El tamaño de la celda y el remuestreo en análisis

Disponible con una licencia de Spatial Analyst.

No es necesario almacenar los distintos datasets ráster al utilizar la misma resolución de celda. Pero cuando está realizando el procesamiento entre varios datasets, la resolución de celda, igual que el proceso de registro, debe ser la misma. Cuando se introducen varios datasets ráster en cualquiera de las herramientas de la extensión ArcGIS Spatial Analyst y sus resoluciones son distintas, uno o varios de los datasets de entrada se remuestrean automáticamente a la resolución más gruesa de los datasets de entrada.

En el caso por defecto, se usa la técnica de remuestreo de asignación de vecino más cercano. Esto se debe a que es aplicable tanto a tipos de valores discretos como continuos, mientras los demás tipos de remuestreo, interpolación bilineal y convolución cúbica, solo son aplicables a datos continuos. Es necesaria una técnica de remuestreo debido a que, en raras ocasiones, los centros de las celdas de entrada se alinean con los centros de las celdas transformadas a la resolución deseada. Las técnicas bilineal y cúbica se pueden aplicar mediante la herramienta Remuestreo como paso de preprocesamiento antes de combinar rásteres de resoluciones distintas.

Nota:

Algunas herramientas, como las del conjunto de herramientas Superficie usarán la interpolación bilineal como técnica de interpolación predeterminada. Consulte la referencia de la herramienta para obtener información detallada.

La resolución del remuestreo predeterminado se puede controlar con el parámetro de entorno Tamaño de celda, en el que puede especificar que la herramienta utilice la resolución mínima de los rásteres de entrada o un tamaño de celda específico definido por el usuario.

Nota:

Es necesario aplicar ciertas precauciones cuando se especifique que el tamaño de celda es inferior al de los datasets ráster de entrada. No se crean nuevos datos; las celdas se interpolan utilizando el remuestreo de vecino más cercano. El resultado es únicamente tan preciso como la entrada más gruesa. Al especificar un tamaño de celda de 50 metros cuando los datasets ráster de entrada tienen una resolución de 100 metros, se creará un ráster de salida con un tamaño de celda de 50 metros; sin embargo, la exactitud sigue siendo solo de 100 metros.

En la siguiente imagen, el tamaño de celda que se estableció en el entorno de análisis es más grueso que el tamaño de celda del ráster de entrada de la herramienta. Durante la ejecución, primero se remuestreará el ráster de entrada a la resolución más gruesa y, después, se aplicará la herramienta.

Ejemplo en el que el tamaño de celda del entorno es más grueso que el ráster de entrada

Al realizar el análisis, asegúrese de que está haciendo las preguntas adecuadas para el tamaño de celda. Por ejemplo, es improbable que vaya a estudiar el movimiento de un ratón cuando el tamaño de celda es de 5 kilómetros. Las celdas de cinco kilómetros podrían ser más adecuadas para estudiar los efectos del calentamiento global sobre la Tierra.

Remuestreando

Para encontrar el valor que deberá recibir cada celda al realizar el remuestreo del ráster de salida, el centro de cada celda en la salida se debe localizar de acuerdo con el sistema de coordenadas de entrada original. Cada coordenada del centro de la celda se transforma hacia atrás para identificar la ubicación del punto en el ráster de entrada original. Una vez se ha definido la ubicación de entrada, se puede asignar un valor a la ubicación de salida en base a las celdas cercanas en la entrada. No es muy habitual que un centro de celda de salida se alinee exactamente con cualquier centro de celda del ráster de entrada. Por tanto, se han desarrollado técnicas para determinar el valor de salida dependiendo de dónde se halla el punto con respecto al centro de las celdas del ráster de entrada y los valores asociados con esas celdas. Las tres técnicas para determinar los valores de salida son la asignación de vecino más cercano, la interpolación bilineal y la convolución cúbica. Cada una de estas técnicas asigna valores a la salida de forma diferente. Por tanto, los valores asignados a las celdas de un ráster de salida pueden diferir según la técnica utilizada.

Asignación de vecino más cercano

La asignación de vecino más cercano es la técnica de remuestreo elegida para datos discretos (de categorías) dado que no altera el valor de las celdas de entrada. Una vez la ubicación del centro de la celda en el dataset ráster de salida se encuentra ubicada en el ráster de entrada, la asignación de vecino más cercano determinará la ubicación del centro de celda más cercano en el ráster de entrada y asignará el valor de esa celda a la celda en el ráster de salida.

La asignación de vecino más cercano no cambia ninguno de los valores de las celdas del dataset ráster de entrada. El valor 2 en el ráster de entrada siempre será el valor 2 en el ráster de salida; nunca será 2,2 o 2,3. Dado que los valores de la celda de salida permanecen iguales, la asignación de vecino más cercano se deberá usar para datos nominales u ordinales, en los que cada valor representa una clase, un miembro o una clasificación (datos de categoría tales como uso del terreno, tipo de suelo o bosque).

Considere un ráster de salida creado a partir de un ráster de entrada que se rota 45° en una operación y luego se remuestrea. Para cada celda de salida, es necesario derivar un valor a partir del ráster de entrada. En la siguiente ilustración, los centros de las celdas del ráster de entrada son los puntos grises. Las celdas de salida están sombreadas en verde. La celda que se está procesando está sombreada en amarillo. En la asignación de vecino más cercano, el centro de la celda del ráster de entrada que está más cercano (punto naranja) al centro de la celda de procesamiento (punto rojo) está identificado y asignado como el valor de salida para la celda de procesamiento (sombreada en amarillo). Este proceso se repite para cada celda en el ráster de salida.

Ejemplo de remuestreo de vecino más cercano
Ejemplo de remuestreo de vecino más cercano

Interpolación bilineal

La interpolación bilineal utiliza el valor de los cuatro centros de celda de entrada más cercanos para determinar el valor en el ráster de salida. El nuevo valor para la celda de salida es una media ponderada de estos cuatro valores, ajustada para contar su distancia desde el centro de la celda de salida. Este método de interpolación da como resultado una superficie de aspecto suavizado que se puede obtener utilizando el vecino más cercano.

En la siguiente ilustración, igual que en la anterior para la interpolación de vecino más cercano, los centros de la celda del ráster de entrada son puntos grises, las celdas de salida están sombreadas en verde y la celda que se está procesando está sombreada en amarillo. Para la interpolación bilineal, los cuatro centros de celda de entrada (puntos naranjas) más próximos al centro de la celda de procesamiento (punto rojo) están identificados, se calcula la media ponderada y el valor resultante se asigna como el valor de salida para la celda de procesamiento (sombreada en amarillo).

Ejemplo de remuestreo bilineal
Ejemplo de remuestreo bilineal

Dado que los valores para las celdas de salida se calculan de acuerdo con la posición relativa y el valor de las celdas de entrada, se prefiere la interpolación bilineal para los datos en los que la ubicación desde un punto o fenómeno conocido determine el valor asignado a la celda (es decir, superficies continuas). La elevación, la pendiente, la intensidad del ruido de un aeropuerto y la salinidad de las aguas subterráneas próximas a un estuario son todos los fenómenos representados como superficies continuas y se remuestrean de forma más adecuada utilizando la interpolación bilineal.

Convolución cúbica

La convolución cúbica es similar a la interpolación bilineal salvo que la media ponderada se calcula a partir de los 16 centros de celda de entrada más cercanos y sus valores.

La siguiente ilustración demuestra cómo se calcula el valor de salida para la convolución cúbica. Los 16 centros de celda de entrada (puntos naranjas) más próximos al centro de la celda de procesamiento (punto rojo) están identificados, se calcula la media ponderada y el valor resultante se asigna como el valor de salida para la celda de procesamiento (sombreada en amarillo).

Ejemplo de remuestreo cúbico
Ejemplo de remuestreo cúbico

La convolución cúbica tenderá a agudizar los bordes de los datos más que la interpolación bilineal, dado que hay más celdas implicadas en el cálculo del valor de salida.

Remuestreo y tipos de datos

La interpolación bilineal o la convolución cúbica no se deberán usar en los datos de categorías dado que las categorías no se mantienen en el dataset ráster de salida. Sin embargo, las tres técnicas se pueden aplicar a datos continuos, donde el vecino más cercano crea una salida en bloque, la interpolación bilineal unos resultados más suaves y la convolución cúbica unos resultados más agudizados.

Temas relacionados


En este tema
  1. Remuestreando