نویسنده: دکتر سعید جوی زاده | مشاوره و آموزش تخصصی GIS: ۰۹۱۲۰۴۳۸۸۷۴
آموزش درون یابی در GIS برای هر کسی که با داده‌های نقطه‌ای مانند بارش، دما، سطح آب زیرزمینی، آلودگی هوا، شوری خاک یا عیار معدنی کار می‌کند ضروری است. اندازه‌گیری این متغیرها فقط در تعداد محدودی ایستگاه یا نقطه نمونه‌برداری انجام می‌شود، در حالی که برای تحلیل و تصمیم‌گیری به نقشه‌ای پیوسته از کل منطقه نیاز داریم. درون‌یابی مجموعه روش‌هایی است که مقدار متغیر را در نقاط بدون اندازه‌گیری برآورد می‌کند. پرسش همیشگی دانشجویان و کارشناسان این است: از کدام روش استفاده کنم؟ در این مقاله منطق روش‌های اصلی، معیار انتخاب، مراحل اجرا و شیوه اعتبارسنجی را توضیح می‌دهیم. برای مشاوره درباره داده‌های خود با شماره ۰۹۱۲۰۴۳۸۸۷۴ تماس بگیرید.
درون‌یابی بر چه اصلی استوار است؟
پایه همه روش‌های درون‌یابی قانون اول جغرافیا است که می‌گوید همه چیز به هم مربوط است، اما چیزهای نزدیک‌تر بیشتر از چیزهای دور به هم شباهت دارند. به این ویژگی خودهمبستگی مکانی گفته می‌شود. اگر متغیر شما این ویژگی را نداشته باشد، یعنی مقدار آن در دو نقطه نزدیک هیچ شباهتی به هم نداشته باشد، درون‌یابی معنایی ندارد و نقشه حاصل گمراه‌کننده خواهد بود.
روش‌ها به دو خانواده تقسیم می‌شوند. روش‌های قطعی مانند IDW و اسپلاین، سطح را فقط بر اساس فاصله و مقدار نقاط اطراف با یک فرمول ثابت می‌سازند. روش‌های زمین‌آماری مانند کریجینگ، ابتدا ساختار همبستگی مکانی داده را مدل می‌کنند و سپس بر پایه آن برآورد انجام می‌دهند و افزون بر مقدار، میزان عدم قطعیت برآورد را نیز به دست می‌دهند.
روش IDW: ساده و سریع
در روش وزن‌دهی معکوس فاصله، مقدار هر نقطه مجهول میانگین وزنی نقاط معلوم اطراف آن است و وزن هر نقطه با افزایش فاصله کاهش می‌یابد. مهم‌ترین تنظیم این روش «توان» است. توان بالاتر تأثیر نقاط نزدیک را بیشتر می‌کند و سطحی با جزئیات محلی بیشتر می‌سازد؛ توان پایین‌تر سطح را هموارتر می‌کند. مقدار پیش‌فرض معمولاً دو است. تنظیم دیگر، شعاع جست‌وجو یا تعداد نقاط همسایه‌ای است که در محاسبه شرکت می‌کنند.
مزیت IDW سادگی، سرعت و قابل فهم بودن آن است. محدودیت‌های آن نیز باید شناخته شود: مقدار برآوردشده هرگز از بیشترین مقدار اندازه‌گیری‌شده بیشتر و از کمترین کمتر نمی‌شود، پس قله‌ها و گودی‌های واقعی میان ایستگاه‌ها را نشان نمی‌دهد. همچنین اطراف هر نقطه نمونه الگوهای دایره‌ای شکل، معروف به اثر چشم گاوی، پدید می‌آید و اگر نقاط به‌صورت خوشه‌ای توزیع شده باشند، نتیجه به سمت مقادیر آن خوشه‌ها کشیده می‌شود.
روش کریجینگ: برآورد همراه با خطا
کریجینگ نیز میانگین وزنی نقاط اطراف را محاسبه می‌کند، اما وزن‌ها را از روی ساختار مکانی خود داده به دست می‌آورد. ابزار اصلی این کار نیم‌تغییرنما یا واریوگرام است؛ نموداری که نشان می‌دهد با افزایش فاصله میان دو نقطه، تفاوت مقدار آن‌ها چگونه افزایش می‌یابد. سه مؤلفه این نمودار را باید بشناسید. دامنه تأثیر فاصله‌ای است که پس از آن نقاط دیگر به هم وابسته نیستند. سقف مقدار واریانس در آن فاصله است. اثر قطعه‌ای تغییرات در فاصله‌های بسیار کوتاه و خطای اندازه‌گیری را نشان می‌دهد.
پس از محاسبه واریوگرام تجربی، یک مدل نظری مانند کروی، نمایی یا گوسی بر آن برازش داده می‌شود. کریجینگ معمولی رایج‌ترین نوع است و میانگین را ثابت اما نامعلوم فرض می‌کند. کریجینگ عام برای داده‌هایی است که روند کلی دارند، مانند دمایی که از شمال به جنوب به‌طور منظم افزایش می‌یابد. کوکریجینگ از یک متغیر کمکی همبسته، مانند ارتفاع برای برآورد بارش، بهره می‌گیرد. مزیت بزرگ کریجینگ تولید نقشه خطای برآورد است که نشان می‌دهد در کدام بخش‌ها می‌توان به نقشه اعتماد کرد و کجا به نمونه‌برداری بیشتر نیاز است.
روش‌های دیگر: اسپلاین، همسایه طبیعی و روند
اسپلاین سطحی نرم و منعطف می‌سازد که از نقاط نمونه عبور می‌کند و انحنای کل سطح را به حداقل می‌رساند. این روش برای پدیده‌هایی که به‌آرامی تغییر می‌کنند، مانند سطح ایستابی یا دما، مناسب است، اما در جایی که مقادیر در فاصله کوتاه تغییر شدید دارند، مقادیر غیرواقعی بالا یا پایین تولید می‌کند. همسایه طبیعی روشی بدون نیاز به تنظیم پارامتر است که بر اساس چندضلعی‌های تیسن وزن‌دهی می‌کند و برای داده‌های با توزیع نامنظم نتیجه متعادلی می‌دهد. سطح روند نیز یک معادله چندجمله‌ای را بر کل داده برازش می‌دهد و برای نمایش الگوی کلی، نه جزئیات محلی، به کار می‌رود.
کدام روش را انتخاب کنیم؟
انتخاب روش به چهار عامل بستگی دارد: ماهیت پدیده، تعداد و توزیع نقاط، هدف نقشه و زمانی که در اختیار دارید. جدول ذهنی زیر کمک می‌کند.
- نقاط زیاد و متراکم با توزیع یکنواخت و نیاز به نتیجه سریع: IDW کافی است.
- نیاز به برآورد خطا، گزارش علمی یا پایان‌نامه و داشتن دست‌کم چند ده نقطه: کریجینگ.
- پدیده هموار و تدریجی مانند سطح آب زیرزمینی: اسپلاین یا کریجینگ.
- وجود روند آشکار در داده: کریجینگ عام یا حذف روند پیش از برآورد.
- وجود متغیر کمکی قوی مانند ارتفاع: کوکریجینگ یا رگرسیون همراه با کریجینگ باقی‌مانده‌ها.
- نقاط بسیار کم، مثلاً کمتر از ده تا پانزده نقطه: هیچ روشی نتیجه مطمئن نمی‌دهد و باید با احتیاط تفسیر کرد.
نکته مهم این است که «بهترین روش» از پیش معلوم نیست. روش درست آن است که روی داده شما کمترین خطای اعتبارسنجی را بدهد. به همین دلیل در کارهای پژوهشی معمولاً چند روش اجرا و با هم مقایسه می‌شوند.
آماده‌سازی داده پیش از درون‌یابی
پیش از اجرای هر ابزاری، داده را بررسی کنید. نخست، سیستم مختصات لایه باید متری باشد تا فاصله‌ها درست محاسبه شوند. دوم، هیستوگرام داده را ببینید؛ کریجینگ با داده‌های دارای توزیع نزدیک به نرمال بهتر کار می‌کند و برای داده‌های چوله، تبدیل لگاریتمی کمک می‌کند. سوم، مقادیر پرت را شناسایی کنید و تصمیم بگیرید خطای اندازه‌گیری‌اند یا واقعیت. چهارم، نقاط تکراری با مختصات یکسان را حذف یا میانگین‌گیری کنید. پنجم، وجود روند کلی را بررسی کنید. و ششم، محدوده درون‌یابی را مشخص کنید؛ برآورد در خارج از محدوده نقاط نمونه، برون‌یابی است و اعتبار کمی دارد.
اجرای درون‌یابی در ArcGIS Pro
ساده‌ترین راه، ابزارهای IDW، Kriging، Spline و Natural Neighbor در جعبه‌ابزار Spatial Analyst است. لایه نقطه‌ای و فیلد مقدار را معرفی می‌کنید، اندازه سلول خروجی را تعیین می‌کنید و تنظیمات روش را وارد می‌کنید. برای محدود کردن خروجی به مرز منطقه، در بخش Environments گزینه Mask را روی لایه مرز تنظیم کنید.
برای کار دقیق‌تر، از Geostatistical Wizard در افزونه Geostatistical Analyst استفاده کنید. این ابزار مرحله‌به‌مرحله شما را راهنمایی می‌کند: انتخاب روش، بررسی و تبدیل داده، مشاهده و برازش واریوگرام، تنظیم همسایگی جست‌وجو و در پایان، نمایش نتایج اعتبارسنجی متقابل. ابزارهای اکتشافی همین افزونه، مانند هیستوگرام و تحلیل روند، برای شناخت داده پیش از مدل‌سازی بسیار مفیدند.
اجرای درون‌یابی در QGIS
در QGIS ابزار IDW Interpolation و TIN Interpolation در جعبه‌ابزار پردازش در دسترس است. برای کریجینگ می‌توانید از ابزارهای SAGA یا افزونه Smart-Map استفاده کنید که امکان محاسبه واریوگرام و برازش مدل را می‌دهد. پس از ساخت رستر، با ابزار Clip Raster by Mask Layer آن را به مرز محدوده برش دهید. آشنایی با محیط این نرم‌افزار را می‌توانید از راهنمای کاربردی QGIS آغاز کنید.
اعتبارسنجی: مهم‌تر از خود نقشه
نقشه درون‌یابی بدون سنجش دقت، ارزش علمی ندارد. رایج‌ترین روش، اعتبارسنجی متقابل است: هر بار یک نقطه کنار گذاشته می‌شود، مقدار آن با نقاط دیگر برآورد می‌گردد و با مقدار واقعی مقایسه می‌شود. از مجموع این مقایسه‌ها چند شاخص به دست می‌آید. میانگین خطا باید نزدیک به صفر باشد تا برآورد اریب نباشد. ریشه میانگین مربعات خطا هر چه کوچک‌تر باشد بهتر است و مبنای مقایسه روش‌هاست. در کریجینگ، خطای استانداردشده نیز باید نزدیک به یک باشد.
روش دوم، کنار گذاشتن بخشی از نقاط، مثلاً بیست درصد، پیش از مدل‌سازی و استفاده از آن‌ها به‌عنوان داده آزمون مستقل است. این روش زمانی مناسب است که تعداد نقاط کافی باشد. در هر دو حالت، شاخص‌های خطا را در گزارش بیاورید و روشی را برگزینید که خطای کمتری دارد، نه روشی که نقشه زیباتری تولید می‌کند.
اشتباهات رایج در درون‌یابی
- استفاده از سیستم مختصات جغرافیایی درجه‌ای.
- درون‌یابی داده‌های گسسته یا طبقه‌ای مانند نوع خاک که ماهیت پیوسته ندارند.
- پذیرش تنظیمات پیش‌فرض بدون بررسی.
- انتخاب اندازه سلول بسیار ریز که دقت کاذب القا می‌کند؛ جزئیات نقشه نمی‌تواند از تراکم نمونه‌ها بیشتر باشد.
- برون‌یابی به بیرون از محدوده نقاط.
- نادیده گرفتن موانع طبیعی مانند رشته‌کوه یا گسل که پیوستگی پدیده را قطع می‌کنند.
- گزارش نکردن خطا و تعداد نقاط.
چند کاربرد واقعی
در مطالعات منابع آب، از سطح آب چاه‌های مشاهده‌ای نقشه هم‌تراز آب زیرزمینی و نقشه افت سالانه تهیه می‌شود. در هواشناسی، نقشه‌های هم‌بارش و هم‌دما از داده ایستگاه‌ها ساخته می‌شوند و چون بارش به ارتفاع وابسته است، استفاده از ارتفاع به‌عنوان متغیر کمکی دقت را بالا می‌برد. در کشاورزی، نقشه حاصلخیزی و شوری خاک مبنای مدیریت مزرعه قرار می‌گیرد. در محیط زیست، غلظت آلاینده‌ها میان ایستگاه‌های پایش برآورد می‌شود. در بسیاری از پروژه‌های مکان‌یابی نیز لایه‌های اقلیمی ورودی با همین روش‌ها ساخته می‌شوند؛ نمونه‌ای از این پروژه‌ها را در مقاله مکان‌یابی دفن پسماند با GIS ببینید.
نمونه گام‌به‌گام: نقشه بارش سالانه یک استان
فرض کنید داده بارش سالانه چهل ایستگاه باران‌سنجی یک استان را در اختیار دارید. ابتدا جدول ایستگاه‌ها را به لایه نقطه‌ای تبدیل و به زون مناسب UTM منتقل کنید. سپس هیستوگرام بارش را ببینید؛ اگر چند ایستگاه کوهستانی مقادیر بسیار بالاتری دارند، توزیع چوله است و تبدیل لگاریتمی را امتحان کنید. نمودار پراکنش بارش در برابر ارتفاع را رسم کنید تا بدانید ارتفاع می‌تواند متغیر کمکی باشد یا نه.
در گام بعد سه مدل بسازید: IDW با توان دو، کریجینگ معمولی با مدل کروی و کوکریجینگ با ارتفاع. برای هر سه، شاخص‌های اعتبارسنجی متقابل را یادداشت کنید. اگر ریشه میانگین مربعات خطا در کوکریجینگ به‌طور محسوسی کمتر باشد، آن را برگزینید؛ اگر تفاوت ناچیز است، مدل ساده‌تر ترجیح دارد. نقشه نهایی را به مرز استان برش دهید و در کنار آن نقشه خطای استاندارد برآورد را نیز تهیه کنید. این نقشه دوم نشان می‌دهد در کدام بخش‌های استان، معمولاً مناطق کم‌ایستگاه، برآورد اطمینان کمتری دارد.
در گزارش کار، این موارد را بنویسید: تعداد ایستگاه‌ها و دوره آماری، تبدیل‌های اعمال‌شده، مدل واریوگرام و مقادیر دامنه، سقف و اثر قطعه‌ای، تعداد همسایه‌های جست‌وجو و جدول مقایسه خطای روش‌ها. همین چند سطر، کار شما را از یک نقشه رنگی ساده به تحلیلی قابل دفاع تبدیل می‌کند و داور یا کارفرما می‌تواند مسیر تصمیم‌گیری شما را دنبال کند.
نمایش و تفسیر نقشه درون‌یابی
شیوه نمایش به اندازه محاسبه اهمیت دارد. طیف رنگی را متناسب با پدیده برگزینید و تعداد طبقات را زیاد نکنید؛ پنج تا هفت طبقه معمولاً خواناتر است. نقاط نمونه را روی نقشه نشان دهید تا خواننده بداند برآورد بر چه داده‌ای تکیه دارد. از تفسیر جزئیات ریز در مناطق بدون نمونه بپرهیزید؛ الگوهایی که دور از نقاط دیده می‌شوند محصول روش ریاضی‌اند، نه واقعیت اندازه‌گیری‌شده. اگر خطوط هم‌مقدار رسم می‌کنید، فاصله آن‌ها را متناسب با دقت داده انتخاب کنید.
پرسش‌های متداول
حداقل چند نقطه برای کریجینگ لازم است؟
عدد قطعی وجود ندارد، اما برای برآورد قابل اعتماد واریوگرام معمولاً دست‌کم سی تا پنجاه نقطه توصیه می‌شود. با نقاط کمتر، روش‌های ساده‌تر و تفسیر محتاطانه مناسب‌ترند.
آیا کریجینگ همیشه از IDW دقیق‌تر است؟
خیر. اگر واریوگرام خوب برازش نشود یا داده همبستگی مکانی ضعیفی داشته باشد، ممکن است IDW نتیجه برابر یا بهتری بدهد. اعتبارسنجی تعیین‌کننده است.
اندازه سلول خروجی را چگونه انتخاب کنیم؟
بر اساس تراکم نقاط و مقیاس کار. سلولی بسیار کوچک‌تر از فاصله میانگین نقاط، اطلاعات تازه‌ای اضافه نمی‌کند و فقط حجم فایل را بالا می‌برد.
جمع‌بندی
درون‌یابی ابزاری قدرتمند برای ساخت سطح پیوسته از داده‌های نقطه‌ای است، به شرط آنکه داده را پیش از مدل‌سازی بشناسید، روش را متناسب با پدیده برگزینید و نتیجه را اعتبارسنجی کنید. IDW برای کارهای سریع و داده‌های متراکم، و کریجینگ برای کارهای دقیق و نیازمند برآورد خطا مناسب است. برای یادگیری عملی زمین‌آمار و ثبت‌نام در دوره‌های آموزش GIS، با شماره ۰۹۱۲۰۴۳۸۸۷۴ تماس بگیرید.
مطالب مرتبط در GISLand
- برون سپاری پروژه GIS؛ چه زمانی و چگونه؟
- بازار کار GIS در ایران؛ مشاغل و مهارت‌ها
- سوالات مصاحبه استخدامی GIS با پاسخ
- آموزش ModelBuilder در ArcGIS Pro
- آموزش Field Calculator در ArcGIS Pro
- GeoAI چیست؟ پیوند هوش مصنوعی و داده‌های مکانی
درباره نویسنده
این مقاله را دکتر سعید جوی زاده، مدرس و مشاور سیستم اطلاعات جغرافیایی در www.gisland.org نوشته است. برای دریافت مشاوره GIS، ثبت‌نام در دوره‌های آموزش GIS یا سفارش پروژه، با شماره ۰۹۱۲۰۴۳۸۸۷۴ تماس بگیرید.
بدون دیدگاه