Gridding ~ NeededThing

Gridding merupakan proses pada data xyz yang tersebar secara tidak teratur dan terdapat data yang kosong untuk menghasilkan file grid yang berisikan data z yang teratur atau sering di sebut dengan interpolasi data.
data yang dihasilkan pada proses gridding ini berupa data surface seperti data DEM dengan format data berupa data .grd

Metode Gridding memiliki bermacam-macam metode yang masing-masing metode akan memiliki output yang berbeda meskipun memiliki data yang sama. Berikut penjelasan singkat mengenai metode-metode gridding pada software surfer:

a. Inverse Distance to a Power
Metode ini cenderung memiliki pola “bull’s eyes” pada kontur-kontur yang konsentris melingkar pada titik data. Metode ini merupakan metode penimbangan rata-rata yang sederhana untuk menghitung nilai jarak grid.

b. Kriging
Kriging adalah metode gridding geostatistik yang telah terbukti berguna dan populer di berbagai bidang. Metode ini menghasilkan visual peta yang menarik dari data yang tidak teratur. Dimana kriging dapat menghasilkan jaringan yang akurat pada data. Kriging merupakan metode default pada Surfer. Salah satu kelebihan metode kriging lainnya adalah dapat menggunakan variogram yang disesuaikan oleh pengguna, sehingga nilai error atau RMS dapat semakin kecil.

c. Minimum Curvature
Metode ini melakukan generalisasi permukaan secara halus. Metode ini juga secara luas digunakan dalam ilmu bumi karena hasil interpolasi dengan metode Minimum curvature dengan perbedaan yang sangat tipis, piringan linier elastis melewati setiap nilai data dengan jumlah minimum yang dapat berubah. Salah satu kelemahan metode ini adalah kecenderungan mengekstrapolasikan nilai-nilai di daerah yang tidak ada datanya.

d. Modified Shepard’s Method
Hasil metode ini serupa dengan inverse distance, tetapi apabila parameter smoothing diaktifkan maka kecenderungan kontur membentuk pola “bull’s eye” tidak akan terjadi. Dengan menggunakan metode ini kita dapat meramalkan kemungkinan nilai-nilai di luar rentang Z dari data yang kita miliki.

e. Natural Neighbor
Metode ini menghasilkan kontur yang baik dari data set yang berisi data padat di beberapa daerah dan data jarang di daerah lainnya. Hal ini tidak menghasilkan data di daerah tanpa data dan tidak ekstrapolasi nilai-nilai Z di luar grid jangkauan data.

f. Nearest Neighbor
Metode ini efektif untuk data-data XYZ yang tersebar merata dalam setiap daerah pemetaan, tetapi akan terjadi masalah apabila data XYZ tidak tersebar merata akan mengakibatkan hasil kontur menjadi bias. Metode Nearest neighbor menggunakan titik terdekat untuk memberikan nilai pada node grid. Hal ini berguna untuk konversi secara teratur XYZ data file ke dalam file grid. Metode ini tidak meramalkan kemungkinan grid Z di luar jangkauan data.

g. Polynomial Regression
Metode ini bermanfaat untuk analisis permukaan secaraumum. Metode ini menampilkan kecenderungan kemiringan pada pola topografi secara umum dengan cakupan wilayah yang luas. Metode regresi memproses data dalam skala besar dengan kecenderungan pola yang ditampilkan. Hal ini digunakan untuk analisis yang cenderung berada di permukaan. Metode ini dapat memaparkan nilai-nilai grid di luar data jangkauan Z.

h. Radial Basis Function
Metode radial basis function merupakan metode terbaik untuk sebagian besar jenis data. Tetapi cenderung membentuk pola “bull’s eye” terutama jika parameter smoothing diaktifkan. Gambar yang dihasilkan dengan metode ini mirip dengan kriging tetapi menghasilkan hasil yang sedikit berbeda.

i. Trianggulation with Linear Interpolation
Metode ini bermanfaat menghasilkan analisis patahan. Metode ini membutuhkan data yang banyak, karena apabila terjadi kekurangan data maka akan terjadi pembentukan pola segitiga pada permukaan kontur. Walau demikian metode ini dapat menangani situasi sulit seperti pembuatan fitur seperti teras dan lubang. Metode ini tidak mengekstrapolasi nilai-nilai Z di luar jangkauan data.

j. Moving Average
Metode ini hanya berlaku pada set data yang sangat besar dan banyak (misal >1000 titik data) sehingga dapat menggabungkan data breakline. Metode Moving Average ini memberikan nilai ke node jaringan dengan rata-rata data di dalam elips pencarian node grid.

k. Data Metrics
Metode gridding satu ini digunakan untuk membuat informasi grid tentang data. Metode gridding data metrik secara umum cenderung tidak menginterpolasi rata-rata dari nilai-nilai Z.

l. Local Polynomial
Metode ini paling berlaku untuk set data yang lokal yang halus (misalnya relatif halus permukaan dalam lingkungan pencarian). Metode gridding Local Polynomial memberikan nilai ke node jaringan dengan menggunakan kuadrat terkecil berbobot sesuai dengan data di dalam elips pencarian node grid.