Eine verbesserte duale IDW-Methode für qualitativ hochwertige geospatial Interpolation

Viele geowissenschaftliche Probleme beinhalten die Vorhersage von Attributen von Interesse an nicht beprobten Standorten. Die inverse Distanzgewichtung (IDW) ist eine Standardlösung für solche Probleme. Allerdings ist IDW generell nicht in der Lage, günstige Ergebnisse bei gruppierten Daten zu erzeugen, die häufig im geospatialen Datenprozess verwendet werden. Um dieses Problem zu adressieren, präsentiert dieses Papier einen neuartigen Interpolationsansatz (DIDW), der die Daten-zu-Daten-Korrelation mit dem konventionellen IDW integriert und innerhalb des geostatistischen Rahmens unter Berücksichtigung lokal variierender Exponenten reformuliert. Traditionelles IDW, DIDW und gewöhnliches Kriging werden verwendet, um die Interpolationsleistung der vorgeschlagenen Methode zu bewerten. Diese Bewertung basiert auf einer Fallstudie unter Verwendung des öffentlichen Walker Lake-Datensatzes, und die zugehörigen Interpolationen werden in verschiedenen Kontexten durchgeführt, wie z.B. unterschiedlichen Stichprobengrößen und Variogrammparametern. Die Ergebnisse zeigen, dass DIDW mit lokal variierenden Exponenten stabil genauere und zuverlässigere Schätzungen liefert als das konventionelle IDW und DIDW. Außerdem liefert es robustere Schätzungen als gewöhnliches Kriging angesichts variierender Variogrammparameter. Somit kann die vorgeschlagene Methode als bevorzugte räumliche Interpolationsmethode für die meisten Anwendungen hinsichtlich ihrer Stabilität und Genauigkeit angewendet werden.