文摘

尽管民主党占据了一个重要的基本的空间分析,到目前为止,DEM建模的质量还没有达到一个令人满意的精度。本研究主要讨论插值参数的影响在民主党逆distance-weighted插值算法插值误差。插值参数研究摘要搜索点的数量,搜索方向,平滑度的因素。为了研究IDW的优化参数,这些参数的不确定影响DEM插值通过分析发现,比如搜索点和平滑因子的数量。本文设计一个实验优化的插值多面函数的参数,通过实验分析发现最优插值参数。当然,这里的“最佳”不是唯一的一个,但是是指不同地形区域,使插值结果相对较好。搜索点的选择将是本文的研究重点之一。确定插值算法后,核函数的重要因素之一,影响DEM的精度。内核中的平滑系数函数的值一直是民主党的插值研究的重点。不同地形、不同篡改和函数有不同的最优平滑因子。 The search direction is to ensure that the sampling points are distributed in all directions when the sampling points are sparse and to improve the contribution rate of the sampling points to the interpolation points. The selection of search shape is to improve computing efficiency and has no effect on DEM accuracy; the search radius is mainly controlled by the number of search points, and there are two methods: adaptive search radius and variable length search radius. When the weight coefficient ,参与插值计算采样点的数量是不同的,和剩余误差有很大的差异,同时增加采样点的数量的增加在参数插值计算。本研究将有助于提高DEM的质量评价。

1。介绍

DEM误差来自于两个方面:数据误差和逼近误差。大多数现有的误差模型只考虑一个方面的错误,所以他们不能真正的、客观地描述当地的像素精度的DEM。因此,DEM误差综合分析和建模是民主党的任务不可避免的误差模型。

插值法是数字高程模型的一个核心问题。插值方法总是DEM生产过程中起着重要的作用。例如,在精度评估和精度分析、插值算法往往起着重要的作用。因此,民主党插值算法的研究具有实际意义。

地形分析是理解表面的关键过程。Herrero-Hernandez等人研究了地下沉积层序的西班牙伊比利亚槽使用地球物理技术(模拟地震剖面)和逆distance-weighted (IDW)插值算法实现gvSIG开源软件。他们获得的数字数据和定量isopachic DS-1地图和DS-2模拟地震剖面。他们得出的结论是,古代海岸线的方向150 N .几个街区相交和这个方向平行划分断层之间的方向65 N, N .沉积物的厚度在这些街区-方向不同,沉降和沉积和下盘的令人振奋的(1]。Sowka研究的目的是确定空间数据插值方法的有效性分析气味牲畜设施的影响。插值的方法获得的数据的字段嗅觉测量普通克里格(OK)法和逆距离权重(IDW)方法。他的质量分析表明,好的方法可以获得更好的用于表示空间气味浓度分布(2]。张等人认为,传统上,多点冲击波的峰值超压是通过传感器阵列使用电气测量方法,然后,表面插值是通过数学模型来画出轮廓线的冲击波超压。他们提出了交叉验证方法的平均绝对误差(MAE),平均相对误差(绝笔)和均方根误差(RMSE)来实现高精度和有效的等高线内插。他们验证定量测试的Kinney-Graham公式,获得多点冲击波峰值超压为7.62毫米枪和海军枪支使用极性基于坐标传感器阵列。然后,冲击波超压字段被逆distance-weighted插值(IDW)插值,普通克里格插值(好)、径向基函数(RBF)插值和三次样条插值(CS)。最后,梅,绝笔,RMSE被交叉验证分析。美和绝笔RBF插值是0.038和0.001,分别。误差最小,精度最高,插值效果最接近冲击波场模型。他们提供了参考冲击波超压场的等值线绘制(3]。姚明等人认为,全球导航卫星系统(GNSS)是现在广泛用于连续的电离层观测。3 d电脑电离层断层扫描(3 dcit)是一个重要的工具来重建电离层电子密度分布利用GNSS有效数据。更具体地说,3 dcit使分析重建三维电子密度分布在一个地区基于GNSS倾斜的总电子含量(STEC)观察。他们提出了一种改进的约束同步迭代重建技术(ICSIRT)算法,它是不同于传统电离层断层在三个方面4]。施等人认为,空气质量指数(AQI)监测站稀疏分布和空间插值比现有方法更准确。他们提出了一个新的算法基于扩展的磁场强度模型。在单个参数模型中,强度衰减控制参数 ,在两个参数模型、强度范围是通过额外的参数调整 。最优 和 迭代计算了双线性插值的基础上的关系吗 , ,和偏差数据。他们把50组值监控机能在北京、天津、武汉、郑州从2014年8月到2015年4月作为实验数据。基于交叉验证和评价标准RMSE、AME、PAEE,单个参数模型和两个参数模型实现了最优参数。然后,扩展场强模型与克里格和InVE相比使用交易所距离加权法[5]。Mondal等的研究说明了估计土壤有机碳(SOC)分布从调查数据点(准备实验室测试后)混合插值法。在他们的研究中,他们使用八个选择的预测变量,如亮度指数(BI),绿色指数(GI)、湿度指数(WI),归一化植被指数(NDVI),条件植被温度指数(VTCI),数字高程模型(DEM),坡度,综合地形指数(CTI)。的准确性、RK方法给出令人满意的结果(6]。秦等人报告一种新颖的非线性算法,利用支持向量机与卫星遥感和其他类型的数据检索近地表温度大范围。这些步骤包括以下:(1)建立第一子模型学习的数据集和验证数据集,然后获得25日子模型学习的数据集和验证数据集通过使用无人气象站数据和预定义的影响变量,(2)检索目标地区的助教,和(3)使用正确逆range-weighted插值助教根据预测误差图像生成。算法的新颖性在于应用多源遥感数据结合无人气象站的数据,地形、土地覆盖、民主党、天文学和日历规则(7]。

本研究主要讨论插值参数的影响在民主党逆distance-weighted插值算法插值误差。插值参数研究摘要搜索点的数量,搜索方向,平滑度的因素。为了研究IDW的优化参数,这些参数的不确定影响DEM插值通过分析发现,比如搜索点和平滑因子的数量。确定插值算法后,核函数的重要因素之一,影响DEM的精度。内核中的平滑系数函数的值一直是民主党的插值研究的重点。不同地形、不同篡改和函数有不同的最优平滑因子。

2。方法

2.1。DEM生成的本质和特征

作为一个国家地理信息的基本数据,DEM包含各种各样的地形表面形态等重要信息。两个用户和生产者希望DEM精度越高,效果越好。很长一段时间,插值函数的合理选择是提高DEM精度的方法。常用的插值方法的插值的本质都是一样的;点的高程值,插值得到的插入是根据已知的地面点的高程值数据。地面是一个非常复杂的不规则的表面,但它被认为是一组无限点,但这是不可能无限地分在实际的数据采集过程;只能获得有限的离散数据点。因此,应该使用数学方法向有限性变化无穷。未知点的高程可以通过已知的离散点数据的插值,并建立数学模型。任意点的高程值可以通过建立模型。

是否它是一个普通的地图,等高线图,或一个图像,这是一个三维的模拟和表达真实世界在一个二维的环境。地形表面形态的表达,一方面,它不仅是必要的考虑可伸缩性的问题还需要考虑视觉和生理感觉,这意味着可伸缩性的二维表达和表达的三维模型本质上是不可能的。共存,有一个不可逾越的差距的表达二维空间和三维真实世界的代表。作为一种表达的重要信息,如重要的表面形态,民主党也有自己的特点:(1)表面形态信息可以以各种形式呈现。(2)与传统的纸质地形图相比,精度不容易失去。(3)更容易实现图形处理和表达的自动化和实时更新地图信息。(4)多尺度特征。正是因为这些特点的民主党,民主党已广泛应用于各行各业的社会生产活动。DEM的基本原理如图1。


图1
DEM的基本原则。

数字高程模型作为基本数据为各行业的发展,尤其是当地的信息产业,应用和研究产生了巨大的需求。通常,我们把民主党的表示方法分为三类,即等值方法,定期不规则网格法和网格法。

数据精度的差异之间的关系,没有额外的特征点和网格间距如下(8]: 在哪里 代表了网格间距和 和 是常数。数据网格的双线性插值精度分为等腰直角锡(9]:

是一个常数小于 。使用不同网格中的点的海拔高度和平均海拔的网格的四个顶点来描述地形描述误差(10]:

假设Thiessen多边形的面积 要插入 ,然后[11]:

三角不规则网络抽样表示系统专门设计用于生成DEM数据。锡模型连接这些离散点(每个三角形的顶点)相互连续的三角形离散数据显示在该地区获得的所有采样点,并根据最佳组合的原则,使每个三角形连接时尽可能一个锐角三角形。三方的长度大致相等。平面方程的表达式如下所示(12]:

求解方程的系数 , ,和 是遵循13]:

所以,估计的价值 如下(14]:

二次多项式的函数表达式如下(15]:

然后,基于最小二乘法的原理,不难获得系数向量(16]:

所以,点的高度要插入如下(17]:

引入基函数 对于每一个已知点 :

这样可以构造基函数(18]:

2.2。DEM数据的主要来源

地形图是民主党的主要数据源。我们都知道,世界上几乎所有的国家都有自己的地形图。在许多发展中国家,地形图不覆盖所有地区。在大多数发达国家,与高质量的等高线地形图信息基本上涵盖了所有的土地,这对DEM数据源提供了丰富的和廉价的建设。也是如此的一些发展中国家,比如中国。然而,也存在以下不足:(1)地形图的现实是差:纸质地形图的生产工艺相对复杂,这使得它的更新相对缓慢。在快速变化的高科技开发区,地形图不能及时反映真正的高程信息;人烟稀少,基本不变的地形和地貌缓慢,随着现代化的发展,现有的地形图将数据源的高质量和低价格(2)由于环境因素如温度和湿度,地形图生产各种变形。现有的地形图的精度不一定满足实际的需求(3)摄影测量和遥感图像数据收集(测量)地面辐射或反射的电磁波信息对象通过传感器安装在平台上,并将其转换成图片,然后根据各种地物的光谱特征,掌握、分析和处理信息来获得所需的信息。例如,合成孔径雷达干涉测量,机载激光扫描、车载移动激光扫描和航空摄影测量为DEM数据采集都是有效的方法(4)民主党结构规模包括规模水平方向和竖直方向的规模。水平方向上规模的水平分辨率,也称为水平采样间隔,网格单元,网格间距,等等,这是通常被称为DEM分辨率,这是最基本的民主党。的变量之一,它的大小直接决定了DEM精度的描述。竖直维度的垂直分辨率DEM。有许多方法来收集DEM数据直接从地面,如全球定位系统(GPS)。然而,这个数据采集方法有一个很大的工作量,周期长,效率低,更新困难,和高成本,所以收购面积大时不能使用。DEM数据处理方法的研究显示在图2


图2
在这项研究中DEM数据处理方法。
2.3。逆Distance-Weighted插值

逆的基本原理distance-weighted (IDW)插值方法是类似的原则:每个插值点有影响插值点,称为重量及其影响。的重量分配之间的距离点插值和插值点,也就是说,距离越小,重量越大,反之亦然,重量越小。与此同时,当两个之间的距离超出一定范围,插值的贡献点的高程插值点可以忽略;重量是零。逆distance-weighted插值法的公式如下(19]: 在哪里 是点的高程值插值; 时使用的插值点数量计算点的高程内插; 相应的插值点的重量; 是每一个插值点的高程值。确定权重的计算公式如下(20.]:

其中, 已经减少的影响其他地方的影响随着距离的增加。当 ,距离不会影响的能量指数的具体选择取决于研究区域的具体情况。逆的影响因素distance-weighted插值图所示3。


图3
影响因素的逆distance-weighted插值。

权重系数的逆distance-weighted插值 ,这是一个重要的因素,影响插值的精确性,而且分配的大小参与插值采样点。的权重系数 是一个衰减函数。从图可以看出3,随着采样点和插值点之间的距离增加,权重系数减少,表明两个点之间的相关性也随着距离的增加减少。

当执行逆distance-weighted地形数据的插值,什么时候 是最好的值,插值效果可以由交叉验证方法。知道采样点,通过逆distance-weighted插值,获得其高程值,比较测量高程值和高度预测的值(21]:

越小 价值,更合理的价值 。是否采样点的数量 参与插值计算也会影响插值精度也是由交叉验证方法。假设 采样点, 和 实际值和逆distance-weighted插值预测的值 采样点,分别和残差如下(22]:

剩余的意思是以下几点:

残余误差如下:

2.4。IDW参数优化实验

民主党是一个数字地形模型。数字高程模型表达地形表面离散的方式不断变化,这必然会受到各种尺度的制约。不同尺度DEM的地形表达的细化程度存在显著差异,以及不同的研究对象范围的民主党应该选择相应的规模与内容。DEM地形分析有明显的尺度依赖性。

为了研究IDW的优化参数,这些参数的不确定影响DEM插值通过分析发现,比如搜索点和平滑因子的数量。本文设计一个实验优化的插值多面函数的参数,通过实验分析发现最优插值参数。当然,这里的“最佳”不是唯一的一个,但是是指不同地形区域,使插值结果相对较好。模糊值的参数,或一系列的值,可以为用户提供一个参考选择合适的插值参数不同的地形和插值核函数插值过程中多方面的功能。不同的测试区域的地形如图4。


图4
不同测试区域的地形。

扩大地理信息获取粗空间分辨率精细的空间分辨率。其实质是概括和综合的信息,降低分辨率和宽度的增加,减少空间异质性。缩小地理信息获取从粗空间分辨率精细的空间分辨率。其本质是表达空间目标更加精细和显微镜下。随着空间信息的增加,空间异质性增加,这是信息的再分配。根据我国地形起伏,它分为平原( ),台面( ),山( ),低山(200 - 500)的起伏,中间山(500 - 1000)的起伏,高山(波动程度是1000 - 2500 m),和极高的山( )。这五个地区的数据在此基础上,选择和划分的结果如表所示1。

表1
区域分工的结果。
2.5。插值参数的不确定性

确定插值算法后,影响DEM精度的主要因素是插值的参数。在搜索模式,搜索形状和搜索半径决定的要求搜索点的数量。搜索形状的选择是提高计算效率和对DEM精度没有影响;搜索半径主要是控制数量的搜索点,有两种方法的自适应搜索半径和可变长度搜索半径;这两个参数确定;对民主党的插值精度没有很大的影响。考虑轮廓线的影响,骨折线,边界线和其他特征线插值过程将不可避免地提高DEM精度。这是毫无疑问的,但它是更复杂的影响考虑特征线插值算法。搜索方向是确保采样点分布在各个方向采样点是稀疏的贡献率,提高抽样点的插值点。搜索点的选择将是本文的研究重点之一。 After determining the interpolation algorithm, the kernel function is also one of the important factors that affect the accuracy of DEM. The value of the smoothing factor in the kernel function has always been the focus of DEM interpolation research. Different terrains, different interpolations, and functions will have different optimal smoothing factors. In summary, the interpolation parameters to be studied in this paper are the number of search points, search direction, and smoothness factor.

3所示。结果

数字高程模型数据是最重要的源地理信息系统的空间信息数据库和三维空间的核心数据库处理和地形分析。各种地形的因素可以从它派生的,比如microtopographic因素:斜坡,方面,坡长、坡度变化,变化方面,平面曲率、剖面曲率等。

这个实验使用了16个采样点接近已知采样点插值计算指向执行交叉验证来获得 值下 ,在哪里 , , ,和 。的比较 值显示,当 权重系数的逆distance-weighted插值算法的插值效果最好。当 接受不同的价值观,散射关系实际测量值和预测值之间的采样点如图5。这表明当点参与插值计算的数量是确定的,的价值 在不同的权重系数影响插值的准确性,所以逆distance-weighted插值需要选择一个合适的值 。


图5
分散抽样点的测量值和预测值之间的关系。

假设权重系数 在逆distance-weighted插值参数,采样点的数量 参与插值计算是4,10日,16日,22日,28日,34岁,40岁,46岁,52岁,58岁,分别执行交叉验证计算。在剩余误差比较和确定采样点的数量的影响 参与插值计算插值的效果。执行交叉验证来获得剩余错误在不同的情况下。计算结果如表所示2。从表可以看出2,当采样点参与计算的数量是10和16个,剩余的误差接近最小的。这表明所涉及的数量的采样点插值计算应采取适当的价值,或多或少,会有不利影响插值效果,减少插值精度。

表2
在不同的情况下找不到残余误差。

当学习的影响点的数量参与插值计算的准确性逆distance-weighted插值,的价值 在权重系数保持不变。当学习的互动影响两个参数在这项研究中,当 ,采样点的数量 参与插值是作为4,10日,16日,22日,28日,34岁的交叉验证。残差的错误比较在各种情况下,比较结果如图6。因为计算残差中的错误之间的差异很小,绘图时,残差的误差值均匀乘以10。


图6
在各种情况下残余误差的比较。

当权重系数 ,参与插值计算采样点的数量是不同的,和剩余误差有很大的差异,同时增加采样点的数量的增加在参数插值计算。当参与插值计算采样点的数量是固定的,当的价值 在权重系数是不同的,剩余的误差是不同的,当 ,剩余的误差达到最小值。实验表明,当执行逆distance-weighted插值点云数据在这项研究中,插值精度的影响 值的权重系数和采样点的数量参与插值计算 。的 值的权重系数对插值精度的影响超过了插值计算。采样点的数量 是由交叉验证的方法来确定最优参数的逆distance-weighted插值点云数据摘要:参与插值计算采样点的数量是10到16,和权重系数 是3。

本文介绍了克里格的三种插值方法,逆距离权重,和最近邻点空间插入网格点的属性值在点云数据所在的地方和比较结果与原始点云数据。由于的点云数据量巨大,本研究仅一小部分提取点云数据的插值结果见表3。

表3
少量的点云数据的插值结果。

最大残余误差逆distance-weighted插值的结果是1.89米,最大残余误差的克里格插值的结果是4.9米,和最大残余误差的最近邻插值的结果是6.99米。根据统计数据,我们画它的残余直方图如图7。从残余分布直方图的分布,残余分布逆distance-weighted插值结果比克里格插值和最近邻插值残余分布。


图7
残差的柱状图。

值越小的三个评价指标美,绝笔,和RMSE插值精度越高。计算的平均绝对误差、平均相对误差和平均误差预测之间的高程值在不同插值方法和实际的高程值的原始点云数据。统计结果如表所示4。

表4
比较平均绝对误差、平均相对误差和平均误差。

克里格插值的三种方法中,逆distance-weighted插值,和最近邻插值,克里格插值方法的三个评价指标低于其他两种方法,表明逆distance-weighted插值精度最高,克里格插值是第二个。最近邻插值精度最低。

使用逆distance-weighted插入实验点云数据插值算法,比较了插值结果与原始点云数据,并使用相关的评价指标,评价插值结果的准确性。结果如表所示5。

表5
插值结果的比较和原始点云数据。

研究搜索点的数量的影响DEM精度,首先确定搜索方向nondirection搜索(搜索方向不是测试,和总数量的搜索点满足需求),和平滑因子确定(值是0,100,600和1000年)在不同实验领域进行实验。搜索点的数量 水平轴和全球剩余误差作为纵轴,每个曲线代表搜索点的数量的影响DEM插值精度时平滑因子是不同的。

平原实验区域,随着搜索点数量的增加,当平滑系数为0,平均误差先迅速降低(搜索点的数量是十),然后慢慢减少(搜索点的数量是10 ~ 30),然后基本上保持稳定。当平滑因子选择的其他四个值,错误的总体趋势是相同的;首先它减少,基本上达到了最低当搜索点的数量是10,然后以不同的速度增加。可以看出,如果不考虑平滑因子的影响,搜索点的数量是10是最合适的,但这不是相对应的搜索点数最小误差;当搜索点的数量是30或更高版本,有相应的光滑因子,可以使中间误差小。搜索的结果分纯实验区如图8。


图8
搜索结果分纯实验区。

国家地理信息的基本数据、数字高程模型(DEM)的框架数据是国家空间数据基础设施(NSDI),具有重要的应用在国民经济和国防建设。民主党的共存与不同尺度、不同分辨率、不同精度,DEM尺度的问题是一个热点问题,迫切需要解决23,24]。

在丘陵实验区域,随着搜索点数量的增加,平均误差的变化趋势也不同,由于不同平滑因子的值。基本上有两种情况:第一次减少,达到一定值后,然后保持稳定;第二,先减少,中间误差将会增加在达到某个值。平滑系数为0时,没有转折点,最后,它仍然是稳定的。平滑系数需要其他值时,转折点是10搜索点。类似于普通的实验区域,搜索点的最优数量是10不考虑平滑因子。但当搜索点的数量是30或更多,将会有一个合适的平滑系数值误差较小。搜索的结果分丘陵实验区在图所示9。


图9
结果的搜索点丘陵实验区。

民主党是一个表达式的表面形态和应该反映地形信息最大程度的量。这需要从原始数据,探索确定DEM分辨率的方法。利用分形定量表达地形自相似性的特点和复杂性,DEM分辨率和分形信息维数之间的关系,建立了拐点,可以描述地形信息的最大寻求通过直线的斜率不同,以确定DEM水平分辨率(25]。

在低山试验区,类似的结果在平原和丘陵实验区。搜索点的数量大约30显然优于10搜索分(当获得一个合理的平滑因子)。换句话说,当有30个搜索点,有一个中值误差小于当有10个搜索点。同样,以搜索点为15日,20、30、40、50图。平滑系数的增加,平均误差增加,减少达到一定值后,然后迅速增加。有两个间隔更好的平滑度的因素:一个是在0附近,另一个是在200年和400年之间。你可以更清楚地观察误差的变化。显然,当 ,无论搜索点的数目是什么,一个小值错误,特别是当搜索点的数量是40 - 50。此外,当搜索点的数量大约50和平滑系数约为250,平均误差值是最小的。低山试验区的DEM分析结果如图10。


图10
民主党低山试验区的分析结果。

4所示。讨论

民主党缩放算法基于多频带小波分解进行了研究。从民主党的实际应用需求出发,建立DEM的基本原理扩大。考虑DEM的精度因素规模升级,民主党规模升级算法构建了基于随机数。使用多分辨率分析和多尺度分析的特点多频波,减少民主党扩大的一种方法提出了基于多小波分解(26]。本质上,地图是一个客观的科学抽象概括(合成)和现有的特性和变化规律。最典型和重要的地形图的地图,因为客观世界描述是多彩多样的三维空间实体,有一个不可逾越的关系表达式的二维空间和三维的现实世界。因此,地图学者们一直致力于三维地形图的代表几千年来,试图找到一种表示方法,不仅能符合人们的视觉生理习惯也恢复真正的地形。DEM地形表面的数学模型。从数学上讲,高程模型是一个二维的连续函数。因此,DEM高程模型的离散表示。民主党的表示方法可以分为三类,即常规的网格模型,轮廓模型和不规则三角测量方法。其中,普通网格模型是最常用的模型。在数据收集中,许多的形式获得的原始数据是离散的点。 In practical applications, it is necessary to use the DEM interpolation algorithm to generate a regular grid model. Using spatial interpolation algorithm to interpolate terrain can effectively analyze geological body information. With the continuous development of computer visualization technology in recent years, the expression of ore bodies is realized through three-dimensional modeling. Some discrete sample points with known grade and other information can be used to perform sample points with unknown information within a certain range [27,28]。

使用前DEM误差模型,地形数据应该预处理,使其符合假设的一个稳定的随机过程,以提高DEM精度评估的可靠性。表面通常有一个特定的总体趋势,如地形的斜率,斜率的趋势,大萧条时期的盆地和山脉的隆起和山;趋势是一定量的明确的解析公式,可以由趋势面分析。消除趋势后,剩下的就是随机的残留,包括相关的随机部分和不相关的随机部分(白噪声)。相关的随机部分都有一个特定的空间自相关(距离越近,越相似的值)。对于地形数据,删除后的残留量的趋势可以被认为是一个平稳随机过程,和协方差函数的随机过程可以通过统计分析来估计。距离的协方差函数是一个函数,通常是一个单调递减积极的偶函数。当地表变化越来越复杂,其趋势面相对更加复杂。在选择趋势面方程,初步分析地形数据应该进行,应该使用和可视化方法,也就是说,通过比较各种趋势的协方差云图表面,协方差的云越收敛图,更好的符合经验协方差函数,更好的地形数据的稳定性,可靠性越高的DEM精度预测(29日]。

获取DEM的精度像素是DEM误差模型研究的基本目标,和它的最终目标是误差模型的应用程序,也就是说,如何提供理论支持民主党的可靠性评估数据建模策略和民主党的工程应用和分析。首先,DEM误差模型可以反过来指导DEM数据采样。DEM地形数据抽样导致DEM误差的主要因素之一。DEM数据抽样应该考虑地形本身的特点。相同数量的数据收集,一个好的地形数据采样策略可以显著降低民主党错误。与传统的地形测量领域,数字高程模型数据采样点的基本原理是恢复和重建地形表面通过最少采样点。是否随机分布抽样,正则分布抽样,进步抽样,选择性抽样,或混合抽样,尽管它是专为地形高程采样基于上述原则,它具有普遍意义;,他们也适合收集nonelevation数据在地理信息系统,如地质、土壤、气候和其他数据(30.,31日]。

民主党缩放算法基于多波段的组合小波和插值算法。首先,使用多波段执行双线性插值小波分解得到的高频部分和使用它作为低频部分与原DEM数据。通过多频带小波逆变换,缩小的DEM数据,实验结果的主观和客观评价。第二,DEM误差模型的研究将为民主党提供决策支持和评价标准的应用和分析。评价DEM数据的适用性,DEM误差模型可以解决各种应用程序的准确性评价问题,所以该模型精度可以为用户提供决策支持民主党的适用性的评价:评价的民主党插值模型,DEM误差模型生成DEM精度的各种插值模型,最后,民主党插值模型的优点和缺点可以根据比较和统计。逆distance-weighted插值算法的评价,因为DEM精度误差模型可以生成领域,它可以评估IDW算法的优点和缺点更加科学和客观的(32]。

5。结论

人们生活在地球上,到处都是接触到地球表面。尽管来自各行各业的人有不同的需求和研究重点,他们有一个共同的希望:表达实际表面现象在一个方便和准确的方法。在早期阶段,测量知识和技术是相对稀缺的,人不可能真正复制表面形状和象形图主要用于描述地形。基于DEM模型的深入、系统研究建立和轮廓的形成,本文使用不同的地形特征数据进行实验。重新取样的等高线图,生成DEM数据,建立等值线。的一种新方法来判断采用等值线的质量。分析了DEM数据融合的理论和实验测试数据融合对民主党的最终质量的影响。基于逆distance-weighted插值算法,一直努力提高DEM的质量。是地球空间的基础科学,民主党有巨大的发展前景。与此同时,民主党也扮演了重要角色; for example, it plays an important role in analyzing terrain data in geographic information system (GIS) database. The DEM error model can theoretically complete the modeling and expression of the local accuracy of the DEM and analyze the spatial structure of the DEM error. However, due to the multisource nature of the DEM data source and the wide range of DEM applications, the DEM accuracy research work faces new research content.

数据可用性

没有数据被用来支持本研究。

的利益冲突

在这项研究中没有任何潜在的利益冲突。