Three different GCPs spatial sampli

Three different GCPs spatial sampling designs, those relating to
SRS, SCS, and UKMS, were designed for geometric correction. In
a SRS sampling design, the GCPs are selected randomly, which is
often required by geometric correction models for the inference.
However, SRS may lead to an uneven cover of the image space,
therefore, 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. Under
the condition that we have no information about the geometric correction
model parameters, which are almost invariably unknown
in advance, it will usually be appropriate to consider the SCS GCPs
sampling 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) 2:

แตกต่างกันสาม GCPs ออกแบบสุ่มตัวอย่างเชิงพื้นที่ที่เกี่ยวข้องกับ
SRS, SCS และ UKMS, ได้รับการออกแบบสำหรับการแก้ไขรูปทรงเรขาคณิต ใน
การออกแบบการสุ่มตัวอย่าง SRS, GCPs จะถูกสุ่มเลือกซึ่งเป็นที่
มักจะต้องตามรูปแบบการแก้ไขรูปทรงเรขาคณิตสำหรับอนุมาน.
อย่างไรก็ตาม SRS อาจนำไปสู่ความไม่สมดุลครอบคลุมพื้นที่ภาพ
ดังนั้นการออกแบบการสุ่มตัวอย่างเชิงพื้นที่ GCPs อาจจะอาจ
ไม่มีประสิทธิภาพ ที่มากตรงข้ามสุ่มตัวอย่างเชิงพื้นที่ SCS GCPs
การออกแบบที่ประสบความสำเร็จแม้การรายงานข่าวของภาพอ้างอิงทั้งหมด ภายใต้
เงื่อนไขที่ว่าเรามีข้อมูลเกี่ยวกับการแก้ไขรูปทรงเรขาคณิตที่ไม่มี
พารามิเตอร์แบบซึ่งเกือบจะไม่รู้จักอย่างสม่ำเสมอ
ล่วงหน้าก็มักจะมีความเหมาะสมที่จะต้องพิจารณา SCS GCPs
การออกแบบการสุ่มตัวอย่าง SCS สามารถเป็นเรื่องเป็นตัวอย่างรูปแบบอิสระ
การออกแบบที่กำหนดไว้ในแง่ของรูปทรงเรขาคณิตของสถานที่ตั้งตัวอย่าง
(รอยล์และ Nychka, 1998) การออกแบบที่เกิดจาก SCS มีแนวโน้มที่จะ
ได้รับการสันนิฐานปกติในลักษณะดังแสดงในมะเดื่อ 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:

3 gcps แตกต่างเชิงพื้นที่แบบสุ่ม ผู้ที่เกี่ยวข้องกับ
SRS SCS และ ukms , ถูกออกแบบมาสำหรับการแก้ไขรูปทรงเรขาคณิต ใน
SRS ออกแบบการสุ่มตัวอย่าง , gcps จะสุ่มเลือก ซึ่งเป็นรุ่นที่แก้ไขของ
มักจะต้องสำหรับการอนุมาน .
แต่ SRS อาจนําไปไม่เรียบ ปกของภาพพื้นที่
ดังนั้นนี้ gcps ออกแบบการสุ่มตัวอย่างเชิงพื้นที่อาจจะซ่อนเร้น
ไม่ได้ผลที่รุนแรงตรงข้าม SCS gcps พื้นที่ตัวอย่าง
ออกแบบบรรลุแม้ครอบคลุมภาพอ้างอิงทั้งหมด ภายใต้
เงื่อนไขว่าเราไม่มีข้อมูลเกี่ยวกับเรขาคณิตแก้ไข
พารามิเตอร์ซึ่งเป็นเกือบเสมอไม่รู้
ล่วงหน้า มันมักจะอยู่ที่เหมาะสมที่จะพิจารณา SCS gcps
การออกแบบการสุ่มตัวอย่าง SCS สามารถพิจารณาเป็นรูปแบบอิสระตัวอย่าง
ออกแบบที่กำหนดไว้ในข้อตกลงของรูปทรงเรขาคณิตของตัวอย่างที่ตั้ง
( Royle และ nychka , 1998 ) ผลการออกแบบของ SCS มีแนวโน้มจะเปลี่ยนไป
ปกติในลักษณะตามที่ปรากฏในผลมะเดื่อ . 2B กับ 5B
อนึ่ง ภาพอ้างอิงในการคำนวณหรือทดลองภาพ
จริงเป็นรูปสี่เหลี่ยม ดังนั้น เหมาะสม SCS 16 gcps จาก
ตารางปกติใช้เวลา midpoints 16 subsquares
แต่พื้นที่เท่ากันในการปฏิบัติงาน เอกสารอ้างอิง หรือ uncorrected
ภาพที่ผิดปกติ และมันเป็นเรื่องยากที่จะแบ่ง
ภาพเท่าเทียม ในสถานการณ์เหล่านี้ , SCS สามารถใช้เพื่อให้วิธีการที่เหมาะสมสำหรับการ gcps
.
เมื่อเทียบกับ SCS ukms สามารถถือเป็นวิธีการ modeldependent

มันใช้สองวัตถุประสงค์ซึ่งเป็น
การประเมินประสิทธิภาพของรูปแบบการแก้ไขพารามิเตอร์ทางเรขาคณิตและ
ทำนายประสิทธิภาพของการกระจายตัวเชิงพื้นที่ของความคลาดเคลื่อน . 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