METODE-METODE GRIDDING PADA SOFTWARE SUFFER

Grid adalah jaringan titik segi empat yang tersebar secara teratur ke seluruh area pemetaan. Grid dibentuk berdasarkan pada data XYZ dan menggunakan algoritma matematis tertentu.
Gridding merupakan proses penggunaan titik data asli (data pengamatan) yang ada pada file data XYZ untuk membentuk titik-titik data tambahan pada sebuah grid yang tersebar secara teratur. Dalam pembuatan file grid ini akan diatur mengenai :

1.       Geometri garis grid, yang terdiri dari parameter batas grid  dan kepadatan grid

2.       Metode grid / gridding

Batas grid merupakan batas-batas pemetaan yang diambil dari nilai X terkecil, X terbeasr, Y terkecil, dan Y terbesar. Nilai X dan Y diambil dari data mentah di worksheet. Batas-batas pemetaan tersebut membentuk sebuah segi empat dengan koordinat terluar nilai-nilai terbesar dari X dan Y. kepadatan grid merupakan lebar kolom dan garis pada file grid. Kolom dan baris ini berupa garis grid minor yang terbentuk oleh proses interpolasi file XYZ di sepanjang sumbu X dan Y. beberapa metode grid dalam surfer :

1.       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. Berikut contoh hasil gridding dengan metode Inverse Distance to a Power :

2.       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. Kriging adalah metode gridding sangat fleksibel. Dimana krigging dapat menghasilkan jaringan yang akurat pada data. Krigging merupakan metode default pada surfer. Berikut contoh hasil gridding dengan metode Kriging :

3.       Minimum Curvatur

Metode ini melakukan generalisasi permukaan secara halus.  Metode ini juga secara luas digunakan dalam ilmu bumi karena hasil interpolasi dengan metode Minimum curvatur analog 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.  Berikut contoh hasil grading dengan metode Minimum curvatur :

4.       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 trjadi. Dengan menggunakan metode ini kita dapat meramalkan kemungkinan nilai-nilai di luar rentang Z dari data yang kita miliki.  Berikut contoh hasil gradding dengan metode Modified Shepard :

5.       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. 

6.       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 yiyik terdekat untuk memberikan nilai pada node grid. Hal ini berguna untuk konversi secara teraturXYZ data file ke dalam file grid. Metode ini tidak meramalkan kemungkinan grid Z di luar jangkauan data. 

7.       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 Regresipolinomial memproses data sehingga mendasari 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. 

8.       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 krigging tetapi menghasilkan hasil yang sedikit berbeda. 

9.       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 sulitseperti pembuatan fitur seperti teras dan lubang. Metode ini tidak mengekstrapolasi nilai-nilai Z di luar jangkauan data. 

10.   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. 

11.   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. 

12.   Local Polynomial

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

 

 

 

 

Sumber: Metode Gridding