في هذه الدراسة تم التركيز على المقارنة بين عدة طرق استيفاء لتشكيل سطح التضاريس
لمنطقة الدراسة انطلاقاً من قياسات حقلية لشبكات تربيعية ذات تباعدات مختلفة.
In this study, we focused on the interpolation methods for the
derivation of digital elevation models, based on field gridding
observations with different spacing.
Artificial intelligence review:
Research summary
تتناول هذه الدراسة دقة طرق الاستيفاء في إنتاج النماذج الارتفاعية الرقمية (DEMs) باستخدام قياسات شبكية حقلية. تُستخدم هذه النماذج في العديد من التطبيقات مثل الهيدرولوجيا، الكارتوغرافيا، الجيولوجيا، والعمارة. تعتمد دقة هذه النماذج على عدة عوامل، من بينها طريقة الاستيفاء المستخدمة. في هذه الدراسة، تم مقارنة طرق الاستيفاء المختلفة مثل KRIGING وIDW لتشكيل سطح التضاريس بناءً على قياسات شبكية بتباعدات مختلفة. أظهرت النتائج أن طريقة KRIGING أعطت أفضل النتائج في حالة البيانات ذات الكثافة المنخفضة والعالية، بينما لم تظهر طريقة IDW أي حساسية لتغير عامل قوة الوزن. تم تقييم دقة النماذج باستخدام مؤشرات مثل RMSE، وأظهرت النتائج أن النماذج المولدة من الارتفاعات المستنتجة كانت قريبة من دقة النماذج المولدة من الارتفاعات المقاسة. توصي الدراسة بإعادة الدراسة باستخدام عينات من مناطق ذات تضاريس مختلفة ودراسة تأثير طبوغرافية الأرض على النتائج.
Critical review
دراسة نقدية: تعتبر هذه الدراسة شاملة ومفصلة في تحليل دقة طرق الاستيفاء المختلفة في إنتاج النماذج الارتفاعية الرقمية. ومع ذلك، يمكن أن تكون هناك بعض النقاط التي تحتاج إلى مزيد من التوضيح. على سبيل المثال، لم يتم التطرق بشكل كافٍ إلى تأثير العوامل البيئية الأخرى مثل نوع التربة أو الغطاء النباتي على دقة النماذج. بالإضافة إلى ذلك، كان من الممكن تقديم توصيات أكثر تحديدًا حول كيفية تحسين طرق الاستيفاء بناءً على النتائج المستخلصة. كما أن الدراسة تركز بشكل كبير على الطرق الجيوإحصائية مثل KRIGING دون تقديم تحليل كافٍ للطرق الرياضية المحددة مثل IDW.
Questions related to the research
-
ما هي العوامل التي تؤثر على دقة النماذج الارتفاعية الرقمية؟
تؤثر عدة عوامل على دقة النماذج الارتفاعية الرقمية، من بينها طريقة الاستيفاء المستخدمة، كثافة البيانات، وطبيعة التضاريس.
-
ما هي الطريقة التي أعطت أفضل النتائج في حالة البيانات ذات الكثافة المنخفضة والعالية؟
طريقة KRIGING أعطت أفضل النتائج في حالة البيانات ذات الكثافة المنخفضة والعالية.
-
هل أظهرت طريقة IDW أي حساسية لتغير عامل قوة الوزن؟
لم تظهر طريقة IDW أي حساسية لتغير عامل قوة الوزن.
-
ما هي التوصيات التي قدمتها الدراسة لتحسين دقة النماذج الارتفاعية الرقمية؟
توصي الدراسة بإعادة الدراسة باستخدام عينات من مناطق ذات تضاريس مختلفة، وإجراء قياسات إضافية للنقاط والمعالم المميزة للمنطقة، واختيار طريقة الاستيفاء بحذر بناءً على طبيعة الأرض والغاية من المشروع.
References used
AGUILAR, F and et al 2005 Effects of Terrain Morphology, Sampling Density, and Interpolation Methods on Grid DEM Accuracy, Photogrammetric Engineering and Remote Sensing, 71(7).805-816
CARTER, J.R 1988 Digital representations of topographic surfaces, Photogrammetric Engineering and Remote Sensing, 54(11).1577–1580
CHAPLOT, V DARBOUX, F BOURENNANE, H LEGUÉDOIS, S SILVERA, N PHACHOMPHON, K 2006 Accuracy of interpolation techniques for the derivation of digital elevation models in relation to landform types and data density, Geomorphology ,77(1). 126-140
In this paper, we
describe an algorithm to register the retinal images by employing a relatively
cross-correlation function. Pixel to pixel accuracy has been investigated and
evaluated among registered images by calculating the local cross-correla
This research aimed for using Geographic Information System (GIS) in producing
Digital Elevation Model (DEM) for Dimas District, By applying various methods: Spatial
Analyst, Geo Statistical Analyst, Triangulated Irregular Network (TIN), and interp
3D GIS can be realized as an actual building platform of the urban space. This research develops automated 3D urban models that fit large-scale digital photogrammetry. Originally, modeling used manual or semi-manual techniques, and there is a need to
International river basins are characterized by their wide extent where mapping earth
surface features and drawing contours by topographic team become–somehow- impossible
because the cost and efforts consumed to execute it become very high and may
Deep learning models exhibit a preference for statistical fitting over logical reasoning. Spurious correlations might be memorized when there exists statistical bias in training data, which severely limits the model performance especially in small da