IDW

Ters mesafe ağırlığı (IDW) kullanan bir hücrenin çıkış değeri, enterpolasyon için kullanılan değerlerin
aralığıyla sınırlıdır. IDW ağırlıklı bir mesafe ortalaması olduğundan, ortalama en yüksek girdiden daha
büyük veya en düşük girdiden daha az olamaz.

IDW'den en iyi sonuçlar, simüle etmeye çalıştığınız yerel varyasyona göre örnekleme yeterince yoğun
olduğunda elde edilir. Girdi noktalarının örneklemesi seyrek veya düzensizse, sonuçlar istenen yüzeyi
yeterince temsil etmeyebilir

IDW yöntemi, bilinen verilere dayalı olarak bilinmeyen veriler için basit bir tahmin yapar. Bu yöntem,
bilinen verilere en yakın olan noktaların ağırlıklarını kullanarak bilinmeyen nokta için bir tahmin
yapar. IDW yöntemi, özellikle düzenli dağılmış veriler için iyi bir performans gösterir.

Kriging yöntemi, bilinen verileri kullanarak bilinmeyen veriler için bir regresyon modeli oluşturur. Bu
model, bilinen veriler arasındaki mesafeyi ve verilerin değişkenliğini dikkate alır. Kriging yöntemi,
daha doğru bir tahmin sağlar, ancak IDW yönteminden daha karmaşıktır ve daha fazla veri gerektirir.
Kriging yöntemi, özellikle düzensiz dağılmış veriler için iyi bir performans gösterir.

Natural neighbor yöntemi, bilinen veriler arasındaki mesafeyi kullanarak bilinmeyen verileri tahmin
eder. Bu yöntem, bilinen verilere en yakın olan noktaların ağırlıklarını kullanarak bilinmeyen nokta
için bir tahmin yapar. Natural neighbor yöntemi, özellikle düzensiz dağılmış veriler için iyi bir
performans gösterir.

Bu yöntemlerin hangi veri tiplerinde kullanılacağına karar verirken aşağıdaki faktörleri göz önünde
bulundurmalısınız:

Verilerin dağılımı: Düzenli dağılmış veriler için IDW veya kriging yöntemi, düzensiz dağılmış veriler için
natural neighbor yöntemi daha iyi bir performans gösterir.

Verilerin değişkenliği: Değişkenliği yüksek olan veriler için kriging yöntemi, değişkenliği düşük olan
veriler için IDW veya natural neighbor yöntemi daha iyi bir performans gösterir.

Verilerin miktarı: Veri miktarı az ise IDW yöntemi, veri miktarı fazla ise kriging veya natural neighbor
yöntemi daha iyi bir performans gösterir.

Örneğin, bir bölgedeki hava sıcaklığını tahmin etmek istiyorsanız, verilerin dağılımının düzenli olduğu
varsayımında, IDW yöntemi iyi bir seçim olabilir. Ancak, verilerin dağılımının düzensiz olduğu
varsayımında, kriging yöntemi daha iyi bir seçim olabilir.

Örnek: Genel olarak, 100 kişilik bir sınıfta, ortalamaya yakın en az 60 öğrencinin olması, verilerin
düzenli dağılım gösterdiğini göstermesi için yeterlidir. Bu, öğrencilerin notlarının ortalamaya göre 10
puan civarında dağıldığı anlamına gelir.
Örneğin, bir sınıftaki öğrencilerin notlarının ortalaması 70 ve standart sapması 10 ise, verilerin
düzenli dağılım gösterdiğini söyleyebiliriz. Çünkü bu durumda, öğrencilerin notlarının en az 60'ı 60 ile
80 arasında olacaktır.

Ancak, standart sapma 20 ise, verilerin düzenli dağılım gösterdiğini söylemek daha zordur. Çünkü bu
durumda, öğrencilerin notlarının en az 60'ı 50 ile 90 arasında olacaktır.

Yukarıda verdiğim 1440 değeri, 12.000 kilometrekarelik bir alana 0,0001 ortalama örnekleme olasılığı
ile örnekleme yapmak için gereken örneklem büyüklüğüdür. Bu değeri bulmak için aşağıdaki formül
kullanılır:

n=N/λ

n: Örneklem büyüklüğü

N: Alanın toplam alanı

λ: Ortalama örnekleme yoğunluğu

Bu formülde, N ve λ değerlerini yukarıdaki örnekten biliyoruz. Bu değerleri formülde yerine koyarsak,

aşağıdaki sonucu elde ederiz:

n = 12.000 km² / 0,0001 km²/nokta

n = 12.000.000 / 0,0001

n = 12.000.000

Ancak, bu sonuç, 12.000 kilometrekarelik bir alanda 12 milyon örnekleme noktası gerektiği anlamına
gelir. Bu, imkansız bir sonuçtur.

Bu sorunun nedeni, km² ve km²/nokta birimlerinin birbirine karıştırılmasıdır.

km² / km²/nokta = km²/nokta

Bu nedenle, yukarıdaki işlemi şu şekilde düzeltmelisiniz:

n = 12.000 / 0,0001

n = 1440

Bu sonuç, 12.000 kilometrekarelik bir alanda 1.440 örnekleme noktası gerektiği anlamına gelir. Bu,
daha makul bir sonuçtur.

1440 değerine ulaşmak için, yukarıdaki işlemi şu şekilde uyguladım:

Öncelikle, alanı km² biriminden km²/nokta birimine çevirdim. Bunu yapmak için, alanın toplam alanını
100.000 ile böldüm.

12.000 km² / 100.000 = 0,012 km²/nokta

Ardından, örnekleme olasılığını km²/nokta biriminden km² birimine çevirdim. Bunu yapmak için,
örnekleme olasılığını 100.000 ile çarptım.

0,0001 km²/nokta * 100.000 = 100 km²

Son olarak, bu değerleri formülde yerine koydum.

n = 12.000 / 100

n = 1440

Bu nedenle, 12.000 kilometrekarelik bir alana 0,0001 ortalama örnekleme olasılığı ile örnekleme
yapmak için 1.440 örnekleme noktası gerekir.