Remuestreo de ráster para datos continuos y discretos

GIS resampling techniques

When you go from a cell size of 5 meters to a cell size of 10 meters, the cell size will be different in the output raster grid. When converting raster data between different coordinate systems, the cell centers do not match.

In both situations, a resampling approach must be taken to specify how the output grid will take shape. But it is not always an easy choice which method to resaminate use because there is more than one way to recalculate cell values.

We will highlight which resampling technique is appropriate for use in given scenarios. We will also see how we use these resampling methods in a GIS environment. There are four common ways to resaminate raster grids in GIS.

one . Sampling of the closest neighbor

The closest neighbor technique does not change any of the values in the input raster data set. Take the center of the cell of the input raster data set to determine the closest cell center of the output raster. As for processing speed, it is generally the fastest due to its simplicity.

Because the closest neighbor’s resampling does not alter any value in the output raster data set, it is ideal for categorical, nominal, and ordinal data.

When resampling this type of data, you should use the closest neighbor’s resampling. For example, if you have a land cover ranking raster grid, the closest neighbor will take the value from the center of the cell.

If agriculture has a discrete value of 7, the closest neighbor’s method will never assign a value of 7.2. It simply involves taking the output value from the cell center of the closest input layer.

2 . Bilinear interpolation

La interpolación bilineal es una técnica para calcular los valores de una ubicación de cuadrícula basada en 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 distintos.

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.

3 . Interpolación de convolución cúbica

La interpolación de convolución cúbica es similar a la interpolación bilineal en que toma el promedio de las células circundantes. En lugar de utilizar las cuatro celdas más cercanas, el valor de salida se basa en promediar las 16 celdas más cercanas . Como resultado, el tiempo de procesamiento tiende a aumentar con este método.

Este método se utiliza generalmente para superficies continuas donde existe mucho ruido. Debido a que se necesitan 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 del filtro.

Similar al algoritmo de 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 distintos.

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 del filtro. Cuando se compara con el remuestreo del vecino más cercano, el conjunto de datos resultante suele ser más fluido.

Remuestreo de ráster: la conclusión principal

El procesamiento de imágenes se ha vuelto más importante para crear imágenes con 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 SIG, 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 del 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.

Fuente: traducido de https://gisgeography.com/raster-resampling/