插值方法比较IDW/Kriging/线性回归

 

IDW：反距离权重法依赖于反距离的幂值，计算方法比较简单，难以反映特殊值。一个非常简单的模型。不考虑可能影响GDD值及其“邻居”的所有当地地理/地形变化

 

Ordinary Kriging：克里金插值是依据协方差函数对随机过程/随机场进行空间建模和预测（插值）的回归算法。在特定的随机过程（例如固有平稳过程）中，克里金法能够给出最优线性无偏估计（Best Linear Unbiased Prediction, BLUP），因此在地统计学中也被称为空间最优无偏估计器（spatial BLUP）可能有一些违反数据正态分布的情况，但是很好地有错误地图来帮助优化我们的生物燃料模型所建议的位置。

 

Linear Regression：线性回归是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，运用十分广泛。其表达形式为y = w'x+e，e为误差服从均值为0的正态分布。

 

我认为克里金插值是最合适的，因为其插值后的栅格更加平滑。IDW的关于出现近测点处的集中；线性回归的模型参数只有两个，太少了。