内容发布更新时间 : 2024/11/18 10:33:25星期一 下面是文章的全部内容请认真阅读。

1. 克里金法（Kriging）

克里金法是通过一组具有 z 值的分散点生成估计表面的高级地统计过程。与其他插值方法不同，选择用于生成输出表面的最佳估算方法之前应对由 z 值表示的现象的空间行为进行全面研究。

克里金插值与IDW插值的区别在于权重的选择，IDW仅仅将距离的倒数作为权重，而克里金考虑到了空间相关性的问题。它首先将每两个点进行配对，这样就能产生一个自变量为两点之间距离的函数。对于这种方法，原始的输入点可能会发生变化。在数据点多时，结果更加可靠。该方法通常用在土壤科学和地质中。

2. 反距离权重法（Inverse Distance Weighted，IDW）

反距离权重法（反距离权重法）工具所使用的插值方法可通过对各个待处理像元邻域中的样本数据点取平均值来估计像元值。点到要估计的像元的中心越近，则其在平均过程中的影响或权重越大。此方法假定所映射的变量因受到与其采样位置间的距离的影响而减小。例如，为分析零售网点而对购电消费者的表面进行插值处理时，在较远位置购电影响较小，这是因为人们更倾向于在家附近购物。

反距离权重法主要依赖于反距离的幂值。幂参数可基于距输出点的距离来控制已知点对内插值的影响。幂参数是一个正实数，默认值为 2。

通过定义更高的幂值，可进一步强调最近点。因此，邻近数据将受到最大影响，表面会变得更加详细（更不平滑）。随着幂数的增大，内插值将逐渐接近最近采样点的值。指定较小的幂值将对距离较远的周围点产生更大影响，从而导致更加平滑的表面。

由于反距离权重公式与任何实际物理过程都不关联，因此无法确定特定幂值是否过大。作为常规准则，认为值为 30 的幂是超大幂，因此不建议使用。此外还需牢记一点，如果距离或幂值较大，则可能生成错误结果。

3. 含障碍的样条函数（Spline with Barriers）

含障碍的样条函数工具使用的方法类似于样条函数法工具中使用的技术，其主要差异是此工具兼顾在输入障碍和输入点数据中编码的不连续性。

含障碍的样条函数工具应用了最小曲率方法，其实现方式为通过单向多格网技术，以初始的粗糙格网（在本例中是已按输入数据的平均间距进行初始化的格网）为起点在一系列精细格网间移动，直至目标行和目标列的间距足以使表面曲率接近最小值为止。

4. 地形转栅格（Topo to Raster）

地形转栅格和依据文件实现地形转栅格工具所使用插值技术是旨在用于创建可更准确地表示自然水系表面的表面，而且通过这种技术创建的表面可更好的保留输入等值线数据中的山脊线和河流网络。

5. 样条函数（Spline）

样条函数法工具所使用的插值方法使用可最小化整体表面曲率的数学函数来估计值，以生成恰好经过输入点的平滑表面。

从概念上讲，采样点被拉伸到它们数量上的高度；样条函数折弯一个橡皮页，

该橡皮页在最小化表面总曲率的同时穿过这些输入点。在穿过采样点时，它将一个数学函数与指定数量的最近输入点进行拟合。此方法最适合生成平缓变化的表面，例如高程、地下水位高度或污染程度。

IDW 插值主要受幂指数和各采样点属性值变化情况的影响，幂指数越高，其局部影响的程度越高，在IDW搜索半径内，若各个采样点属性值变化较小时，内插结果受幂指数的影响较小；Spline 插值主要受插值类型（Regularized 或Tension）和weight 值的影响，一般Regularize 插值结果比Tension插值结果光滑，在Regularized Spline 插值中，weight 值越高生成的表面越光滑，Tension Spline 插值则相反；总体来看，IDW和SPLINE 插值受采样点范围、采样点密度、采样点属性取值变化以及各自的参数影响，当采样点足够密时，使用IDW插值可以取得良好效果，SPLINE插值则适合那些空间连续变化且光滑的表面的生成。

6. 自然邻域法（Natural Neighbor）

自然邻域法插值可找到距查询点最近的输入样本子集，并基于区域大小按比例对这些样本应用权重来进行插值（Sibson，1981）。该插值也称为 Sibson 或“区域占用 (area-stealing)”插值。该插值方法的基本属性是它具有局部性，仅使用查询点周围的样本子集，且保证插值高度在所使用的样本范围之内。该插值方法不会推断趋势且不会生成输入样本尚未表示的山峰、凹地、山脊或山谷。该表面将通过输入样本且在除输入样本位置之外的其他所有位置均是平滑的。

原理是构建voronoi多边形，也就是泰森多边形。首先将所有的空间点构建成voronoi多边形，然后将待求点也构建一个voronoi多边形，这样就与圆多边形有很多相交的地方，根据每一块的面积按比例设置权重，这样就能够求得待求点的值了。

7. 趋势（trend）

趋势面法是一种可将由数学函数（多项式）定义的平滑表面与输入样本点进行拟合的全局多项式插值法。趋势表面会逐渐变化，并捕捉数据中的粗尺度模式。使用趋势插值法可获得表示感兴趣区域表面渐进趋势的平滑表面。此种插值法适用于以下几种情况

（1）感兴趣区域的表面在各位置间出现渐变时，可将该表面与采样点拟合，例如，工业区的污染情况。

（2）检查或排除长期趋势或全局趋势的影响。此类情况下，采用的方法通常为趋势面分析。

插值方法 优点 缺点 计算步骤繁琐，插值速度慢。 适用条件 适用于采样区域的样本数据存在随机性和结构性两特征。 克里金法（Kriging） 给出估计误差，充分考虑空间变量相关性，有效弥补数据集存在的聚类影响，插值精度高。 反距离权重法算法简便易行，是一种（Inverse Distance 精确插值算法。 Weighted，IDW） 自然邻域法插值得到的结果比较（Natural 光滑，生成的等值线基Neighbor） 本上是封闭的。 对权重函数中幂次选择十分敏感，易受采样集群影响，造成“牛眼”效应。 最多可处理约1500万个输出点。如果输入要素类包含非常多的点（大于1500），该工具可能无法生成结果。 样本点的分布均匀、密集且样本点含有区域特征信息。 仅使用查询点周围的样本子集，且保证插值高度在所使用的样本范围之内。