顾及空间异质性的自适应IDW插值算法

传统的反距离加权(inverse distance weighted,IDW)插值法存在以假设空间过程平稳为前提,且插值过程需要用户提供初始化参数如分区数目、参考样点个数等的问题,因此提出一种顾及空间异质性的自适应IDW插值算法。该算法首先根据样点待插值属性数据的数理统计特征自适应设定分类阈值,将全部样点按照属性值大小分成高、中、低三类,其次利用机器学习算法k近邻法(k-nearest neighbor,k-NN)判定待插值点所属类别,然后根据分类结果自适应为待插值点一阶邻近样点,并设置相应的权重调和因子,最后构造出一个集空间相关与空间异质性于一体的IDW插值算法模型。实验结果表明,顾及空间异质性算法无需用户提供任何经验参数,其抗粗差的能力较另3种经典IDW插值算法更强,能够有效提高IDW插值算法的精准度。