Hence, UKMS performs best in both s

Hence, UKMS performs best in both simulation and actual-image geometric correction experiments.
As in the UKMS GCPs optimization, the quality measure of MUKV
does not depend on the data values themselves but merely on the
spatial pattern of the predictors and the covariance structure of the
residuals. This allows us to compute the MUKV before collecting
the GCPs coordinates. However, the UKMS needs the variogram of
regression residuals to calculate the covariance of samples and predictors
before samples optimization. In this paper, the variogram
was provided by the SCS geometric correction. Therefore, it needs
to collect GCPs for twice: the first time is to collect the GCPs for
SCS geometric correction which in order to obtain the regression
form and regression residual variogram; the second time is to collect
GCPs for UKMS geometric correction based on the results of
SCS. As a result, this method becomes less efficient, even though
UKMS achieves the most accurate geometric correction. Besides
this, the variogram of regression residuals always contains uncertainty,
which will propagate into UKMS optimization and affect
the GCP configuration. Hence, dealing with the situation that no
prior variogram is known or the variogram has uncertainty is a
key problem in UKMS optimization. Diggle and Ribeiro (2007) provided
a way to solve this problem through utilizing a model-based
geostatistical approach. In this approach, the residual variogram
can be modeled from expert judgment or empirical experience.
Then one treats the variogram as being uncertain and estimates its
parameters using a Bayesian approach (Diggle and Lophaven, 2006;
Diggle and Ribeiro, 2007). Therefore, this model-based geostatistical
method can be adopted in the GCPs spatial pattern optimization
when no variogram is known or variogram has uncertainty.

ผลลัพธ์ (ไทย) 1:

ดังนั้น UKMS ทำส่วนในทดลองแก้ไขเรขาคณิตจำลองและภาพจริงในการ UKMS GCPs เพิ่มประสิทธิภาพ การวัดคุณภาพของ MUKVขึ้นอยู่กับค่าข้อมูลตัวเองแต่เพียงในการรูปแบบพื้นที่ predictors ที่และโครงสร้างความแปรปรวนร่วมของตัวค่าคงเหลือ นี้ช่วยให้เราคำนวณ MUKV ก่อนที่จะรวบรวมพิกัด GCPs อย่างไรก็ตาม UKMS ต้องการ variogram ของถดถอยค่าคงเหลือเพื่อคำนวณความแปรปรวนร่วมของตัวอย่างและ predictorsก่อนที่จะเพิ่มประสิทธิภาพของตัวอย่าง ในเอกสารนี้ variogramได้รับจากการแก้ไขทางเรขาคณิตอันคุ้มค่า ดังนั้น จะต้องเก็บ GCPs สำหรับสอง: เป็นครั้งแรกคือการ รวบรวม GCPs สำหรับการแก้ไขทางเรขาคณิตอันคุ้มค่าซึ่งเพื่อให้ได้การถดถอยแบบฟอร์มและถดถอยเหลือ variogram ครั้งที่สองคือการ รวบรวมGCPs สำหรับตามผลลัพธ์ของการแก้ไขทางเรขาคณิต UKMSอันคุ้มค่า ดัง วิธีนี้จะมีประสิทธิภาพน้อย แม้ว่าUKMS ได้รับการแก้ไขทรงเรขาคณิตที่แม่นยำมากที่สุด สำรองห้องพักนี้ variogram ของค่าคงเหลือถดถอยประกอบด้วยความไม่แน่นอน เสมอซึ่งจะเผยแพร่ใน UKMS เพิ่มประสิทธิภาพ และส่งผลกระทบต่อการกำหนดค่า GCP ดังนั้น การจัดการกับสถานการณ์ที่ไม่เป็นที่รู้จักกันก่อนหน้านี้ variogram หรือ variogram มีความไม่แน่นอนเป็นการปัญหาสำคัญในการเพิ่มประสิทธิภาพ UKMS Diggle และ Ribeiro (2007) ให้วิธีการแก้ปัญหานี้ โดยใช้แบบจำลองโดยใช้geostatistical วิธีการ ในวิธีการนี้ variogram ส่วนที่เหลือสามารถจำลองจากพิพากษาผู้เชี่ยวชาญหรือประสบการณ์ประจักษ์แล้วปฏิบัติการ variogram เป็นแน่ และประเมินของพารามิเตอร์ที่ใช้เป็นแนวทางทฤษฎี (Diggle และ Lophaven, 2006Diggle ก Ribeiro, 2007) ดังนั้น นี้ใช้แบบจำลอง geostatisticalสามารถนำวิธีการในการปรับรูปแบบปริภูมิ GCPsเมื่อ variogram ไม่ได้รู้จักหรือ variogram มีความไม่แน่นอน

ผลลัพธ์ (ไทย) 2:

ดังนั้น UKMS ดำเนินการที่ดีที่สุดทั้งในการจำลองและภาพที่เกิดขึ้นจริงการทดลองการแก้ไขรูปทรงเรขาคณิต.
ในขณะที่การเพิ่มประสิทธิภาพ UKMS GCPs, วัดคุณภาพของ MUKV
ไม่ได้ขึ้นอยู่กับข้อมูลค่าตัวเอง แต่เพียงใน
รูปแบบเชิงพื้นที่ของการพยากรณ์และโครงสร้างความแปรปรวนของ
เหลือ นี้ช่วยให้เราสามารถคำนวณ MUKV ก่อนที่จะเก็บรวบรวม
พิกัด GCPs อย่างไรก็ตาม UKMS ต้องการ variogram ของ
เหลือถดถอยในการคำนวณความแปรปรวนของกลุ่มตัวอย่างและพยากรณ์
ก่อนตัวอย่างการเพิ่มประสิทธิภาพ ในบทความนี้ variogram
ได้รับจากการแก้ไขรูปทรงเรขาคณิต SCS ดังนั้นจึงต้องการ
ที่จะเก็บ GCPs สำหรับครั้งที่สอง: เป็นครั้งแรกคือการรวบรวม GCPs สำหรับ
การแก้ไขรูปทรงเรขาคณิต SCS ซึ่งอยู่ในลำดับที่จะได้รับการถดถอย
รูปแบบและการถดถอย variogram เหลือ; ครั้งที่สองคือการรวบรวม
GCPs สำหรับการแก้ไขรูปทรงเรขาคณิต UKMS ขึ้นอยู่กับผลของ
SCS เป็นผลให้วิธีการนี้จะมีประสิทธิภาพน้อยลงแม้ว่า
UKMS ประสบความสำเร็จในการแก้ไขรูปทรงเรขาคณิตที่ถูกต้องที่สุด นอกจาก
นี้ variogram ของเศษถดถอยเสมอมีความไม่แน่นอน
ซึ่งจะเผยแพร่ในการเพิ่มประสิทธิภาพ UKMS และมีผลต่อ
การกำหนดค่า GCP ดังนั้นการรับมือกับสถานการณ์ที่ไม่มี
variogram ก่อนเป็นที่รู้จักกันหรือ variogram มีความไม่แน่นอนเป็น
ปัญหาที่สำคัญในการเพิ่มประสิทธิภาพ UKMS ดิ๊กเกิ้ลและแบร์โต (2007) ให้
วิธีการที่จะแก้ปัญหานี้ผ่านการใช้แบบที่ใช้
วิธีการ geostatistical ในวิธีนี้ variogram ที่เหลือ
. สามารถจำลองจากผู้ทรงคุณวุฒิหรือประสบการณ์เชิงประจักษ์
จากนั้นหนึ่งถือว่า variogram ว่าเป็นความไม่แน่นอนและประมาณการของ
พารามิเตอร์โดยใช้วิธีการแบบเบย์ (ดิ๊กเกิ้ลและ Lophaven 2006;
ดิ๊กเกิ้ลและแบร์โต 2007) ดังนั้น geostatistical ตามโมเดลนี้
วิธีการที่สามารถนำมาใช้ในการเพิ่มประสิทธิภาพของรูปแบบเชิงพื้นที่ GCPs
เมื่อไม่มี variogram เป็นที่รู้จักหรือมีความไม่แน่นอน variogram

ผลลัพธ์ (ไทย) 3:

ดังนั้น ukms มีประสิทธิภาพดีที่สุดในการจำลองและการทดลองการแก้ไขภาพเรขาคณิต .
ในการเพิ่มประสิทธิภาพ gcps ukms , วัดคุณภาพของ mukv
ไม่ได้ขึ้นอยู่กับข้อมูลคุณค่าตัวเอง แต่เพียงในรูปแบบเชิงพื้นที่ของปัจจัย

และทดสอบโครงสร้างของค่า . นี้ช่วยให้เราสามารถคำนวณ mukv ก่อนเก็บ
gcps พิกัด อย่างไรก็ตามการ ukms ความต้องการ variogram ของ
ถดถอยซึ่งคำนวณความแปรปรวนของกลุ่มตัวอย่างและพยากรณ์
ก่อนตัวอย่างการเพิ่มประสิทธิภาพ ในกระดาษนี้ variogram
โดย SCS เรขาคณิตแก้ไข ดังนั้น จึงต้องการ
เก็บ gcps สองเท่า : ครั้งแรกคือ การรวบรวม gcps สำหรับ
SCS เรขาคณิตแก้ไขซึ่งในการขอรับการ
แบบฟอร์มและขั้นตอนที่เหลือ variogram ; ครั้งที่สองคือการรวบรวม
gcps สำหรับ ukms เรขาคณิตแก้ไขตามผล
SCS . ผล วิธีการนี้จะมีประสิทธิภาพน้อยกว่า แม้ว่า
ukms บรรลุการแก้ไขรูปทรงเรขาคณิตที่ถูกต้องที่สุด นอกจากนี้
นี้ variogram ของสมการถดถอยซึ่งมักจะมีความไม่แน่นอน ซึ่งจะเผยแพร่ใน ukms

เพิ่มประสิทธิภาพและมีผลต่อด้าน GCP การตั้งค่า ดังนั้น การจัดการกับสถานการณ์ที่ไม่ variogram
ก่อนเป็นที่รู้จักหรือ variogram มีความไม่แน่นอนเป็นปัญหาสำคัญในการเพิ่มประสิทธิภาพ ukms
. ดิกเกิล และ ริเบโร่ ( 2007 ) ให้
วิธีการแก้ปัญหานี้ผ่านการใช้สำหรับ
geostatistical ) ในวิธีนี้
variogram ที่เหลือสามารถจำลอง จากการตัดสินของผู้เชี่ยวชาญหรือประสบการณ์เชิงประจักษ์
ก็ถือว่า variogram เป็นไม่แน่นอนและประมาณการของ
ค่าใช้วิธีการเบส์ ( ดิกเกิล และ lophaven , 2006 ;
ดิกเกิล และ ริเบโร่ , 2007 ) ดังนั้น วิธี geostatistical
นี้สำหรับสามารถนำมาใช้ในการเพิ่มประสิทธิภาพ gcps รูปแบบ
เมื่อไม่ variogram หรือเป็นที่รู้จักกัน variogram มีความไม่แน่นอน