Deber de Topografía

Nombre: Fabián Cabrera Guerra

Fecha: 25/01/2019
Paralelo: 2

TIPOS DE INTERPOLADORES

La interpolación es un proceso que utiliza puntos con un valor conocido o puntos de

muestra para estimar valores en otros puntos que se desconocen. Este proceso puede ser
usado para predecir valores desconocidos para cualquier punto geográfico de datos, tales
como la elevación, precipitación, niveles de ruido, concentraciones químicos etc.

A continuación, se menciona y se describe los tipos de interpoladores.

IDW (INVERSE DISTANCE WEIGHTING) DISTANCIA INVERSA

PONDERADA

Este interpolador asume que cada punto o valor de entrada tiene un su propia influencia
local que disminuye con la distancia. Pesa los puntos más cerca de la celda de
procesamiento más grandes que los que están más lejos. Un numero especifico de puntos
o todos ellos con una radio especifico pueden ser usados para determinar el valor de salida
o resultante de cada locación. Este proceso a su vez asume que la variable mapeada
disminuye en influencia con la distancia desde su ubicación muestreada.

Ilustración 1 Modelo usando IDW

La interpolación IDW implementa explícitamente la suposición de que las cosas que están
cerca unas de otras son más parecidas que las que están más alejadas. Para predecir un
valor para cualquier ubicación no medida, IDW utilizará los valores medidos que rodean
la ubicación de predicción. Los valores medidos más cercanos a la ubicación de
predicción tendrán más influencia en el valor predicho que los que están más lejos. Por
lo tanto, IDW asume que cada punto medido tiene una influencia local que disminuye con
la distancia. La función IDW se debe utilizar cuando el conjunto de puntos es lo
suficientemente denso para capturar el grado de variación de la superficie local necesaria
para el análisis. IDW determina los valores de celda utilizando un conjunto de puntos de
muestra de combinación ponderada lineal. Pesa los puntos más cerca de la ubicación de
predicción más que los que están más lejos, de ahí el nombre de distancia inversa
ponderada.

SPLINE

Este interpolador estima los valores mediante una función matemática que minimiza la
curvatura de la superficie general, lo que resulta en una superficie lisa que pasa
exactamente a través de los puntos de entrada.

Ilustración 2 Modelado con Spline

Conceptualmente, es análogo a doblar una lámina de caucho para que pase a través de
puntos conocidos mientras minimiza la curvatura total de la superficie. Ajusta una
función matemática a un número específico de puntos de entrada más cercanos mientras
pasa por los puntos de muestra. Este método es el mejor para superficies que varían
suavemente, como la elevación, la altura de los niveles freáticos o las concentraciones de
contaminación.

KRIGGING

Kriging es una técnica de interpolación geoestadística que considera tanto la distancia

como el grado de variación entre los puntos de datos conocidos al estimar valores en áreas
desconocidas. Esta estimación es una combinación lineal ponderada de los valores de
muestra conocidos alrededor del punto a estimar.
 Ilustración 3 Modelado Krigging

El procedimiento de este interpolador genera una superficie estimada a partir de un

conjunto disperso de puntos con valores z. Este asume que la distancia o dirección entre
los puntos de muestra refleja una correlación espacial que se puede usar para explicar la
variación en la superficie. Esta herramienta ajusta una función matemática a un número
específico de puntos, o todos los puntos dentro de un radio específico, para determinar el
valor de salida para cada ubicación. Kriging es un proceso de varios pasos; incluye
análisis estadístico exploratorio de los datos, modelado de vario gramas, creación de la
superficie y (opcionalmente) exploración de una superficie de varianza. Este interpolador
es más apropiado cuando se sabe que hay una distancia espacialmente correlacionada o
un sesgo direccional en los datos. Se utiliza a menudo en la ciencia del suelo y la geología.

TENDENCIA (TREND)

Este interpolador es un método estadístico que encuentra la superficie que se ajusta a los
puntos de muestra utilizando un ajuste de regresión de mínimos cuadrados. Se ajusta una
ecuación polinomial a toda la superficie. Esto da como resultado una superficie que
minimiza la varianza de la superficie en relación con los valores de entrada. La superficie
se construye de manera que para cada punto de entrada, el total de las diferencias entre
los valores reales y los valores estimados (es decir, la varianza) será lo más pequeño
posible.

Ilustración 4 Como funciona el Trend

Es un interpolador inexacto, y la superficie resultante rara vez pasa a través de los puntos
de entrada. Sin embargo, este método detecta tendencias en los datos de la muestra y es
similar a los fenómenos naturales que generalmente varían sin problemas.

TOPO TO RASTER

Al interpolar los valores de elevación para un ráster, el método Topo a raster impone
restricciones que aseguran un modelo de elevación digital hidrológicamente correcto que
contiene una estructura de drenaje conectada y representa correctamente las crestas y
corrientes de los datos de contorno de entrada. Utiliza una técnica de interpolación de
diferencias finitas iterativas que optimiza la eficiencia computacional de la interpolación
local sin perder la continuidad superficial de la interpolación global. Fue diseñado
específicamente para trabajar inteligentemente con entradas de contorno.

Ilustración 5 Modelado de Topo de Raster

TRIANGULACION

Este algoritmo crea triángulos dibujando líneas entre puntos de datos. Los puntos
originales están conectados de tal manera que ningún otro triángulo interseca los bordes
de los triángulos. El resultado es un mosaico de caras triangulares sobre la extensión de
la cuadrícula. Este método es un interpolador exacto. Cada triángulo define un plano
sobre los nodos de la cuadrícula que se encuentran dentro del triángulo, con la inclinación
y la elevación del triángulo determinadas por los tres puntos de datos originales que
definen el triángulo. Todos los nodos de la cuadrícula dentro de un triángulo dado están
definidos por la superficie triangular.
 Ilustración 6 Tiangulación

La triangulación con interpolación lineal funciona mejor cuando sus datos se distribuyen
uniformemente en el área de la cuadrícula. Los conjuntos de datos que contienen áreas
dispersas dan como resultado facetas triangulares distintos en el mapa.

REGRESIÓN POLINOMIAL

La Regresión polinomial se utiliza para definir tendencias y patrones a gran escala en sus
datos. La regresión polinomial no es realmente un interpolador porque no intenta predecir
valores de Z desconocidos. Hay varias opciones que puede utilizar para definir el tipo de
superficie de tendencia.

VECINOS NATURALES

El algoritmo de interpolación del Vecino Natural utiliza un promedio ponderado de las

observaciones vecinas, donde los pesos son proporcionales al "área prestada". El método
del Vecino Natural no extrapola contornos más allá del casco convexo de las ubicaciones
de datos (es decir, el contorno de los polígonos de Thiessen).

Ilustración 7 Vecinos Naturales modelo

VECINOS CERCANOS

El método Vecino más cercano asigna el valor del punto más cercano a cada nodo de la
cuadrícula. Este método es útil cuando los datos ya están espaciados uniformemente.

BIBLIOGRAFIA

[1]. Manual Online Surface. Página web Singular, extraído de: https://www.singular.uni-
kl.de/Manual/4-1-1/sing_1786.htm en enero 2019.

[2]. Arcgis. Página web Arcgis, extraído

de: http://desktop.arcgis.com/es/arcmap/10.3/guide-books/extensions/geostatistical-
analyst/classification-trees-of-the-interpolation-methods-offered-in-geostatistical-
analyst.htm en enero 2019.

[3] Chin-Shung Yang et al. “TWELVE DIFFERENT INTERPOLATION METHODS:

A CASE STUDY”. Página web ispr, extraído
de: http://www.isprs.org/proceedings/xxxv/congress/comm2/papers/231.pdf en enero
2019