¿Elegir IDW vs Kriging Interpolation para la creación de DEM?

Estoy tratando de crear un DEM utilizando datos de puntos espaciados muy regularmente a unos 10 m de distancia. El área que estoy interpolando es una instalación educativa con muchos estacionamientos planos y campos de fútbol, ​​pero todavía tiene algunas colinas bastante empinadas que a menudo se estancan en un estacionamiento. Debido a estas mesetas conocidas, he descartado el método Splining; Sin embargo, todavía no estoy seguro entre usar los métodos IDW y Kriging. No puedo ver mucha diferencia después de probar los dos y aún no he tomado mi decisión después de un poco de investigación.

¿Alguien tiene algunas palabras de sabiduría para aclarar esto por mí?

Ambas formas se basan en la primera ley de geografía de Toblers: las cosas cercanas están más relacionadas que las que están más separadas.

IDW es la más simple de las dos técnicas. Implica el uso de valores z conocidos y pesos determinados en función de las distancias entre los puntos desconocidos y conocidos. Como tal, en los puntos de IDW que están lejos tienen mucha menos influencia que los puntos que están cerca. El efecto de los pesos de distancia inversa a menudo puede ser determinado por el usuario cambiando la potencia a la que se eleva la distancia inversa.

Como se ve en este diagrama, puede determinar los límites de qué puntos de datos (valores z) IDW debe tener en cuenta al usar un radio de búsqueda .

IDW difiere de Kriging en que no se utilizan modelos estadísticos. No se tiene en cuenta la determinación de la autocorrelación espacial (es decir, cómo no se determinan las variables correlacionadas a distancias variables). En IDW, solo se usan los valores z conocidos y los pesos de distancia para determinar áreas desconocidas.

IDW tiene la ventaja de que es fácil de definir y, por lo tanto, fácil de entender los resultados. Puede ser desaconsejable usar Kriging si no está seguro de cómo se obtuvieron los resultados. Kriging también sufre cuando hay valores atípicos (ver aquí para una explicación).

Estados ESRI :

Kriging es más apropiado cuando sabes que hay una distancia espacialmente correlacionada o un sesgo direccional en los datos. A menudo se usa en ciencias del suelo y geología.

Kriging es un método estadístico que hace uso de variogramas para calcular la autocorrelación espacial entre puntos a distancias graduadas (se puede encontrar una buena introducción aquí Introducción al Variograma de Statios e Introducción a los Variogramas de Washington ). Utiliza este cálculo de autocorrelación espacial para determinar los pesos que deben aplicarse a varias distancias. La autocorrelación espacial se determina tomando diferencias cuadradas entre puntos. Para aclarar, Kriging es similar a IDW en eso:

Al igual que la interpolación IDW, kriging forma pesos de los valores medidos circundantes para predecir ubicaciones no medidas. Al igual que con la interpolación IDW, los valores medidos más cercanos a las ubicaciones no medidas tienen la mayor influencia. ( Fuente )

Pero difiere en que los pesos son determinados por el semi variograma.

"Donde n es el número de pares de puntos de muestra de observaciones de los valores del atributo z separados contra la distancia h" (Burrough y McDonnell, 2004: 134).

Hay varios tipos de nicho diferentes de Kriging .

Otras lecturas:

1. Cómo funciona IDW .
2. Cómo funciona Kringing :
3. Cómo usar Kriging:
4. Tipos de interpolación :