درونیابی (Interpolation) چیست؟

مقدمه

روش اندازه گیری یا برداشت مکانی داده ها، پدیده های طبیعی را در محیط GIS شکل می دهند. زمانی که پدیده ها به صورت نقطه ای برداشت می شوند؛ روشهای خاصی برای شکل دادن یا لایه ساختن از آنها به کار می رود که درونیابی نام دارد. درونیابی یک نوع تحلیل ریاضی و آماری است که در این جا شرح داده می شود.

مفاهیم درونیابی

داده های مکانی از نظر روشهای تحلیل در GIS دارای دو چهره هستند که درک آنها اهمیت ویژه ای دارند. داده هایی که گسسته (Discrete) یا منفصل (Discontinuous) نامیده می شوند، عموماً داده های مطلق (Categorical) می باشند. به این معنا که مرز این داده ها در طبیعت به طور دقیق قابل تعریف است و در هر دو شکل رستر یا وکتور قابل ذخیره می باشند، مانند یک دریاچه، یک ساختمان، یک جاده و . . . اما داده های پیوسته (Continuous) در طبیعت از یکپارچگی برخوردارند و هر موقعیتی در سطح زمین اندازه ای از آن را دارا می باشد. برای مثال درجه حرارت یک نوع داده پیوسته می باشد که امکان اندازه گیری آن در هر نقطه ای امکان پذیر است. جهت شیب عوارض نوعی دیگر از داده های پیوسته است که با جهات شمال، جنوب و . . . قابل اندازه گیری است، پدیده های مایع مانند رواناب نیز از داده های پیوسته ای است که علاوه بر قابلیت اندازه گیری دارای جهت نیز می باشد.

01 thumb درونیابی (Interpolation) چیست؟ داده پیوسته در طرف راست و داده گسسته در طرف چپ

داده های پیوسته به دلیل پیوستگی که دارند قابل اندازه گیری در تمام سطوح نیستند، لذا به طور نمونه ای برداشت می شوند. برآورد میزان متغیر پیوسته را در مناطق نمونه گیری نشده در داخل ناحیه ای که مشاهدات نقطه ای پراکنده شده اند، درونیابی (Interpolation) می گویند. در واقع درونیابی، تغییرات فضایی متغیری پیوسته را نمایش می دهد. به عبارت دیگر درون یابی روش برآورد ارزش پدیده ها در مکانهای نمونه برداری نشده با استفاده از مقادیر معلوم در نقاط همسایه است. نقاط همسایه ممکن است به طور منظم یا نامنظم در آن ناحیه پراکنده شده باشند. بنابراین برای تبدیل داده ها از نقاط مشاهده شده در موضوعات پیوسته از درون یابی استفاده می شود. خروجی درون یابی می تواند به عنوان یک نقشه یا لایه در تحلیل GIS مورد استفاده قرار گیرد.

02 thumb درونیابی (Interpolation) چیست؟ موقعیت و ارزش نقاط معلوم در درون یابی

میزان صحت نتایج درون یابی به دقت مکانی، تعداد و توزیع نقاط معلوم و مدل مورد استفاده بستگی دارد. بهترین نتایج هنگامی بدست می آیند که رفتار تابع ریاضی با رفتار پدیده مورد نظر مشابه باشد. به عنوان مثال تغییرات دمای هوا در یک منطقه هموار، ممکن است یکسان باشد، در نتیجه مدلی که می تواند بر اساس میانگین گیری درون یابی کند، مناسب است. اما در مورد یک زمین با تغییرات شدید ارتفاعی نیاز به مدلی است که تغییرات شدید دما را پیش بینی کند از طرف دیگر چون درون یابی برآورد ارزش توصیفی نقاط نامعلوم در یک منطقه بر پایه تعدادی نقاط معلوم می باشد لذا روش نمونه گیری براساس پدیده مورد نظر انتخاب می شود. بیشتر داده های پیوسته در طبیعت جهت دار هستند و تمرکز آنها یکسان نیست. برای مثال درون یابی عناصر آلوده کننده هوا در شهری را در نظر بگیرید که دارای مراکز آلوده کننده و همچنین دارای بادی است که در جهتی خاص آلودگی را پخش می کند، لذا توزیع نقاط معلوم به طور قطعی تابع پدیده مورد نظر است.

منبع: کتاب “درآمدی بر سیستم های اطلاعات جغرافیایی”، انتشارات دانشگاه پیام نور

Однако первые несколько страниц выдачи с результатами поиска, посвящены скандалу шестилетней давности, Периодическая таблица успеха SEO, Последние работы &nbsp &nbsp &nbsp &nbsp Смотреть все работы О студии New Media — это интернет-агентство полного цикла

مطالب مرتبط

2 نظر

نظر بدهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *