В SURFERе реализовано несколько методов построения сеточных функций. Различные методы могут привести к разным результатам при интерполяции Ваших данных. Предлагаемые в данном разделе рекомендации можно рассматривать, как первый шаг при принятии решения о выборе наилучшего метода построения сети. Здесь приводятся только самые общие соображения, и в конечном счете предпочтение следует отдать тому методу, который производит карту, наилучшим образом представляющую Ваши экспериментальные данные.

Для большинства множеств экспериментальных данных самым эффективным является метод Криге (Kriging) с линейной (Linear) вариаграммой. Этот метод задается по умолчанию, и мы будем наиболее часто рекомендовать его для использования. Второй по распространенности метод - это метод радиальных базисных функций (Radial Basis Functions) с мультиквадратичной (Multiquadratic) базисной функцией. Любой их этих методов пригоден для построения разумного представления Ваших данных.

Ниже приведен краткий обзор методов построения сетей с указанием их основных достоинств и недостатков.

Метод обратных расстояний (Inverse Distance to a Power) является достаточно быстрым, но имеет тенденцию генерировать структуры типа "бычий глаз" вокруг точек наблюдений с высокими значениями функции.

Метод Криге (Kriging) - один из наиболее гибких и часто используемых методов. Этот метод задается в SURFERе по умолчанию. Для большинства множеств экспериментальных данных метод Криге с линейной вариаграммой является наиболее эффективным. Однако, на множествах большого размера он работает достаточно медленно.

Метод минимума кривизны (Minimum Curvature) генерирует гладкие поверхности и для большинства множеств экспериментальных данных работает достаточно быстро.

Метод полиномиальной регрессии (Polynomial Regression ) используется для выделения больших трендов и структур в Ваших данных. Это метод работает очень быстро для множеств любого размера, но, строго говоря, он не является интерполяционным методом, поскольку сгенерированная поверхность не проходит через экспериментальные точки.

Метод радиальных базисных функций (Radial Basis Functions) так же, как и метод Криге, является очень гибким и генерирует гладкую поверхность, проходящую через экспериментальные точки. Результаты работы этого метода очень похожи на результаты метода Криге. Он эффективен для большинства множеств экспериментальных данных.

Метод Шепарда (Shepard's Method) подобен методу обратных расстояний (Inverse Distance to a Power), но он, как правило, не генерирует структуры типа "бычий глаз", особенно когда задан сглаживающий параметр.

Метод триангуляции (Triangulation with Linear Interpolation) для множеств экспериментальных точек средних размеров (от 250 до 1000 наблюдений) работает достаточно быстро и строит хорошее представление данных. Этот метод генерирует явные треугольные грани на графике поверхности.

Одним из достоинств метода триангуляции является то, что при достаточном количестве экспериментальных точек он может сохранить линии разрывов, определенные исходным множеством данных. Если имеется достаточное число точек по обе стороны от линии разрыва, то сеточная функция, построенная методом триангуляции, отобразит этот разрыв.