جزوات مطالب تخصصی

آشنایی با بحث درونیابی در علوم محیطی – مقاله‌ای کاربردی در ارتباط با مفهوم درونیابی و کاربرد آن در GIS

امیرحسین سربازوطن
نوشته شده توسط امیرحسین سربازوطن

مقاله آشنایی با مبحث درونیابی Interpolation در  GIS منتشر گردید! در این مقاله به موضوع درونیابی و بررسی انواع مدل‌ها و الگوریتم‌های پر کاربرد آن خواهیم پرداخت. GIS همواره قابلیت‌های فراوان و جالبی برای تحلیل و آنالیز داده‌های مکانی در اختیار کاربران خود قرار داده است.

امروزه برای انجام کارها و پروژه‌های GIS به داده‌ها و نقشه‌های مختلفی احتیاج داریم. داده‌های مکانی در دسترس بویژه داده‌های محیطی مثل دما، تابش، تبخیر، بارش، آلودگی و … که از جمله داده‌های مکانی پرکاربرد در علوم محیطی هستند، بصورت نمونه برداری شده و نقاط پراکنده در وجود دارند؛ درحالیکه برای انجام کارهای مختلف اغلب ما به نقشه‌ها احتیاج داریم نه داده‌های نمونه برداری شده. ابزار لازم برای تبدیل داده‌های نمونه برداری شده به نقشه‌های رستری مورد نیاز، یک مدلسازی آماری تحت عنوان درونیابی یا Interpolation است.

درونیابی، برآورد نقاط و محل‌های مجهول از طریق نقاط معلوم تعریف می‌شود که از این طریق نقشه رستری خروجی ایجاد می‌گردد. درونیابی مدل‌ها و الگوریتم‌های بسیاری دارد که متناسب با رفتار پدیده مورد نظر می‌توان بهترین روش را انتخاب نمود. به کمک این مقاله می‌توانید با بحث درونیابی و انواع روش‌ها و مدل‌های پرکاربرد آن آشنا شوید.


مقدمه

برای درک مفهوم درونیابی ابتدا باید بررسی کنیم که درونیابی چیست؟

و چه دلایلی باعث می‌شود که از درونیابی استفاده کنیم؟

برای درک بهتر ابتدا باید به ماهیت داده‌های مکانی بپردازیم. داده‌های مکانی به لحاظ ماهیت دو نوع پیوسته و گسسته هستند. داده‌های مکانی گسسته دارای مرز دقیق هستند مانند عوارض مختلف شهری. داده‌های مکانی پیوسته دارای پیوستگی و تدریج هستند مانند پارامترهای محیطی همچون دما، ارتفاع، تابش، بارش، عمق آب و… . داده‌های مکانی پیوسته قابلیت اندازه گیری در تمام سطح را ندارند، بنابراین به صورت نمونه برداری شده و نقطه‌ای اندازه گیری می‌شوند.

سازمان‌ها و موسسات مختلف این گونه داده‌ها و اطلاعات را بصورت مقادیر ایستگاهی و نمونه برداری شده ارائه می‌کنند اما برای انجام کارهای GIS نیازمندیم که نقشه داشته باشیم و مقادیر برای تمام سطح معلوم و مشخص باشند؛ برای این کار به درونیابی احتیاج داریم. درونیابی برآورد میزان متغیر پیوسته در مناطق نمونه برداری نشده در داخل ناحیه‌ای که مشاهدات نقطه‌ای پراکنده شده‌اند تعریف می‌شود. همچنین درونیابی در حقیقت روش تخمین مقادیر نواحی مجهول از نقاط معلوم است.


درونیابی بر چه مفهومی استوار است؟

مفهوم درونیابی بر یک قانون ساده و روشن بنام قانون توبلر Tobler Law استوار است.  قانون توبلر بیان می‌کند که “احتمال شباهت نقاط نزدیک بهم بیشتر از شباهت نقاط دور از هم است” یعنی نقاط نزدیک بهم روی یکدیگر تاثیرگذارتر هستند نسبت به نقاط دور از هم. همین یک جمله و قانون پایه و اساس درونیابی شد و مدل‌های مختلف درونیابی بر این اساس طراحی شدند.

اکنون مدل‌ها و الگوریتم‌های مختلفی برای درونیابی ایجاد شده‌اند که همگی به همین قانون ساده وابسته هستند و بر اساس روابط ریاضی و آماری توسعه داده شده‌اند.


فرایند درونیابی

درونیابی اغلب در نرم افزارهایی همچون ArcGIS  و +GS صورت می‌گیرد که ابزارهای متنوعی برای عملیات درونیابی دارند. ابزارهای مختص درونیابی اغلب ورودی نقطه‌ای می‌گیرند و خروجی آن‌ها رستری خواهد بود که تمام سطح را دارای مقادیر خواهد نمود. برای تبدیل از حالت نقطه‌ای به سطح رستری از تحلیل‌های ریاضی و آماری استفاده می‌کنند و براساس وجود یک رابطه خطی بین نقاط و نواحی به درونیابی سطح می‌پردازند.

وجود یک رابطه خطی یا رگرسیون خطی بین نواحی، ریشه در همان قانون ساده توبلر دارد و به عبارتی زبان ریاضی و آماری همان قانون است که به وسیله آن اقدام به مقداردهی نقاط و نواحی مجهول نقشه می‌نماید.


چگونه یک درونیابی معتبر و دقیق داشته باشیم؟

درونیابی درواقع یک مدلسازی است که بصورت تخمینی به بازسازی واقیعت می‌پردازد. انجام یک درونیابی دقیق و معتبر به این معنی است که مدلسازی هر چه بیشتر به واقیعت نزدیکتر باشد و گپ موجود میان واقیعت و مدل ساخته شده کمتر باشد.

حال باید برای داشتن یک درونیابی دقیق و معتبر، یکسری نکات را مد نظر قرار داد و رعایت نمود. میزان دقت و صحت درونیابی به عوامل مختلفی از جمله دقت مکانی، تعداد، توزیع نقاط معلوم و مدل مورد استفاده بستگی دارد. بهترین و معتبرترین نتایج هنگامی بدست می‌آید که رفتار تابع ریاضی مدل با رفتار پدیده مورد نظر مشابه باشد.


روش‌های پرکاربرد درونیابی

۱.  IDW

روش درونیابی Inverse Distance Weighted یا همان IDW از روش‌های پرکاربرد و مهم درونیابی محسوب می‌شود. این مدل بر این فرض استوار است که تاثیر پدیده مورد نظر با افزایش فاصله کاهش می‌یابد و نقاط نزدیکتر به نقاط معلوم مشارکت بیشتری نسبت به نقاط دورتر دارند.

در این مدل از فاصله به عنوان متغیر معلوم در پیشبینی نقاط اندازه گیری نشده استفاده می‌شود و محاسبه نقطه مجهول از طریق میانگین گیری مقادیر نقاط معلوم بدست می‌آید.

هر چه  فاصله نقطه معلوم با نقطه مجهول بیشتر باشد، ارزش وزنی آن بیشتر است و بلعکس. از روش IDW برای مناطق با پستی بلند زیاد استفاده می‌شود و چون از نقاط معلوم در یک محدوده مشخص استفاده می‌کند، یک روش محلی Local محسوب می‌شود.


۲. Spline

در گذشته کارتوگراف‌ها برای واسطه‌یابی بین نقاط از خط‌کش‌هایی بنام Spline استفاده می‌کردند. این روش به دلیل شباهت با آن عملیات نام خود را از آن خط‌کش‌ها وام گرفته است.

روش Spline  بهترین روش برای سطوحی می‌باشدکه تغییرات آن تدریجی است مثل ارتفاع مناطق هموار، عمق آب و آلودگی. اگر تغییرات زیادی در فاصله افقی کم داشته باشیم، Spline روش مناسبی برای درونیابی نیست و سبب غیر واقعی شدن و اغراق در مقادیر خروجی خواهد شد. همچنین برای درونیابی و تهیه نقشه‌های تابش و دما عموما Spline بهترین روش محسوب می‌گردد.


۳. Kriging

روش Kriging از مهمترین و پرکاربرد ترین روش‌های درونیابی است که سطح رستری تولید شده از آن بسیار دقیق و معتبر خواهد بود. دراین روش فرض بر این است که فاصله و جهت بین نقاط نمونه به روی همبستگی مکانی تاثیر می‌گذارد.

روش Kriging بر خلاف روش IDW یک روش جهانی است چون از تمام نقاط معلوم در برآورد هر نقطه استفاده می‌کند. از این روش اغلب در علوم نفت و زمین شناسی استفاده می‌شود و معمولا در نواحی کوهستانی بیشتر مورد کاربرد قرار می‌گیرد.


دانلود فایل PDF

به منظور دانلود رایگان نسخه PDF این مقاله بر روی گزینه زیر کلیک کنید. برای دانلود فایل PDF مقالات حتما باید در سایت girs عضو باشید. 


لینک های مفید


   

دیدگاهتان را بنویسید