जब आप "डिफ़ॉल्ट मान" का उपयोग करते हैं, तो आप वास्तव में क्रिपिंग नहीं कर रहे हैं, आप केवल क्रिचिंग एल्गोरिथ्म को लागू कर रहे हैं - जो आपने पाया है, इन डेटा के साथ उपयोग किए जाने पर खराब है।
(मैं एक संक्षिप्त शेख़ी के लिए एक सोपबॉक्स पर कदम रखूँगा: मेरी राय में, कंप्यूटर प्रोग्राम के साथ खराब परिणाम प्राप्त करने का सबसे तेज़ तरीका इसके डिफ़ॉल्ट मापदंडों को स्वीकार करना है। आर्कजीआईएस खराब परिणाम प्राप्त करने के लिए सबसे अमीर, सबसे शक्तिशाली वातावरण में से एक है। तरीका। नैतिक महत्वपूर्ण काम के लिए सॉफ्टवेयर का उपयोग नहीं करता है जब तक कि आप इसे नियंत्रित करने के तरीके को नहीं समझते हैं। अब साबुनबॉक्स से नीचे ...)
काम करने के लिए आपको "वैरोग्राफी" नामक डेटा का गहन प्रारंभिक सांख्यिकीय विश्लेषण करना होगा। यह आखिरकार कितना अच्छा प्रदर्शन करता है, यह डेटा के साथ-साथ आपके भूस्थैतिक कौशल पर भी निर्भर करता है। (पूरी किताबें variography के बारे में लिखा गया है, लाभदायक सहित खनन geostatistics Journel और Huijbregts और द्वारा Variowin Yvan Pannatier से।) हालांकि लोगों को सफलतापूर्वक कुछ के रूप में सात डेटा बिंदुओं के रूप (रॉबर्ट Jernigan द्वारा एक मोनोग्राफ में अमेरिका EPA द्वारा प्रकाशित में kriged है 1980 के दशक के उत्तरार्ध में, और सिद्धांत रूप में आप केवल दो या तीन बिंदुओं का उपयोग करके सिंचाई कर सकते हैं (मैंने एल्गोरिदम को प्रदर्शित करने के लिए ऐसा किया है ), साहित्य में अंगूठे के नियम न्यूनतम 20 अंक से 100 अंक तक और सर्वसम्मति 30 अंक के आसपास प्रतीत होता है।
आपके मामले में - यद्यपि आप डेटा का वर्णन नहीं करते हैं - आपको कुछ स्पष्ट समस्याएं हैं, जिनमें अत्यधिक तिरछी वितरण और स्थिरता के साक्ष्य की एक अलग कमी शामिल है। इन्हें विशेष सांख्यिकीय उपचार या विशेष प्रकार के सिंचाई की आवश्यकता होती है (जैसे एक स्थानिक सामान्यीकृत रैखिक मॉडल)। जब तक आपके पास बहुत बड़ी मात्रा में डेटा नहीं है, तब तक आपको ऐसे डेटा का उपयोग करते हुए अच्छे परिणाम नहीं मिलेंगे।
किंवदंती से पता चलता है कि आप वास्तव में डेटा को प्रक्षेपित करने के बजाय एक घनत्व ग्रिड बनाने की कोशिश कर रहे होंगे : हालाँकि दो प्रक्रियाओं के आउटपुट समान दिख सकते हैं, वे अलग-अलग चीजें करते हैं और अलग-अलग व्याख्याएं करते हैं। जब डेटा कुछ काल्पनिक निरंतर सतह से नमूने माना जाता है, तो आप प्रक्षेपित करते हैं । इंटरपोलेशन ने अपरिचित मूल्यों की भविष्यवाणी की है। मानक उदाहरणों में ऊंचाई माप (जो पृथ्वी की सतह का नमूना है) और तापमान माप शामिल हैं (जो एक "तापमान क्षेत्र" का नमूना है)। जब आप राशि के बारे में पूरी जानकारी रखते हैं तो आप एक घनत्व की गणना करते हैंकुछ और आप प्रति यूनिट क्षेत्र में उस राशि के एक सुचारू संस्करण का प्रतिनिधित्व करना चाहते हैं। (प्रक्षेप के विपरीत, भविष्यवाणी करने के लिए कोई भी अपरिचित मान मौजूद नहीं है।) मानक उदाहरण जनसंख्या घनत्व है: डेटा एक क्षेत्र के भीतर सभी व्यक्तियों की गिनती है ; आउटपुट जनसंख्या घनत्व का एक मानचित्र है।