रेखापुंज रेखापुंज डेटा के लिए उपयोग करने के लिए क्या प्रक्षेप विधि तय करना?


40

क्या कठोर और तेज नियम हैं जिनके बारे में प्रक्षेप तरीके प्रत्येक प्रकार के रेखापुंज डेटा के अनुकूल हैं?


1
आप क्या प्रक्षेप कर रहे हैं? क्या लक्ष्य केवल कल्पना करना या वास्तव में किसी प्रकार के वितरण को मापना है? हालांकि आपकी आशाओं को पूरा करने के लिए नहीं, उनके व्यावहारिक रूप से कठोर या तेज़ नियम नहीं हैं।
एंडी डब्ल्यू

4
@ नोट: क्या आप सुनिश्चित हैं कि आप "रेखापुंज" डेटा को इंगित करना चाहते हैं? आपके द्वारा स्वीकार किए गए उत्तर केवल वेक्टर (समयनिष्ठ और रेखा) डेटा को प्रक्षेप करने के तरीकों को संदर्भित करता है ।
whuber

5
प्रश्न का शीर्षक थोड़ा अस्पष्ट है। प्रक्षेप और निरूपण शब्द का अर्थ दो अलग-अलग चीजों से है। प्रक्षेप करने के लिए असतत डेटा बिंदुओं (रेखापुंज या वेक्टर) का एक नमूना लेना है और उससे एक सतत सतह की गणना करना है। रेज़मैपलिंग अंक का एक समूह (फिर से, रेखापुंज या वेक्टर) ले रहा है, उन्हें किसी प्रकार के एल्गोरिथ्म को लागू कर रहा है, और अंकों का एक नया सेट तैयार कर रहा है। इसलिए, मेरा मानना ​​है कि प्रक्षेप को एक प्रकार के पुनरुत्पादन के रूप में देखा जा सकता है।
डॉन मेल्टज़

2
Imho शीर्षक गलत है। "रिस्टैम्पिंग रैस्टर डेटा" मुझे लगता है कि आपके पास एक रैस्टर है और इससे एक नया बड़ा / छोटा रैस्टर तैयार करना चाहते हैं। यदि आप वेक्टर बिंदुओं को इंटरप्लेट करके एक रेखापुंज का उत्पादन करना चाहते हैं "रेज़ामापलिंग" गलत शब्द है।
UnderDark

3
@ninesided - चूंकि आपने मेरी प्रतिक्रिया को आपके प्रश्न के उत्तर के रूप में चुना है, इसलिए मुझे लगता है कि आप एक निरंतर रेखीय सतह पर असतत बिंदुओं के एक सेट को प्रक्षेपित करना चाह रहे थे। शब्द रैंप को कुछ एल्गोरिथ्म के आधार पर, एक रेखापुंज के दूसरे में रूपांतरण के रूप में सबसे अधिक व्याख्या की जाती है। मुझे नहीं लगता कि आप शब्द का उपयोग करने के लिए गलत हैं क्योंकि मेरा मानना ​​है कि प्रक्षेप रेज़म्पलिंग का एक रूप है। यह सिर्फ इतना है कि ज्यादातर इसे इस तरह से नहीं देखते हैं। मैं इस क्षेत्र में विशेषज्ञ होने का दावा नहीं करता, इसलिए मेरी धारणा में सुधार का स्वागत है।
डॉन मेल्ट्ज

जवाबों:


11

मैं मानता हूं कि कोई कठिन और तेज नियम नहीं हैं, लेकिन विभिन्न प्रक्षेप विधियों के लिए कुछ दिशानिर्देश हैं। उदाहरण के लिए, IDW सबसे अच्छा है जब आपके पास शुरू करने के लिए काफी घने बिंदु हैं। क्रिंगिंग प्रोसेसर गहन है, आमतौर पर मिट्टी / भूविज्ञान मॉडलिंग में उपयोग किया जाता है। स्पलाइन का उपयोग आमतौर पर तब किया जाता है जब एक चिकनी सतह वांछित होती है, जैसे तापमान डेटा। कुछ विधियाँ परिणामी रेखापुंज को मूल बिंदुओं से गुजरती रहती हैं जबकि अन्य नहीं।

हालांकि यह आर्कजीआईएस केंद्रित है, 4 पेज पेपर में विभिन्न तरीकों का एक अच्छा अवलोकन पाया जा सकता है

आर्कगिस स्पेटियल एनालिस्ट में इंटरफेस्टिंग सर्फर्स


41

प्रश्न के स्पष्टीकरण से संकेत मिलता है कि एक रेखापुंज को फिर से शुरू करने के तरीके मांगे गए हैं। कई इमेजिंग और फोटोग्राफिक समुदायों में उपयोग में हैं। जीआईएस काम के लिए, हालांकि, कई सरल तरीके आम उपयोग में हैं:

  • पास-पड़ोस की बहाली । नए रेखापुंज में प्रत्येक कोशिका को मूल रेखापुंज में निकटतम कोशिका (केंद्र से केंद्र) का मान सौंपा गया है। भूमि उपयोग और अन्य वर्गीकरण जैसे श्रेणीबद्ध डेटा के लिए इसका उपयोग करें।

  • बिलिनियर इंटरपोलेशन । नए रेखापुंज में प्रत्येक कोशिका को चार निकटतम मूल कोशिकाओं के आधार पर एक औसत सौंपा गया है। औसत क्षैतिज और ऊर्ध्वाधर दिशाओं में रैखिक है। (परिणामी सूत्र, हालांकि, रैखिक नहीं है ; यह वास्तव में द्विघात है।) यह सामान्य प्रयोजन के चौरसाई के लिए अच्छा है, लेकिन औसतन जो आम तौर पर स्थानीय चोटियों को क्लिप करता है और थोड़ा सा घाट जाता है।

  • क्यूबिक कनवल्शन । यह बिलिनियर इंटरपोलेशन की भावना के समान है, लेकिन पास की कोशिकाओं से मूल्यों को थोड़ा अलग कर सकता है। यह नए ग्रिड में स्थानीय औसत और परिवर्तनशीलता को पुन: उत्पन्न करने के उद्देश्य से ऐसा करता है; विशेष रूप से, स्थानीय एक्स्ट्रेमा की क्लिपिंग उतनी गंभीर नहीं होनी चाहिए। (एक अप्रिय परिणाम, ईएसआरआई के आर्कगिस में बग के रूप में स्पष्ट है, कि नए ग्रिड में मूल्य पुराने की सीमा से अधिक हो सकते हैं, जिससे कुछ नए चरम को सही तरीके से प्रस्तुत नहीं किया जा सकता है। लेकिन यह डेटा का मामला है। केवल प्रदर्शन।) ट्रेडऑफ यह है कि क्यूबिक कनवल्शन में बिलिनियर इंटरपोलेशन की तुलना में थोड़ा अधिक समय लगता है।

मैं http://www.quantdec.com/SYSEN597/GTKAV/section9/map_algebra.htm पर कुछ विस्तार से बाद के दो तरीकों पर चर्चा करता हूं

त्वरित एकबारगी गणना के लिए मैं आमतौर पर बिलिनियर इंटरपोलेशन (निरंतर डेटा के लिए) या निकटतम-पड़ोसी प्रक्षेप (श्रेणीबद्ध डेटा के लिए) करने के लिए सामग्री हूं। अन्य सभी के लिए, विशेष रूप से मास्टर डेटासेट तैयार करते समय या व्यापक जोड़तोड़ की आशंका होने पर, मैं क्यूबिक कनवल्शन का उपयोग करने की सलाह देता हूं (साथ ही फ्लोटिंग पॉइंट एरर के प्रसार को कम करने के लिए कुछ ऑर्डर देने के लिए सोचा)।


कुछ उपयोगी अतिरिक्त सलाह gis.stackexchange.com/questions/17328/… पर टिप्पणियों में दिखाई देती है ।
whuber

18

ईएसआरआई के अनुसार उपलब्ध प्रक्षेप विधि (स्थानिक विश्लेषक और अन्य एक्सटेंशन में उपकरण के रूप में उपलब्ध) की तुलना इस प्रकार है: (क्विंग)

IDW (व्युत्क्रम दूरी भारित) उपकरण प्रक्षेप की एक विधि का उपयोग करता है जो प्रत्येक प्रसंस्करण सेल के पड़ोस में नमूना डेटा बिंदुओं के मूल्यों के औसत से सेल मूल्यों का अनुमान लगाता है। सेल के केंद्र के करीब एक बिंदु अनुमानित किया जा रहा है, जितना अधिक प्रभाव, या वजन, यह औसत प्रक्रिया में है।

क्रिगिंग एक उन्नत भूस्थैतिक प्रक्रिया है जो z- मानों के साथ बिखरे हुए सेट से अनुमानित सतह उत्पन्न करती है। आर्कजी स्पैटियल एनालिस्ट द्वारा समर्थित अन्य इंटरपोलेशन विधियों की तुलना में अधिक, आउटपुट सतह को उत्पन्न करने के लिए सर्वोत्तम अनुमान विधि का चयन करने से पहले z- मानों द्वारा दर्शाई गई घटना के स्थानिक व्यवहार की गहन जांच की जानी चाहिए।

प्राकृतिक पड़ोसी प्रक्षेप एक क्वेरी बिंदु के लिए इनपुट नमूनों का निकटतम सबसेट पाता है और एक मान (सिबसन, 1981) प्रक्षेपित करने के लिए आनुपातिक क्षेत्रों के आधार पर उन पर भार लागू करता है। इसे सिबसन या "क्षेत्र-चोरी" प्रक्षेप के रूप में भी जाना जाता है।

तख़्ता उपकरण एक प्रक्षेप विधि है कि एक गणितीय समारोह का उपयोग कर अनुमान मूल्यों का उपयोग करता है कम करता समग्र सतह वक्रता, एक चिकनी सतह है कि वास्तव में इनपुट अंक के माध्यम से गुजरता है, जिसके परिणामस्वरूप।

बैरियर के साथ स्पलाइन , बैरियर टूल के साथ स्पलाइन, टूल में प्रयुक्त तकनीक के समान एक विधि का उपयोग करता है, जिसमें प्रमुख अंतर यह है कि यह टूल इनपुट बैरियर्स और इनपुट पॉइंट डेटा दोनों में एन्कोड की गई डिस्कनेक्टसिटी को सम्मानित करता है।

टोपो रेखापुंज करने के लिए और टोपो रेखापुंज करने के लिए फ़ाइल से उपकरण एक प्रक्षेप तकनीक विशेष रूप से एक सतह कि और अधिक बारीकी से एक प्राकृतिक जल निकासी की सतह और बेहतर बरकरार रखता है दोनों ridgelines और इनपुट समोच्च डेटा से धारा नेटवर्क का प्रतिनिधित्व करता है बनाने के लिए डिज़ाइन का उपयोग करें।

इस्तेमाल किया एल्गोरिथ्म ऑस्ट्रेलियाई राष्ट्रीय विश्वविद्यालय में हचिन्सन एट अल द्वारा विकसित एएनयूडीईएम पर आधारित है।

ट्रेंड एक वैश्विक बहुपद प्रक्षेप है जो इनपुट नमूना बिंदुओं के लिए गणितीय फ़ंक्शन (एक बहुपद) द्वारा परिभाषित एक चिकनी सतह को फिट करता है। प्रवृत्ति की सतह धीरे-धीरे बदलती है और डेटा में मोटे पैमाने के पैटर्न को पकड़ती है।

आप इस लेख पर भी नज़र डाल सकते हैं: http://proceedings.esri.com/library/userconf/proc95/to100/p089.html


1
ESRI से कुछ चुनने के लिए +1 जो वास्तव में समझ में आता है और सही है को उद्धृत करने में मदद करता है!
whuber

क्या आप कार्यवाही के लिए लिंक अपडेट कर सकते हैं, जिस पर आपने पोस्ट किया है वह अब उपलब्ध नहीं है (पृष्ठ नहीं मिला है)। वैकल्पिक रूप से, आप एक शीर्षक या कुछ जानकारी रख सकते हैं जो हमें ESRI पृष्ठ पर इसके लिए खोज करने की अनुमति देगा।
रेनाटा दिस

2

दो अन्य विधियां औसत 4 और औसत 16 होंगी। वे वही करते हैं जो उन्हें अच्छा लगता है और औसतन 4 या 16 आसपास की कोशिकाओं को लेते हैं।

यहां उपयोग का मामला ज्यादातर डीईएम डेटा के लिए है। आप इसे एक रेखापुंज छवि (एस्प 3 बैंड रंग) पर उपयोग नहीं करेंगे

यह भारित दूरी नहीं है, लेकिन फिर मुझे नहीं लगता कि मैं इसका उपयोग रास्टर (सिर्फ वेक्टर) के लिए करूंगा क्योंकि एक रेखीय डेटासेट में दूरी थोड़ी अधिक व्यक्तिपरक है

मैंने हमेशा यह सोचा कि मेडियन 4 और मेडियन 16 डीईएम डेटा से डिप्स और स्पाइक्स को हटाने के लिए अच्छे तरीके होंगे, हालांकि मुझे किसी भी पैकेज की जानकारी नहीं है जो इसे अनुमति देते हैं।


2
डेम में स्थानीय बाहरी लोगों की स्क्रीनिंग के लिए पड़ोस के मध्यस्थों का उपयोग करने का आपका सुझाव एक अच्छा, मार्क है। ESRI के GRID / स्थानिक विश्लेषक पैकेज में बहुत लंबे समय के लिए पड़ोस के मध्यस्थ शामिल हैं, मुझे पता है कि IDRISI ऐसा कर सकता है, और संभवतः GRASS और कई गुना भी। लेकिन ये तरीका एक ग्रिड को फिर से खोलने के लिए खराब विकल्प होगा। इसी तरह आपके द्वारा बताए गए अन्य तरीकों में अच्छे गुण नहीं होंगे: वे मूल ग्रिड के रिज़ॉल्यूशन पर मूल डेटा को प्रभावी ढंग से सुचारू करते हैं, और इसलिए इसे फिर से शुरू करने के लिए नहीं माना जाना चाहिए।
whuber
हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.