Español

Pregunta frecuente: ¿cuál es la diferencia entre Vecino más próximo, Interpolación bilineal y Convolución cúbica?

Pregunta

Pregunta frecuente: ¿cuál es la diferencia entre Vecino más próximo, Interpolación bilineal y Convolución cúbica?

Respuesta

Los tres métodos de remuestreo, Vecino más próximo, Interpolación bilineal y Convolución cúbica, establecen cómo se determinan los valores de celda de un ráster de salida después de efectuar una operación geométrica. El método empleado depende de los datos de entrada y de su uso cuando se haya realizado la operación. Vecino más próximo es más adecuado para datos de categorías como la clasificación de uso del suelo o la clasificación de pendientes. Los valores que se introducen en la cuadrícula no se modifican; un 2 genera un 2 y un 99 genera un 99. El valor de la celda de salida viene determinado por el centro de la celda más cercana en la cuadrícula de entrada. Vecino más próximo se puede usar en datos continuos, pero los resultados pueden aparecer como bloques.

Interpolación bilineal usa un promedio ponderado de los centros de las cuatro celdas más cercanas. Cuanto más cerca esté el centro de una celda de entrada del centro de la celda de salida, mayor será la influencia de su valor en el valor de la celda de entrada. Esto significa que el valor de salida puede ser diferente del de la entrada más cercana, pero siempre está dentro del mismo rango de valores que la entrada. Como los valores pueden cambiar, la interpolación bilineal no se recomienda para los datos de categorías. En lugar de eso, se debe usar para datos continuos como los valores de elevación y de pendiente sin procesar.

Convolución cúbica comprueba los centros de las 16 celdas más cercanas a la salida y ajusta una curva suave a través de los puntos para buscar el valor. Esto no solo cambia los valores de la entrada, sino que puede además hacer que el valor de salida esté fuera del rango de valores de entrada (imaginemos un sumidero o un pico que se produce en una superficie). Este método tampoco se recomienda para los datos de categorías, pero es una opción excelente para suavizar datos continuos.