this GCPs spatial sampling design m

this GCPs spatial sampling design might be potentially inefficient.
At the opposite extreme, the SCS GCPs spatial sampling design achieves even coverage of the entire reference image.
Underthe condition that we have no information about the geometric correctionmodel parameters,
which are almost invariably unknown in advance,
it will usually be appropriate to consider the SCS GCPssampling design.
SCS can be regard as a model-independent sample design,
defined in terms of the geometry of the sample location(Royle and Nychka, 1998).
The resulting design of SCS tends to be spatially regular in appearance,
as shown in Figs. 2b and 5b.
Likewise, the reference image in the simulation or actual image
experiment is square. Therefore, the optimal SCS of 16 GCPs from a
regular square takes the midpoints of 16 subsquares of equal area.
Nevertheless, in practical applications, the references or uncorrected
images are irregular and it is difficult to equally divide the
image artificially. In these situations, SCS can be used to provide an
optimal way for obtaining the GCPs.
Compared with SCS, UKMS can be regarded as a modeldependent
approach. It achieves two purposes, which are the
efficient estimation of geometric correction model parameters and
the efficient prediction of the spatial distribution of residuals. These
two purposes are balanced by minimizing the universal kriging prediction
error variance. Brus and Heuvelink (2007) showed that the
universal kriging variance incorporates both the estimation error
variance of the trend and the prediction error variance of the residual.
After minimizing the mean (or sum) of the universal kriging
variance for the entire image, one automatically obtains the right
balance between optimization of the sample pattern in geographic
and feature spaces. From Figs. 6 and 7, it was demonstrated that
the UKMS design, which considered the spatial autocovariance of
regression residuals, was efficient to estimate the parameters of
geometric correction models. 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:

ออกแบบการสุ่มตัวอย่างพื้นที่ GCPs นี้อาจอาจต่ำที่สุด ตรงข้ามแบบสุ่มปริภูมิ GCPs อันคุ้มค่าได้รับความครอบคลุมแม้ภาพอ้างอิงทั้งหมดเรามีข้อมูลเกี่ยวกับพารามิเตอร์ correctionmodel เรขาคณิต เงื่อนไข Underthe ที่จะไม่รู้จักเกือบเกิดล่วงหน้ามันมักจะเป็นที่เหมาะสมต้องพิจารณาการออกแบบ GCPssampling อันคุ้มค่า อันคุ้มค่าสามารถมีสัมมาคารวะเป็นแบบตัวอย่างรูปแบบอิสระกำหนดในรูปแบบของเรขาคณิตของสถานที่เก็บตัวอย่าง (Royle และ Nychka, 1998) การออกแบบผลลัพธ์อันคุ้มค่าที่มีแนวโน้มจะ spatially ปกติในลักษณะตามที่แสดงใน Figs. 2b และ 5bในทำนองเดียวกัน ภาพอ้างอิงในการจำลองหรือภาพจริงทดลองเป็นสี่เหลี่ยม ดังนั้น ดีที่สุดอันคุ้มค่าของ 16 GCPs จากการสี่เหลี่ยมปกติจะจ้างของของ subsquares 16 พื้นที่เท่ากันอย่างไรก็ตาม ในการประยุกต์ใช้งานจริง การอ้างอิง หรือ uncorrectedภาพจะไม่สม่ำเสมอ และยากจะแบ่งเท่า ๆ กันภาพสมยอม ในสถานการณ์เหล่านี้ อันคุ้มค่าสามารถใช้เพื่อให้การวิธีดีที่สุดสำหรับรับ GCPs แบบเมื่อเทียบกับอันคุ้มค่า UKMS อาจถือเป็นการ modeldependentแนวทางการ จะได้รับวัตถุประสงค์ที่สอง ที่มีการการประเมินประสิทธิภาพการแก้ไขรูปทรงเรขาคณิตรูปแบบพารามิเตอร์ และทำนายประสิทธิภาพของการกระจายของค่าคงเหลือ เหล่านี้วัตถุประสงค์สองประการจะมีความสมดุล โดยลดการคาดเดา kriging สากลผลต่างของข้อผิดพลาด Brus และ Heuvelink (2007) พบว่าการผลต่าง kriging สากลประกอบด้วยทั้งประเมินข้อผิดพลาดความแปรปรวนของแนวโน้มและคาดการณ์ข้อผิดพลาดความแปรปรวนของส่วนที่เหลือจากการหลังจากลดเฉลี่ย (หรือผล) ของ kriging สากลผลต่างสำหรับภาพทั้งหมด หนึ่งโดยอัตโนมัติได้รับขวาสมดุลระหว่างการเพิ่มประสิทธิภาพของรูปแบบตัวอย่างในทางภูมิศาสตร์และภายในช่องว่าง จาก Figs. 6 และ 7 มันถูกแสดงที่การออกแบบ UKMS ซึ่ง autocovariance พื้นที่ของถดถอยค่าคงเหลือ มากประเมินพารามิเตอร์ของรูปแบบการแก้ไขรูปทรงเรขาคณิต ดังนั้น UKMS ทำส่วนทั้งทดลองแก้ไขเรขาคณิตจำลองและภาพจริงในการ 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:

การออกแบบการสุ่มตัวอย่างเชิงพื้นที่ GCPs อาจจะไม่มีประสิทธิภาพอาจเกิดขึ้น.
ที่มากตรงข้าม, การออกแบบการสุ่มตัวอย่างเชิงพื้นที่ SCS GCPs ประสบความสำเร็จในความคุ้มครองแม้แต่ภาพอ้างอิงทั้งหมด.
สภาพสังกัดว่าเรามีข้อมูลเกี่ยวกับพารามิเตอร์ correctionmodel เรขาคณิตไม่มี
ที่เกือบจะไม่รู้จักอย่างสม่ำเสมอล่วงหน้า ,
ก็มักจะมีความเหมาะสมที่จะต้องพิจารณาการออกแบบ SCS GCPssampling.
SCS สามารถเป็นเรื่องเป็นตัวอย่างรูปแบบการออกแบบอิสระ
ที่กำหนดไว้ในแง่ของรูปทรงเรขาคณิตของสถานที่ตั้งตัวอย่าง (รอยล์และ Nychka, 1998).
การออกแบบที่เกิดจาก SCS มีแนวโน้มที่จะ สันนิฐานเป็นปกติในลักษณะ
ดังแสดงในมะเดื่อ 2b และ 5b.
ในทำนองเดียวกันภาพการอ้างอิงในการจำลองหรือภาพที่เกิดขึ้นจริง
ทดลองเป็นตาราง ดังนั้นที่ดีที่สุดของ SCS 16 GCPs จาก
ตารางปกติจะใช้เวลากึ่งกลางของ subsquares 16 ของพื้นที่เท่ากัน.
อย่างไรก็ตามในการปฏิบัติงาน, การอ้างอิงหรือแก้ไข
ภาพที่มีความผิดปกติและเป็นเรื่องยากที่จะแบ่งเท่า ๆ กัน
ภาพเทียม ในสถานการณ์เหล่านี้ SCS สามารถนำมาใช้เพื่อให้
วิธีที่ดีที่สุดสำหรับการได้รับ GCPs.
เมื่อเทียบกับ SCS, UKMS สามารถถือเป็น modeldependent
วิธี มันประสบความสำเร็จสองวัตถุประสงค์ที่มี
การประมาณค่าที่มีประสิทธิภาพของพารามิเตอร์รูปแบบการแก้ไขเรขาคณิตและ
การคาดการณ์ที่มีประสิทธิภาพของการกระจายของเศษ เหล่านี้
มีจุดประสงค์สองมีความสมดุลโดยการลดการคาดการณ์ kriging สากล
แปรปรวนข้อผิดพลาด brus และ Heuvelink (2007) แสดงให้เห็นว่า
ความแปรปรวน kriging สากลรวมทั้งข้อผิดพลาดของการประมาณค่า
ความแปรปรวนของแนวโน้มและความแปรปรวนข้อผิดพลาดของการทำนายที่เหลือ.
หลังจากที่ลดค่าเฉลี่ย (หรือผลรวม) ของ kriging สากล
แปรปรวนสำหรับภาพทั้งหมดหนึ่งโดยอัตโนมัติ ได้รับสิทธิ
ความสมดุลระหว่างการเพิ่มประสิทธิภาพของรูปแบบตัวอย่างในทางภูมิศาสตร์
พื้นที่และคุณลักษณะ จากมะเดื่อ 6 และ 7 มันก็แสดงให้เห็นว่า
การออกแบบ UKMS ซึ่งถือว่า autocovariance เชิงพื้นที่ของ
เหลือถดถอยมีประสิทธิภาพในการประมาณค่าพารามิเตอร์ของ
แบบจำลองการแก้ไขรูปทรงเรขาคณิต ดังนั้น UKMS ดำเนินการที่ดีที่สุดทั้งใน
การจำลองและภาพที่เกิดขึ้นจริงการทดลองการแก้ไขรูปทรงเรขาคณิต.
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:

นี้ gcps ออกแบบการสุ่มตัวอย่างเชิงพื้นที่อาจจะอาจไม่ได้ผล .
ที่รุนแรงตรงข้าม SCS gcps ตัวอย่างการออกแบบที่มีความครอบคลุมของพื้นที่แม้ภาพอ้างอิงทั้งหมด
สังกัดสภาพว่าเราไม่มีข้อมูลเกี่ยวกับพารามิเตอร์ correctionmodel เรขาคณิต , ซึ่งเป็นเกือบเสมอ

ไม่ทราบล่วงหน้า มันมักจะเป็นที่เหมาะสมที่จะพิจารณา SCS gcpssampling การออกแบบ
SCS สามารถพิจารณาเป็นรูปแบบอิสระตัวอย่างการออกแบบ
นิยามในแง่ของลักษณะทางเรขาคณิตของสถานที่ ( จากตัวอย่าง และ nychka , 1998 )
ผลการออกแบบของ SCS มีแนวโน้มที่จะเปลี่ยนเป็นประจำในลักษณะ
ดังแสดงในผลมะเดื่อ . 2B กับ 5B
อนึ่ง ภาพอ้างอิงในการคำนวณหรือทดลองภาพ
จริงเป็นรูปสี่เหลี่ยม ดังนั้น เหมาะสม SCS 16 gcps จาก
ตารางปกติใช้เวลา midpoints 16 subsquares พื้นที่เท่ากัน
อย่างไรก็ตาม ในการปฏิบัติงาน เอกสารอ้างอิง หรือ uncorrected
ภาพที่ผิดปกติ และมันเป็นเรื่องยากที่จะแบ่ง
ภาพเท่าเทียม ในสถานการณ์เหล่านี้ , SCS สามารถใช้เพื่อให้วิธีการที่เหมาะสมสำหรับการ gcps
.
เมื่อเทียบกับ SCS ukms สามารถถือเป็นวิธีการ modeldependent

มันใช้สองวัตถุประสงค์ ซึ่งเป็นค่าประสิทธิภาพของพารามิเตอร์ของแบบจำลอง

แก้ไขเรขาคณิตและการทำนายประสิทธิภาพของการกระจายตัวเชิงพื้นที่ของความคลาดเคลื่อน . เหล่านี้
สองวัตถุประสงค์มีความสมดุลโดยการลดความแปรปรวนของความคลาดเคลื่อนการพยากรณ์สากลคริกกิ้ง
. บรุส และ heuvelink ( 2007 ) พบว่าความแปรปรวน
คริกกิ้งสากลประกอบด้วยทั้งการประเมินข้อผิดพลาด
ความแปรปรวนของความคลาดเคลื่อนการพยากรณ์แนวโน้มและความแปรปรวนของส่วนที่เหลือ .
หลังจากลดหมายถึง ( หรือรวม ) ความแปรปรวนของคริกกิ้ง
สากลสำหรับภาพทั้งหมดอย่างใดอย่างหนึ่งโดยอัตโนมัติได้รับสิทธิ
ความสมดุลระหว่างการเพิ่มประสิทธิภาพของตัวอย่างแบบแผนในทางภูมิศาสตร์
และมีช่องว่าง จากลูกมะเดื่อ . 6 และ 7 มัน )
ukms การออกแบบ ซึ่งถือว่า autocovariance พื้นที่
ค่าประสิทธิภาพการถดถอย , การประมาณค่าพารามิเตอร์ของ
รุ่นแก้ไขรูปทรงเรขาคณิต ดังนั้น ukms มีประสิทธิภาพดีที่สุดในการจำลองและรูปเรขาคณิตแก้ไข

เท่าที่ทดลอง ในการเพิ่มประสิทธิภาพ gcps ukms , วัดคุณภาพของ mukv
ไม่ได้ขึ้นอยู่กับข้อมูลคุณค่าตัวเอง แต่เพียงในรูปแบบเชิงพื้นที่ของปัจจัย

และทดสอบโครงสร้างของค่า .นี้ช่วยให้เราสามารถคำนวณ mukv ก่อนเก็บ
gcps พิกัด อย่างไรก็ตาม ความต้องการของ ukms variogram
ถดถอยซึ่งคำนวณความแปรปรวนของกลุ่มตัวอย่างและพยากรณ์
ก่อนตัวอย่างการเพิ่มประสิทธิภาพ ในกระดาษนี้ variogram
โดย SCS เรขาคณิตแก้ไข ดังนั้น จึงต้องการ
เก็บ gcps สองเท่า : ครั้งแรกคือ การรวบรวม gcps สำหรับ
SCS เรขาคณิตแก้ไขซึ่ง เพื่อให้ได้รูปแบบการถดถอย
และตกค้าง variogram ; ครั้งที่สองคือการรวบรวม
gcps สำหรับ ukms เรขาคณิตแก้ไขตามผล
SCS . ผล วิธีการนี้จะมีประสิทธิภาพน้อยกว่า แม้ว่า
ukms บรรลุการแก้ไขรูปทรงเรขาคณิตที่ถูกต้องที่สุด นอกจากนี้
นี้ variogram ของสมการถดถอยซึ่งมักจะมีความไม่แน่นอน
ซึ่งจะเผยแพร่ใน ukms optimization และมีผลต่อ
GCP การตั้งค่า ดังนั้น การจัดการกับสถานการณ์ที่ไม่ variogram
ก่อนเป็นที่รู้จักหรือ variogram มีความไม่แน่นอนเป็นปัญหาสำคัญในการเพิ่มประสิทธิภาพ ukms
. ดิกเกิล และ ริเบโร่ ( 2007 ) ให้
วิธีการแก้ปัญหานี้ผ่านการใช้สำหรับ
geostatistical ) ในวิธีนี้
variogram ตกค้างสามารถจำลอง จากการตัดสินของผู้เชี่ยวชาญหรือประสบการณ์เชิงประจักษ์
จากนั้นหนึ่งถือว่า variogram เป็นไม่แน่นอนและประมาณการของ
ค่าใช้วิธีการเบส์ ( ดิกเกิล และ lophaven , 2006 ;
ดิกเกิล และ ริเบโร่ , 2007 ) ดังนั้น วิธี geostatistical
นี้สำหรับสามารถนำมาใช้ในการเพิ่มประสิทธิภาพ gcps รูปแบบ
เมื่อไม่ variogram หรือเป็นที่รู้จักกัน variogram มีความไม่แน่นอน