Choisir l'interpolation IDW vs Kriging pour la création de DEM?

J'essaie de créer un DEM en utilisant des données ponctuelles espacées très régulièrement d'environ 10 m. La zone que j'interpole est un établissement éducatif avec de nombreux parkings plats et des terrains de football, mais il y a encore des collines assez escarpées qui atteindront souvent un parking. En raison de ces plateaux connus, j'ai exclu la méthode Splining; Cependant, je ne suis toujours pas sûr entre l'utilisation des méthodes IDW et Kriging. Je ne vois pas beaucoup de différence après avoir essayé les deux et je n'ai toujours pas pris ma décision après quelques recherches.

Quelqu'un a eu quelques mots de sagesse pour éclaircir cela pour moi?

Les deux formes s'appuient sur la première loi de Toblers de la géographie: les choses proches sont plus liées que les choses plus éloignées.

IDW est la plus simple des deux techniques. Il s'agit d'utiliser des valeurs z connues et des poids déterminés en fonction des distances entre les points inconnus et connus. Ainsi, dans l'IDW, les points éloignés ont beaucoup moins d'influence que les points proches. L'effet des poids de distance inverse peut souvent être déterminé par l'utilisateur en modifiant la puissance à laquelle la distance inverse est élevée.

Comme le montre ce diagramme, vous pouvez déterminer les limites des points de données (valeurs z) que IDW doit prendre en considération à l'aide d'un rayon de recherche .

IDW diffère de Kriging par le fait qu'aucun modèle statistique n'est utilisé. Il n'y a pas de détermination d'autocorrélation spatiale prise en compte (c'est-à-dire que les variables corrélées sont à des distances variables non déterminées). Dans IDW, seules les valeurs z connues et les poids de distance sont utilisés pour déterminer les zones inconnues.

IDW a l'avantage d'être facile à définir et donc facile à comprendre les résultats. Il peut être déconseillé d'utiliser Kriging si vous ne savez pas comment les résultats ont été obtenus. Le krigeage souffre également lorsqu'il y a des valeurs aberrantes (voir ici pour une explication.).

L'ESRI déclare :

Le krigeage est le plus approprié lorsque vous savez qu'il existe une distance spatialement corrélée ou un biais directionnel dans les données. Il est souvent utilisé en science des sols et en géologie.

Le krigeage est une méthode statistique qui utilise des variogrammes pour calculer l'autocorrélation spatiale entre des points à des distances graduées (une belle introduction peut être trouvée ici Statios Variogram Introduction et Washington Intro to Variograms ). Il utilise ce calcul d'autocorrélation spatiale pour déterminer les poids à appliquer à différentes distances. L'autocorrélation spatiale est déterminée en prenant des différences au carré entre les points. Pour clarifier Kriging est similaire à IDW en ce que:

Comme l'interpolation IDW, le krigeage forme des poids à partir des valeurs mesurées environnantes pour prédire les emplacements non mesurés. Comme pour l'interpolation IDW, les valeurs mesurées les plus proches des emplacements non mesurés ont le plus d'influence. ( Source )

Mais diffère en ce que les poids sont aidés déterminés par le semi variogramme.

«Où n est le nombre de paires de points d'échantillonnage des observations des valeurs de l'attribut z séparées de la distance h» (Burrough et McDonnell, 2004: 134).

Il existe différents types de créneaux différents de Krigeage .

Lectures complémentaires:

1. Comment fonctionne IDW .
2. Comment Kringing fonctionne :
3. Comment utiliser Kriging:
4. Types d'interpolation :