درون‌یابی بردار به شطرنجی

درون‌یابی از بردار به شطرنجی در Earth Engine یک Image از FeatureCollection ایجاد می‌کند. به‌طور خاص، Earth Engine از داده‌های عددی ذخیره‌شده در ویژگی‌های عوارض برای درون‌یابی مقادیر در مکان‌های جدید خارج از عوارض استفاده می‌کند. درون‌یابی منجر به Image پیوسته‌ای از مقادیر درون‌یابی‌شده تا فاصله مشخص‌شده می‌شود.

درونیابی وزنی فاصله معکوس

تابع وزن‌دهی معکوس فاصله (IDW) در Earth Engine براساس روشی است که توسط Basso و همکاران (۱۹۹۹) شرح داده شده است. پارامتر کنترل اضافی به‌شکل عامل زوال (gamma) در فاصله معکوس اضافه می‌شود. پارامترهای دیگر شامل میانگین و انحراف معیار ویژگی برای درون‌یابی و حداکثر فاصله محدوده برای درون‌یابی است. مثال زیر سطح درون‌یابی‌شده‌ای از غلظت متان ایجاد می‌کند تا شکاف‌های مکانی در مجموعه داده‌های شطرنجی اصلی پر شود. FeatureCollection با نمونه‌برداری از ترکیب متان دوهفته‌ای تولید می‌شود.

// Import two weeks of S5P methane and composite by mean.
var ch4 = ee.ImageCollection('COPERNICUS/S5P/OFFL/L3_CH4')
  .select('CH4_column_volume_mixing_ratio_dry_air')
  .filterDate('2019-08-01', '2019-08-15')
  .mean()
  .rename('ch4');

// Define an area to perform interpolation over.
var aoi =
  ee.Geometry.Polygon(
    [[[-95.68487605978851, 43.09844605027055],
       [-95.68487605978851, 37.39358590079781],
       [-87.96148738791351, 37.39358590079781],
       [-87.96148738791351, 43.09844605027055]]], null, false);

// Sample the methane composite to generate a FeatureCollection.
var samples = ch4.addBands(ee.Image.pixelLonLat())
  .sample({region: aoi, numPixels: 1500,
    scale:1000, projection: 'EPSG:4326'})
  .map(function(sample) {
    var lat = sample.get('latitude');
    var lon = sample.get('longitude');
    var ch4 = sample.get('ch4');
    return ee.Feature(ee.Geometry.Point([lon, lat]), {ch4: ch4});
  });

// Combine mean and standard deviation reducers for efficiency.
var combinedReducer = ee.Reducer.mean().combine({
  reducer2: ee.Reducer.stdDev(),
  sharedInputs: true});

// Estimate global mean and standard deviation from the points.
var stats = samples.reduceColumns({
  reducer: combinedReducer,
  selectors: ['ch4']});

// Do the interpolation, valid to 70 kilometers.
var interpolated = samples.inverseDistance({
  range: 7e4,
  propertyName: 'ch4',
  mean: stats.get('mean'),
  stdDev: stats.get('stdDev'),
  gamma: 0.3});

// Define visualization arguments.
var band_viz = {
  min: 1800,
  max: 1900,
  palette: ['0D0887', '5B02A3', '9A179B', 'CB4678',
            'EB7852', 'FBB32F', 'F0F921']};

// Display to map.
Map.centerObject(aoi, 7);
Map.addLayer(ch4, band_viz, 'CH4');
Map.addLayer(interpolated, band_viz, 'CH4 Interpolated');

توجه داشته باشید که همان‌طور که پارامتر range مشخص کرده است، درون‌یابی فقط تا ۷۰ کیلومتری نزدیک‌ترین ایستگاه اندازه‌گیری وجود دارد.

کریجینگ

کریجینگ یک روش درون‌یابی است که از تخمین مدل‌شده نیمه واریانس برای ایجاد تصویری از مقادیر درون‌یابی‌شده استفاده می‌کند که ترکیبی بهینه از مقادیر در مکان‌های شناخته‌شده است. برآوردگر کریجینگ به پارامترهایی نیاز دارد که شکل نیمه واریوگرام مناسب برای نقاط داده شناخته‌شده را توصیف کند. این پارامترها در شکل ۱ نشان داده شده‌اند.

واریوگرام
شکل ۱. پارامترهای nugget، sill، و range در یک تابع واریوگرام ایده‌آل نشان داده شده‌اند.

مثال زیر از تصویر دمای سطح دریا (SST) در مکان‌های تصادفی نمونه‌برداری می‌کند، سپس SST را از نمونه بااستفاده از کریجینگ درون‌یابی می‌کند:

// Load an image of sea surface temperature (SST).
var sst = ee.Image('NOAA/CDR/SST_PATHFINDER/V53/20120802023356')
  .select('sea_surface_temperature')
  .rename('sst')
  .divide(100);

// Define a geometry in which to sample points
var geometry = ee.Geometry.Rectangle([-65.60, 31.75, -52.18, 43.12]);

// Sample the SST image at 1000 random locations.
var samples = sst.addBands(ee.Image.pixelLonLat())
  .sample({region: geometry, numPixels: 1000})
  .map(function(sample) {
    var lat = sample.get('latitude');
    var lon = sample.get('longitude');
    var sst = sample.get('sst');
    return ee.Feature(ee.Geometry.Point([lon, lat]), {sst: sst});
  });

// Interpolate SST from the sampled points.
var interpolated = samples.kriging({
  propertyName: 'sst',
  shape: 'exponential',
  range: 100 * 1000,
  sill: 1.0,
  nugget: 0.1,
  maxDistance: 100 * 1000,
  reducer: 'mean',
});

var colors = ['00007F', '0000FF', '0074FF',
              '0DFFEA', '8CFF41', 'FFDD00',
              'FF3700', 'C30000', '790000'];
var vis = {min:-3, max:40, palette: colors};

Map.setCenter(-60.029, 36.457, 5);
Map.addLayer(interpolated, vis, 'Interpolated');
Map.addLayer(sst, vis, 'Raw SST');
Map.addLayer(samples, {}, 'Samples', false);

اندازه همسایگی که درون‌یابی در آن انجام می‌شود با پارامتر maxDistance مشخص می‌شود. اندازه‌های بزرگ‌تر منجر به خروجی هموارتر اما محاسبات کندتر می‌شود.