanej przez algorytm zwiększają się bardzo szybko wraz z rozmiarem zestawu danych przykładowych. Algorytm wykorzystuje macierz o jednym wpisie dla każdej pary punktów (N**2 wpisów, gdzie N jest liczbą punktów próbkowania). Macierz jest następnie odwracana (N**3 operacji). Dlatego więc, aby uzyskać optymalną wydajność, ważne jest zachowanie małej wartości N. Zalecamy najczęściej 200 punktów próbkowania.

Model semiwariogramu

Semiwariancja to miara zależności przestrzennej między próbkowaniami danych. Wartość semiwariancji między punktami zależy od odległości dzielącej punkty. Im mniejsza odległość, tym mniejsza semiwariancja, i odwrotnie. Wykres semiwariancji jako funkcji odległości od punktu nosi nazwę semiwariogramu.

W metodzie optymalnej predykcji istnieje pięć modeli semiwariogramów:

Wartość semiwariancji rośnie wraz ze wzrostem odległości od punktu aż do momentu zrównania z wariancją wartości średniej. W tym miejscu na wariogramie zaczyna się płaski obszar zwany progiem. Odległość od wybranego punktu do punktu, w którym bierze początek próg, nosi nazwę zakresu zmiennej lokalnej. W obrębie tego zakresu położenia punktów są z sobą powiązane, a podczas szacowania położenia nieznanego punktu muszą być brane pod uwagę wszystkie znane próbki danych należące do tego obszaru (zwanego także sąsiedztwem).

Zazwyczaj środek sąsiedztwa wypada w miejscu, w którym znajduje się szacowana wartość. W celu ustalenia współrzędnych punktu wszystkie znane wartości należące do sąsiedztwa otrzymują wagi, ustalane na podstawie semiwariogramu. W oparciu o wagi i znane wartości następuje obliczenie nieznanej wartości.

Wskazówka: Zaleca się, aby przed użyciem metody optymalnej predykcji do wygładzenia powierzchni użytkownik dokładnie zapoznał się z zasadami jej działania.