17.23. Mais interpolação

Nota

Este capítulo mostra outro caso onde algoritmos de interpolação são usados.

A interpolação é uma técnica comum e pode ser usada para demonstrar várias técnicas que podem ser aplicadas usando a estrutura de processamento do QGIS. Esta lição usa alguns algoritmos de interpolação que já foram introduzidos, mas tem uma abordagem diferente.

Os dados para esta lição contém também uma camada de pontos, neste caso com dados de elevação. Nós estamos indo para interpolar-se muito da mesma maneira como fizemos na lição anterior, mas desta vez, vamos salvar parte dos dados originais para usá-lo para avaliar a qualidade do processo de interpolação.

First, we have to rasterize the points layer and fill the resulting no–data cells, but using just a fraction of the points in the layer. We will save 10% of the points for a later check, so we need to have 90% of the points ready for the interpolation. To do so, we could use the Split shapes layer randomly algorithm, which we have already used in a previous lesson, but there is a better way to do that, without having to create any new intermediate layer. Instead of that, we can just select the points we want to use for the interpolation (the 90% fraction), and then run the algorithm. As we have already seen, the rasterizing algorithm will use only those selected points and ignore the rest. The selection can be done using the Random selection algorithm. Run it with the following parameters.

../../../_images/select.png

Isso selecionará 90% dos pontos na camada para rasterizar

../../../_images/selected.png

A seleção é aleatória, portanto, sua seleção pode ser diferente da seleção mostrada na imagem acima.

Now run the Rasterize algorithm to get the first raster layer, and then run the Close gaps algorithm to fill the no–data cells [Cell resolution: 100 m].

../../../_images/filled1.png

Para checar a qualidade da interpolação, nós agora podemos usar os pontos que não estão selecionados. Neste ponto, nós sabemos a elevação real (o valor na camada de pontos) e a elevação de interpolação (o valor na camada raster interpolada). Podemos comparar as duas, computando as diferenças entre os valores.

Como iremos usar os pontos que não estão selecionados, vamos inverter a seleção.

../../../_images/inverted.png

Os pontos contêm os valores originais, mas não os interpolados. Para adicioná-los em um novo campo, podemos usar o algoritmo Adicionar valores raster aos pontos

../../../_images/addgridvalues.png

The raster layer to select (the algorithm supports multiple raster, but we just need one) is the resulting one from the interpolation. We have renamed it to interpolate and that layer name is the one that will be used for the name of the field to add.

Agora temos uma camada vetorial que contém ambos valores, com pontos que não foram usados para a interpolação.

../../../_images/extended_layer.png

Agora, usaremos a calculadora de campo para esta tarefa. Abra o algoritmo Calculadora de campo e execute-a com os seguintes parâmetros.

../../../_images/fields_calculator.png

If your field with the values from the raster layer has a different name, you should modify the above formula accordingly. Running this algorithm, you will get a new layer with just the points that we haven’t used for the interpolation, each of them containing the difference between the two elevation values.

Representar essa camada de acordo com esse valor nos dará uma primeira idéia de onde as maiores discrepâncias são encontradas.

../../../_images/diffs.png

Interpolando essa camada, você obterá uma camada raster com o erro estimado em todos os pontos da área interpolada.

../../../_images/raster_diffs.png

You can also get the same information (difference between original point values and interpolated ones) directly with GRASS ► v.sample.

Seus resultados podem ser diferentes desses, pois há um componente aleatório introduzido ao executar a seleção aleatória, no início desta lição.