روش اندازه‌گیری یا برداشت مکانی داده‌ها، پدیده‌های طبیعی را در محیط GIS شکل می‌دهند. زمانی که پدیده‌ها به صورت نقطه‌ای برداشت می‌شوند؛ روشهای خاصی برای شکل دادن یا لایه ساختن از آن‌ها به کار می‌رود که درونیابی نام دارد. در واقع به روشهای تخمین و برآورد متغیر های مجهول توسط نقاط معلوم، درونیابی یا Interpolation گفته می‌شود. داده‌هایی که به‌عنوان ورودی در Interpolation مورد استفاده قرار می‌گیرند از نوع داده‌های نقطه‌ای می‌باشند. در این روش‌ها با استفاده از نقاط معلوم، یک سطح رستری ساخته می‌شود.
داده‌های مکانی از نظر روشهای تحلیل در GIS دارای دو چهره هستند که درک آن‌ها اهمیت ویژه ای دارند. داده‌هایی که گسسته (Discrete) یا منفصل(Discontinuous) نامیده می‌شوند، عموماً داده‌های مطلق (Categorical)می‌باشند. به این معنا که مرز این داده‌ها در طبیعت به‌طور دقیق قابل تعریف است و در هر دو شکل رستر یا وکتور قابل ذخیره می‌باشند، مانند یک دریاچه، یک ساختمان، یک جاده و . . . اما داده‌های پیوسته (Continuous) در طبیعت از یکپارچگی برخوردارند و هر موقعیتی در سطح زمین اندازه ای از آن را دارا می‌باشد. برای مثال درجه حرارت یک نوع داده پیوسته می‌باشد که امکان اندازه‌گیری آن در هر نقطه‌ای امکان پذیر است. جهت شیب عوارض نوعی دیگر از داده‌های پیوسته است که با جهات شمال، جنوب و . . . قابل اندازه‌گیری است، پدیده‌های مایع مانند رواناب نیز از داده‌های پیوسته‌ای است که علاوه بر قابلیت اندازه‌گیری دارای جهت نیز می‌باشد.
داده‌های پیوسته به دلیل پیوستگی که دارند قابل اندازه‌گیری در تمام سطوح نیستند، لذا به‌طور نمونه ای برداشت می‌شوند. برآورد میزان متغیر پیوسته را در مناطق نمونه گیری نشده در داخل ناحیه‌ای که مشاهدات نقطه‌ای پراکنده شده‌اند، درونیابی می‌گویند. در واقع درونیابی، تغییرات فضایی متغیری پیوسته را نمایش می‌دهد. به عبارت دیگر درونیابی روش برآورد ارزش پدیده‌ها در مکانهای نمونه برداری نشده با استفاده از مقادیر معلوم در نقاط همسایه است. نقاط همسایه ممکن است به‌طور منظم یا نامنظم در آن ناحیه پراکنده شده باشند. بنابراین برای تبدیل داده‌ها از نقاط مشاهده شده در موضوعات پیوسته از درونیابی استفاده می‌شود. خروجی درونیابی می‌تواند به‌عنوان یک نقشه یا لایه در تحلیل GIS مورد استفاده قرار گیرد.
میزان صحت نتایج درونیابی به دقت مکانی، تعداد و توزیع نقاط معلوم و مدل مورد استفاده بستگی دارد. بهترین نتایج هنگامی بدست می‌آیند که رفتار تابع ریاضی با رفتار پدیده موردنظر مشابه باشد. به‌عنوان مثال تغییرات دمای هوا در یک منطقه هموار، ممکن است یکسان باشد، در نتیجه مدلی که می‌تواند بر اساس میانگین گیری درونیابی کند، مناسب است. اما در مورد یک زمین با تغییرات شدید ارتفاعی نیاز به مدلی است که تغییرات شدید دما را پیش بینی کند از طرف دیگر چون درونیابی برآورد ارزش توصیفی نقاط نامعلوم در یک منطقه بر پایه تعدادی نقاط معلوم می‌باشد لذا روش نمونه گیری براساس پدیده موردنظر انتخاب می‌شود. بیشتر داده‌های پیوسته در طبیعت جهت دار هستند و تمرکز آن‌ها یکسان نیست. برای مثال درونیابی عناصر آلوده کننده هوا در شهری را در نظر بگیرید که دارای مراکز آلوده کننده و همچنین دارای بادی است که در جهتی خاص آلودگی را پخش می‌کند، لذا توزیع نقاط معلوم به‌طور قطعی تابع پدیده موردنظر است.
برگرفته از کتاب: آموزش جامع و عملی ArcGIS مقدماتی و پیشرفته/ همراه با داده های تمرینی و نرم افزار
مولفان: سعید جوی زاده/ منیژه براهیمی / مسلم شمشیری/ علیرضا احمدیان
انتشارات آکادمیک-1398
تلفن تماس سفارش کتاب: 07132341477-09382252774
سایت انتشارات: https://www.academicpress.co/
سایت آموزشی: https://crsgroup.ir
درونیابی، Interpolation، روشهای درونیابی، روشهای درونیابی جبری یا قطعی، روشهای درونیابی زمین آماری، ابزارهای درونیابی در ArcGIS ، IDW ، Kriging ، Spline ، سیستم اطلاعات جغرافیایی، سیستم اطلاعات مکانی، موسسه چشم انداز هزاره سوم ملل،آموزش جی ای اس, آموزشگاه جی ای اس،موسسه آموزشی جی ای اس، آموزش GIS، آموزشگاه GIS، موسسه آموزشی GIS، دوره GIS، کلاس GIS، مدرس GIS، سعید جوی زاده، موسسه آموزشی GIS در شیراز، تدریس خصوصی GIS در شیراز،