全国高分辨率土地利用数据服务 土地利用数据服务 土地覆盖数据服务 坡度数据服务 土壤侵蚀数据服务 全国各省市DEM数据服务 耕地资源空间分布数据服务 草地资源空间分布数据服务 林地资源空间分布数据服务 水域资源空间分布数据服务 建设用地空间分布数据服务 地形、地貌、土壤数据服务 分坡度耕地数据服务 全国大宗农作物种植范围空间分布数据服务
多种卫星遥感数据反演植被覆盖度数据服务 地表反照率数据服务 比辐射率数据服务 地表温度数据服务 地表蒸腾与蒸散数据服务 归一化植被指数数据服务 叶面积指数数据服务 净初级生产力数据服务 净生态系统生产力数据服务 生态系统总初级生产力数据服务 生态系统类型分布数据服务 土壤类型质地养分数据服务 生态系统空间分布数据服务 增强型植被指数数据服务
多年平均气温空间分布数据服务 多年平均降水量空间分布数据服务 湿润指数数据服务 大于0℃积温空间分布数据服务 光合有效辐射分量数据服务 显热/潜热信息数据服务 波文比信息数据服务 地表净辐射通量数据服务 光合有效辐射数据服务 温度带分区数据服务 山区小气候因子精细数据服务
全国夜间灯光指数数据服务 全国GDP公里格网数据服务 全国建筑物总面积公里格网数据服务 全国人口密度数据服务 全国县级医院分布数据服务 人口调查空间分布数据服务 收入统计空间分布数据服务 矿山面积统计及分布数据服务 载畜量及空间分布数据服务 农作物种植面积统计数据服务 农田分类面积统计数据服务 农作物长势遥感监测数据服务 医疗资源统计数据服务 教育资源统计数据服务 行政辖区信息数据服务
Landsat 8 高分二号 高分一号 SPOT-6卫星影像 法国Pleiades高分卫星 资源三号卫星 风云3号 中巴资源卫星 NOAA/AVHRR MODIS Landsat TM 环境小卫星 Landsat MSS 天绘一号卫星影像
插值可以根据有限的样本数据点预测栅格中的像元值。它可以预测任何地理点数据(如高程、降雨、化学物质浓度和噪声等级)的未知值。
插值之所以可称为一种可行的方案,是因为我们假设,空间分布对象都是空间相关的,也就是说,彼此接近的对象往往具有相似的特征。例如,如果街道的一边正在下雨,那么便可以充分肯定地预测街道的另一边也在下雨。而对于是否整个城镇都在下雨,则无法确定,同时也无法确定邻县的天气情况。
通过上述类比很容易发现,接近采样点的点值相对于距离采样点较远的点,与采样点相似的可能性更大。这是插值的基础。点插值的典型应用是通过一组采样测量值创建一个高程面。Geostatistical Analyst 还将提供大量的插值方法。
以下为应用插值工具的一些典型示例。随附的插图显示的是采样点的分布情况和值以及通过它们生成的栅格。
左侧插图中的输入是由已知降雨量值组成的点数据集。右侧的插图显示的是通过这些点插值成的栅格。对未知值的预测可通过代入已知点附近各值的数学公式实现。
点插值的典型应用是通过一组采样测量值创建一个高程面。
下图中,点图层中的各个符号表示测量过高程的位置。通过插值可预测出这些输入点之间各个像元的值。
在下例中,将通过插值工具研究加利福尼亚州臭氧浓度与肺病之间的相关性。左图显示的是臭氧监测站的位置。右图显示的是插值后的表面,为加利福尼亚州的各个位置进行预测。此表面通过克里金法获得。