Interpolasi Minimum

Curvature Methods
Minimum Curvature Methods
• Menginterpolasi data dengan mencocokan permukaan 2D dengan
raw XYZ pada suatu keadaan yang mana kurvatur dari permukaan
minimum.
• MCM merupakan kemungkinan permukaan yang paling halus yang
cocok terhadap data yang diberikan
• Metode ini juga merupakan jenis interpolasi halus (smooth
interpolation).
• Ideal digunakan ketika data samplenya sedikit, dan diharapkan
menghasilkan permukaan yang relative halus atau kontinyu diantara
titik data.
Ilustrasi tipe data:
Langkah-langkah
1. Mengestimasi nilai grid kasar berdasarkan inverse dari rata-rata jarak dari data
aktual dengan radius yang telah ditentukan.
2. Jika tidak ada data dalam radius tersebut, rata-rata seluruh data pada grid yang
akan digunakan.
3. Metode iterative digunakan untuk menyesuaikan grid agar sesuai dengan titik
data actual terdekat dengan noda grid kasar.
4. Jika sudah tepat, ukuran grid kasar dibagi 2
5. Proses yang sama diulang menggunakan grid kasar sebagai pemulaannya.

Proses ini diulang hingga minimum curvature cocok dengan ukuran sel grid terakhir.
Pemilihan ukuran sel
• Tidak boleh kurang dari setengah nilai interval titik yang ditemukan di
area yang menjadi interest.
• Jika terlalu kecil, akan membutuhkan waktu yang lama dibanding
biasanya
• Ukuran sel kecil : Pengurangan toleransi iterasi dan peningkatan
jumlah iterasi untuk mencapai hasil yang dapat diterima
Pengontrol kualitas grid
• Model permukaan akan mencapai minimum curvature (kelengkungan
minimal) ketika mencapai iterasi yang tak hingga, yang tidak praktis.

• Pengontrol iterasi:
1. Toleransi
2. Prosentase dari nilai yang dibutuhkan dalam toleransi
3. Iterasi maksimal
Keunggulan
• Dapat digunakan untuk berapapun jumlah titik data di lapangan
• Data tidak harus dikelompokkan sebagai garis
• Sangat baik untuk data yang tidak memiliki trend yang dominan
• Dapat mencakup informasi lintasan yang terikat
Kekurangan
• Ketika melakukan gridding, minimum curvature tidak mampu untuk
memperkuat tren yang tegak lurus garis survey. Sehingga
menghasilkan efek ‘bulls eyes’ untuk firtur yang sempit dengan
mengarah ke garis survey.
• Sangat lambat untuk data set yang sangat besar
• Menghasilkan artefact magnitude tinggi di area yang tidak ada
datanya