Cuando pasa de un tamaño de celda de 5 metros a un tamaño de celda de 10 metros, el tamaño de celda de la cuadrícula ráster de salida será diferente. Al convertir datos ráster entre diferentes sistemas de coordenadas, los centros de las celdas no coinciden.
En ambas situaciones, se debe adoptar un enfoque de remuestreo para especificar cómo tomará forma la cuadrícula de salida. Pero no siempre es una elección fácil qué método de remuestreo usar porque hay más de una forma de recalcular los valores de las celdas.
Bueno, resalte qué técnica de remuestreo es apropiada para usar en escenarios dados. Bueno, también toquemos cómo usamos estos métodos de remuestreo en un entorno GIS. Hay cuatro formas comunes de volver a muestrear cuadrículas ráster en GIS.
- Vecino más cercano
- bilineal
- Convolución cúbica
- Mayoría
1. Remuestreo del vecino más cercano
La técnica del vecino más cercano no cambia ninguno de los valores del conjunto de datos ráster de entrada. Toma el centro de celda del conjunto de datos ráster de entrada para determinar el centro de celda más cercano del ráster de salida. Para la velocidad de procesamiento, generalmente es el más rápido debido a su simplicidad.
Debido a que el remuestreo del vecino más cercano no altera ningún valor en el conjunto de datos ráster de salida, es ideal para datos categóricos, nominales y ordinales.
Cuando remuestrea este tipo de datos, debe usar el remuestreo del vecino más cercano. Por ejemplo, si tiene una cuadrícula ráster de clasificación de cobertura terrestre, el vecino más cercano tomará el valor del centro de la celda.
Si agricultura tiene un valor discreto de 7, el método del vecino más cercano nunca le asignará un valor de 7,2. Simplemente implica tomar el valor de salida del centro de celda de la capa de entrada más cercano.
2. Interpolación bilineal
La interpolación bilineal es una técnica para calcular los valores de una ubicación de cuadrícula en función de cuatro celdas de cuadrícula cercanas. Asigna el valor de la celda de salida tomando el promedio ponderado de las cuatro celdas vecinas en una imagen para generar nuevos valores.
Suaviza la cuadrícula ráster de salida, pero no tanto como la convolución cúbica. Es útil cuando se trabaja con conjuntos de datos continuos que no tienen límites definidos.
Por ejemplo, los rásteres de distancia de ruido no tienen límites discretos. En este caso, este tipo de datos varía continuamente de celda a celda para formar una superficie.
LEER MÁS: Interpolación bilineal: volver a muestrear el tamaño de celda de imagen con 4 vecinos más cercanos
3. Interpolación de convolución cúbica
La interpolación de convolución cúbica es similar a la interpolación bilineal en que toma el promedio de las celdas circundantes. En lugar de utilizar las cuatro celdas más cercanas, el valor de salida se basa en el promedio de las 16 celdas más cercanas. Como resultado, el tiempo de procesamiento tiende a aumentar para este método.
Este método se usa generalmente para superficies continuas donde existe mucho ruido. Debido a que toma más celdas vecinas en comparación con el remuestreo bilineal, es bueno para suavizar los datos de la cuadrícula ráster de entrada.
Generalmente, usamos la convolución cúbica mucho menos que la interpolación bilineal. En particular, es bueno para la reducción de ruido. Por ejemplo, una imagen de radar de apertura sintética podría beneficiarse de la técnica de interpolación de convolución cúbica porque reduce el ruido que se ve comúnmente en el radar.
4. Remuestreo Mayoritario
Mientras que el remuestreo del vecino más cercano toma el centro de la celda de los datos ráster de entrada, el algoritmo mayoritario usa los valores más comunes dentro de la ventana de filtro.
Al igual que el algoritmo del vecino más cercano, esta técnica se usa comúnmente para datos discretos como la clasificación de la cobertura terrestre y otros tipos de cuadrículas ráster con límites definidos.
Por ejemplo, si la ventana de filtro encuentra 3 celdas de cobertura de suelo agrícola y 2 celdas de carretera, el conjunto de datos de salida se clasificará como agricultura. Esto se debe a que la clase de cobertura del suelo agrícola es la celda más popular dentro de la ventana de filtro. Cuando se compara con el remuestreo del vecino más cercano, el conjunto de datos resultante a menudo será más uniforme.
Remuestreo de ráster: la conclusión principal
El procesamiento de imágenes se ha vuelto más importante para crear imágenes en diferentes resoluciones y conversiones de sistemas de coordenadas. Es por eso que utilizamos técnicas de remuestreo de imágenes como el vecino más cercano, la interpolación bilineal, la convolución cúbica y la interpolación mayoritaria.
En GIS, el remuestreo del vecino más cercano no cambia ninguno de los valores de las celdas de salida del dataset ráster de entrada. Esto hace que el vecino más cercano sea adecuado para datos discretos como mapas de clasificación de cobertura terrestre. Mientras que el remuestreo del vecino más cercano tomó el centro de la celda del conjunto de datos ráster de entrada, el remuestreo mayoritario se basa en los valores más comunes que se encuentran dentro de la ventana de filtro.
La técnica de interpolación bilineal funciona mejor para datos continuos. Esto se debe a que las celdas de salida se calculan en función de la posición relativa de los cuatro valores más cercanos de la cuadrícula de entrada.
Cuando tiene aún más ruido en la cuadrícula ráster de entrada, es cuando la convolución cúbica puede ser más ventajosa. Suaviza la cuadrícula de salida porque toma las 16 celdas más cercanas del conjunto de datos de entrada.
Preguntas frecuentes
¿Cuándo debe usar el remuestreo del vecino más cercano?
A menudo, utiliza el vecino más cercano para datos discretos como la clasificación de la cobertura terrestre, los edificios y los tipos de suelo que tienen límites distintos y los límites son discretos.
¿Cuándo debería usar el remuestreo bilineal?
Los rásteres de gradientes de temperatura, los modelos de elevación digital y las cuadrículas de precipitación anual son ejemplos de cuándo usar la interpolación bilineal.
¿Cuándo debería usar el remuestreo mayoritario?
A menudo usamos un filtro mayoritario para la cobertura terrestre, por lo que la clase más popular permanece en el ráster de salida.
¿Cuándo debería usar la interpolación de convolución cúbica?
La convolución cúbica es ideal para rásteres ruidosos, como suavizar una imagen de radar o un modelo de superficie.
¿Qué son los datos continuos en SIG?
¿Qué son los datos SIG continuos? Los datos continuos no tienen límites claramente definidos. Cada punto en un mapa hecho con datos GIS continuos contendrá un valor. La elevación, la pendiente, la temperatura y la precipitación son ejemplos de conjuntos de datos que son continuos.
¿Qué son los datos continuos y discretos en SIG?
Los datos discretos solo pueden registrarse o informarse como ciertos valores, mientras que los datos continuos pueden ser cualquier valor dentro de un cierto rango. Otra forma de decir esto es que los datos discretos se cuentan mientras que los datos continuos se miden. Algunas características geográficas se encuentran entre los extremos de puramente discretas y puramente continuas.
¿Qué son los datos continuos, da un ejemplo?
Los datos continuos son datos que pueden tomar cualquier valor. La altura, el peso, la temperatura y la longitud son ejemplos de datos continuos. Algunos datos continuos cambiarán con el tiempo; el peso de un bebé en su primer año o la temperatura en una habitación a lo largo del día.
¿Qué es un conjunto de datos continuo?
Un conjunto de datos continuos es un conjunto de datos cuantitativos que representan una escala de medida que puede constar de números que no sean números enteros, como decimales y fracciones. Los conjuntos de datos continuos consistirían en valores como altura, peso, longitud, temperatura y otras medidas similares.