28 de octubre del 2020 Interpoladores

que podemos utilizar en Surfer

FLUVIA LUCIA CRUZ BOA

UNIVERSIDAD JUAREZ AUTONOMA DE TABASCO
Contenido
Introducción..................................................................................................................................2
Interpoladores exactos y suavizantes............................................................................................2
Interpoladores exactos.......................................................................................................3
Interpoladores de suavizado..............................................................................................3
Kriging...........................................................................................................................................3
Inverse Distance to a Power..........................................................................................................4
Minimum Curvature......................................................................................................................4
Iteración máxima............................................................................................................... 5
Factor de relajación........................................................................................................... 5
Modified Shepard's Method..........................................................................................................5
Vecinos cuadráticos........................................................................................................... 5
Natural Neighbor..........................................................................................................................6
Nearest Neighbor.........................................................................................................................6
Polynomial Regression..................................................................................................................6
Parámetros....................................................................................................................... 7
Radial Basis Function.....................................................................................................................7
Función básica................................................................................................................... 7
Parámetro R2..................................................................................................................... 7
Triangulation with Linear Interpolation..........................................................................................7
Moving Average............................................................................................................................8
Consejos de media móvil...................................................................................................8
Número mínimo de datos..................................................................................................8
Data Metrics..................................................................................................................................8
Local Polynomial...........................................................................................................................9
Poder................................................................................................................................ 9
REFERENCIAS..............................................................................................................................10

1
Introducción
Los parámetros del método de cuadrícula controlan los procedimientos de
interpolación. Cuando crea un archivo de cuadrícula, generalmente puede aceptar el
método de cuadrícula predeterminado y producir un mapa aceptable.

Las diferencias entre los métodos de cuadrícula están en los algoritmos matemáticos
utilizados para calcular los pesos durante la interpolación del nodo de la
cuadrícula. Cada método da como resultado una representación diferente de sus
datos. Es ventajoso probar cada método con un conjunto de datos típico para
determinar el método de cuadrícula que le proporciona la interpretación más
satisfactoria de sus datos.

Debido a que los mapas de Surfer se crean a partir de datos cuadriculados, los datos
originales no se respetan necesariamente en el archivo de cuadrícula. Cuando publica
los puntos de datos originales en un mapa de curvas de nivel, algunas de las curvas de
nivel pueden estar posicionadas "incorrectamente" en relación con los datos originales.

Esto sucede porque las ubicaciones de las curvas de nivel están determinadas
únicamente por los valores de los nodos de cuadrícula interpolados y no directamente
por los datos originales. Algunos métodos son mejores que otros para preservar sus
datos y, a veces, es necesario un poco de experimentación (es decir, aumentar la
densidad de la cuadrícula) antes de que pueda determinar el mejor método para sus
datos.

Los métodos de cuadrícula incluyen:

 Kriging
 Inverse Distance to a Power
 Minimum Curvature
 Modified Shepard's Method
 Natural Neighbor
 Nearest Neighbor
 Polynomial Regression
 Radial Basis Function
 Triangulation with Linear Interpolation
 Moving Average
 Data Metrics
 Local Polynomial

Interpoladores exactos y suavizantes

Métodos de cuadrícula incluidos con Surfer se dividen en dos categorías generales:
interpoladores exactos e interpoladores de suavizado. Algunos interpoladores exactos
pueden incorporar un factor de suavizado que hace que se conviertan en interpoladores
de suavizado.

2
Interpoladores exactos
Los interpoladores exactos respetan los puntos de datos exactamente cuando el punto
coincide con el nodo de la cuadrícula que se está interpolando. En otras palabras, un
punto coincidente tiene un peso de esencialmente 1.0 y todos los demás puntos de
datos tienen un peso de esencialmente cero. Incluso cuando se utilizan interpoladores
exactos, es posible que el archivo de cuadrícula no respete puntos de datos específicos
si los puntos de datos no coinciden exactamente con los nodos de la cuadrícula

Para aumentar la probabilidad de que se respeten sus datos, puede aumentar la

cantidad de nodos de cuadrícula en la dirección X e Y. 

Interpoladores de suavizado
Se pueden emplear interpoladores de suavizado o factores de suavizado durante la
cuadrícula cuando no tiene una confianza estricta en la repetibilidad de sus mediciones
de datos. Los interpoladores de suavizado no asignan pesos de 1.0 a un solo punto,
incluso cuando un punto coincide exactamente con el nodo de la cuadrícula.

Cuando se usa el suavizado, se asignan factores de ponderación para que el mapa sea
más suave. 

Kriging 
Kriging es un método de cuadrícula geoestadístico que ha demostrado ser útil y
popular en muchos campos. Este método produce mapas visualmente atractivos a
partir de datos espaciados irregularmente. Kriging intenta expresar las tendencias
sugeridas en sus datos, de modo que, por ejemplo, los puntos altos podrían estar
conectados a lo largo de una cresta en lugar de estar aislados por contornos de tipo
bull's-eye.

Kriging es un método de cuadrícula muy flexible. Puede aceptar los valores

predeterminados de Kriging para producir una cuadrícula precisa de sus datos,
o Kriging puede adaptarse a un conjunto de datos especificando el modelo
de variograma apropiado . Dentro de Surfer, Kriging puede ser un interpolador exacto o
de suavizado según los parámetros especificados por el usuario. 

Surfer incluye dos tipos de Kriging:

Point Kriging y Block Kriging. Tanto Point Kriging como Block Kriging generan una

cuadrícula interpolada.

Point Kriging estima los valores de los puntos en los nodos de la cuadrícula.

Block Kriging estima el valor promedio de los bloques rectangulares centrados en los

nodos de la cuadrícula.

3
Inverse Distance to a Power
El método de cuadrícula de Inverse Distance to a power es un interpolador promedio
ponderado y puede ser un interpolador exacto o de suavizado.

Con Inverse Distance to a power, los datos se ponderan durante la interpolación de

manera que la influencia de un punto en relación con otro disminuye con la distancia
desde el nodo de la cuadrícula.

La ponderación se asigna a los datos mediante el uso de una potencia de ponderación

que controla cómo disminuyen los factores de ponderación a medida que aumenta la
distancia desde un nodo de la red. A medida que aumenta la potencia, el valor del nodo
de la red se acerca al valor del punto más cercano. Para una potencia menor, los pesos
se distribuyen de manera más uniforme entre los puntos de datos vecinos.

Normalmente se comporta como un interpolador exacto. Al calcular un nodo de la

cuadrícula, los pesos asignados a los puntos de datos son fracciones y la suma de
todos los pesos es igual a 1.0. Cuando una observación particular coincide con un nodo
de la cuadrícula, la distancia entre esa observación y el nodo de la cuadrícula es 0.0, y
esa observación recibe un peso de 1.0, mientras que todas las demás observaciones
reciben un peso de 0.0. Por tanto, al nodo de la cuadrícula se le asigna el valor de la
observación coincidente. Cuando asigna un parámetro de suavizado distinto de cero,
ningún punto recibe una ponderación abrumadora, por lo que no se le asigna un factor
de ponderación igual a 1.0.

Una de las características es la generación de "ojos de buey que rodean la posición de

las observaciones dentro del área cuadriculada. Puede asignar un parámetro de
suavizado durante la distancia inversa a una potencia para reducir el efecto de bull's-
eye suavizando la cuadrícula interpolada”.

Inverse Distance to a power es un método muy rápido para hacer cuadrículas. 

El parámetro de potencia de ponderación determina la rapidez con la que caen los

pesos con la distancia desde el nodo de la red. 

Minimum Curvature
La curvatura mínima se usa ampliamente en las ciencias de la tierra. La superficie
interpolada generada por la curvatura mínima es análoga a una placa delgada y
linealmente elástica que pasa a través de cada uno de los valores de datos con una
cantidad mínima de flexión.

La curvatura mínima genera la superficie más suave posible mientras intenta respetar
sus datos lo más cerca posible. Sin embargo, la curvatura mínima no es un interpolador
exacto. Esto significa que sus datos no siempre se respetan exactamente.

Curvatura mínima produce una cuadrícula al aplicar repetidamente una ecuación sobre
la cuadrícula en un intento de suavizar la cuadrícula. Cada pasada sobre la cuadrícula
se cuenta como una iteración. Los valores del nodo de la cuadrícula se recalculan

4
 hasta que los cambios sucesivos en los valores son menores que el valor de Residuos
máximos o se alcanza el número máximo de iteraciones (campo Iteración máxima).

Iteración máxima
El parámetro de iteración máxima debe establecerse en una o dos veces el número de
nodos de la red generados en el archivo de la red. Por ejemplo, al generar una
cuadrícula de 50 por 50 utilizando la curvatura mínima, el valor de iteración
máxima debe establecerse entre 2500 y 5000.

Factor de relajación
El algoritmo de cuadrícula de curvatura mínima resuelve la ecuación diferencial parcial
especificada utilizando un algoritmo de sobre relajación sucesivo. El interior se
actualiza utilizando una estrategia de "tablero de ajedrez", como se describe en Press,
et al. (1988, pág. 868). 

El factor de relajación es como se describe en Press et al. (1988). En general, el factor

de relajación no debe modificarse. El valor predeterminado (1.0) es un buen valor
genérico. Aproximadamente, cuanto mayor sea el factor de relajación (más cercano a
dos), más rápido convergerá el algoritmo de curvatura mínima y cuanto menor sea
el factor de relajación (más cercano a cero), más probable es que el algoritmo
de curvatura mínima converja, pero el algoritmo es más lento. El factor de
relajación óptimo se obtiene mediante prueba y error.

Modified Shepard's Method

El Modified Shepard's Method utiliza un método de mínimos cuadrados ponderados por
distancia inversa. Como tal, es similar al Inverse Distance to a Power , pero el uso de
mínimos cuadrados locales elimina o reduce la apariencia de "bull's-eye" de los contornos
generados, puede ser un interpolador exacto o de suavizado.
Puede asignar un parámetro de suavizado a la operación de cuadrícula. El parámetro
del factor de suavizado permite que el método funcione como un interpolador de
suavizado. Se produce un mayor suavizado a medida que aumenta el valor del parámetro
de suavizado. En general, los valores entre cero y uno son los más razonables.

Vecinos cuadráticos
El parámetro Vecinos cuadráticos especifica el tamaño del vecindario local especificando
el número de vecinos locales. El vecindario local es un círculo de radio suficiente para
incluir exactamente este número de vecinos. El valor predeterminado sigue la
recomendación de Renka (1988).

5
 Natural Neighbor
El método de cuadrícula de Natural Neighbor interpola los valores de la cuadrícula
ponderando los puntos de datos vecinos en función de áreas proporcionadas. Considere
un conjunto de polígonos de Thiessen (el dual de una triangulación de Delaunay ). Si se
agrega un nuevo punto (objetivo) al conjunto de datos, estos polígonos de Thiessen se
modificarán. De hecho, algunos de los polígonos se reducirían de tamaño, mientras que
ninguno aumentaría de tamaño.
El área asociada con el polígono Thiessen del objetivo que se tomó de un polígono
existente se denomina "área prestada". El algoritmo de interpolación de vecino
natural utiliza un promedio ponderado de las observaciones vecinas, donde los pesos son
proporcionales al "área prestada".

Nearest Neighbor
El método de cuadrícula del Nearest Neighbor asigna el valor del punto más cercano a
cada nodo de la cuadrícula. Este método es útil cuando los datos ya están espaciados
uniformemente, pero deben convertirse a un archivo de cuadrícula de Surfer.
A veces, con cuadrículas de datos casi completas, hay áreas en las que faltan datos que
desea excluir del archivo de cuadrícula. En este caso, puede establecer la Elipse de
búsqueda en un valor para que a las áreas sin datos se les asigne el valor NoData en el
archivo de cuadrícula.
Al establecer los radios de la elipse de búsqueda en valores menores que la distancia
entre los valores de datos en su archivo, el valor NoData se asigna en todos los nodos de
la cuadrícula donde no existen valores de datos.
Cuando utiliza el método Vecino más cercano para convertir datos XYZ espaciados
regularmente en un archivo de cuadrícula, puede establecer el espaciado de la cuadrícula
igual al espaciado entre los puntos de datos en el archivo.

Polynomial Regression
Polynomial regression se utiliza para definir tendencias y patrones a gran escala en sus
datos; no es realmente un interpolador porque no intenta predecir valores Z
desconocidos. Hay varias opciones que puede utilizar para definir el tipo de superficie de
tendencia.
Puede seleccionar el tipo de regresión polinomial para aplicar a sus datos, a medida que
selecciona los diferentes tipos de polinomios, en el cuadro de diálogo se presenta una
forma polinomial genérica de la ecuación y los valores del grupo Parámetros cambian
para reflejar la selección. 

6
 Parámetros
El grupo Parámetros le permite especificar las potencias máximas para el componente X
e Y en la ecuación polinomial. 

Radial Basis Function

La interpolación de Radial Basis Function es un grupo diverso de métodos de
interpolación de datos. En términos de la capacidad de ajustar sus datos y producir una
superficie lisa, muchos consideran que el método Multiquadric es el mejor.
Todos los métodos de función de base radial son interpoladores exactos, por lo que
intentan respetar sus datos. Puede introducir un factor de forma en todos los métodos en
un intento de producir una superficie más suave. Independientemente del valor R2,
la función de base radial es un interpolador exacto.

Función básica
Las funciones básicas del núcleo definen el conjunto óptimo de ponderaciones que se
aplicarán a los puntos de datos al interpolar un nodo de cuadrícula, son análogas a los
variogramas de Kriging. Las funciones de base del núcleo disponibles se enumeran en
la función de base de lista en el Opciones Función de base radial de diálogo.

Parámetro R2
El valor predeterminado para R2 en el algoritmo de cuadrícula de la función de base radial
se calcula de la siguiente manera:
(longitud de la diagonal de la extensión de datos) 2 / (25 * número de puntos de datos).

Triangulation with Linear Interpolation

El método de triangulation with linear imterpolation en Surfer utiliza la triangulación de
Delaunay óptima. El algoritmo crea triángulos dibujando líneas entre puntos de datos.
Los puntos originales están conectados de tal manera que los bordes de los triángulos no
se cruzan con otros 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 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. Debido a que los datos
originales se utilizan para definir los triángulos, los datos se respetan muy de cerca.

7
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 distintas facetas triangulares en el mapa.

Moving Average
El método de cuadrícula asigna valores a los nodos de la cuadrícula promediando los
datos dentro de la elipse de búsqueda del nodo de la cuadrícula.

Consejos de media móvil

 El método de cuadrícula de promedio móvil puede incorporar datos de línea de
ruptura.
 El método de cuadrícula de media móvil no se recomienda para generar mapas a
partir de conjuntos de datos de tamaño pequeño y moderado. Sin embargo, es
una herramienta útil para caracterizar e investigar conjuntos de datos espaciales
grandes y muy grandes.

Número mínimo de datos

El valor de Número mínimo de datos (el nodo se establece en NoData si es
menor) establece el número especificado de puntos al interpolar un nodo de cuadrícula. Si
no se encuentra el número mínimo de puntos, el valor NoData se asigna al nodo de
cuadrícula.

Data Metrics
La recopilación de métodos de cuadrícula de Data Metrics crea cuadrículas de
información sobre los datos nodo por nodo. Los métodos de cuadrícula de data metrics no
son, en general, interpoladores de promedios ponderados de los valores Z. Por ejemplo,
puede obtener información como:

 El número de puntos de datos utilizados para interpolar cada nodo de la

cuadrícula. Si el número de puntos de datos usados es bastante igual en cada
nodo de la red, entonces se puede interpretar la calidad de la red en cada nodo
de la red.

 La desviación estándar, la varianza, el coeficiente de variación y la desviación

absoluta media de los datos en cada nodo de la cuadrícula. Estas son medidas de
la variabilidad en el espacio de la cuadrícula y son información importante para el
análisis estadístico.
 La distancia al punto de datos más cercano. Un mapa de contorno de la distancia
al punto de datos más cercano cuantifica dónde se puede desear una mayor
densidad de muestreo.

8
Las métricas de datos utilizan el conjunto de datos local, incluidas las líneas de corte ,
para un nodo de cuadrícula específico para la métrica de datos seleccionada. El conjunto
de datos locales está definido por los parámetros de búsqueda. Estos parámetros de
búsqueda se aplican a cada nodo de la red para determinar el conjunto de datos local.

Local Polynomial
El método de cuadrícula del polinomio local asigna valores a los nodos de la cuadrícula
utilizando un ajuste de mínimos cuadrados ponderados con los datos dentro de la elipse
de búsqueda del nodo de la cuadrícula.

Poder
Establezca la potencia en un número entre 0 y 20. El parámetro de potencia se utiliza
para asignar la potencia de la función de mínimos cuadrados ponderados,
consulte Matemáticas polinomiales locales .
Esto permite que los datos más cercanos al nodo de la red tengan más impacto en el
valor del nodo de la red que los datos más alejados. Este parámetro es similar a
la distancia inversa a un método de red eléctrica .

9
 REFERENCIAS
Amorin, Richard & Broni-Bediako, Eric. (2010). Application of Minimum Curvature Method
to Wellpath Calculations. Research Journal of Applied Sciences, Engineering and
Technology. 2.
Barrera, P., Cortés, J. J., González, G. F., Zavaleta, J. (s.f). Un módulo de interpolación de
datos dispersos y su aplicación a la generación de mallas hexaedrales estructuradas.
UNAM
Franke, R. (1982), Scattered Data Interpolation: Test of Some Methods,Mathematics of
Computations, v. 33.
Introduction to Gridding Methods.(s.f).n/a. Descargado de
http://surferhelp.goldensoftware.com/gridmisc/gridding_methods.htm?tocpath=Gridding
%7CGridding%20Methods%7C_____1

10