<\/HEAD>
Ich möchte einen wichtigen Artikel teilen, der von zwei meiner Kollegen, @Konstantin Krivoruchko und @Kevin Butler, verfasst wurde. Dies ist ein Muss für alle, die mit DEMs arbeiten, insbesondere für diejenigen, die einen zusätzlichen\/alternativen DEM-Erstellungsansatz mit erheblicher Erklärkraft suchen.<\/P>
<\/P>
Um Ihnen den Appetit auf den Artikel zu machen:<\/P>
„Rasterbasierte digitale Höhenmodelle (DEM) sind die Grundlage einiger der wichtigsten GIS-Workflows: hydrologische Modellierung, Standortbewertung und Kostenpfadanalyse. Obwohl es mehrere Techniken zur Erstellung digitaler Höhenmodelle (DEMs) gibt, kann keine von ihnen eine wahre Höhenoberfläche erzeugen. Lokal variierende Messfehler und die Ungenauigkeit der Interpolationsmethoden tragen zur Unsicherheit der Schätzung des Modells bezüglich des wahren Höhenwerts bei. Kriging-Modelle und geostatistische Simulationen, die in der Geostatistical Analyst-Erweiterung für ArcGIS 10.1 für Desktop verfügbar sind, quantifizieren die räumlich variierende Unsicherheit eines aus Lidar-Daten abgeleiteten DEMs. ...<\/P>
<\/P>
Als Alternative zu deterministischen Algorithmen haben probabilistische statistische Interpolationsmethoden wie Kriging mehrere Vorteile gegenüber deterministischen Methoden. „Empirical Bayesian Kriging: Implemented in ArcGIS Geostatistical Analyst“, ein Artikel in der Herbstausgabe 2012 des ArcUser-Magazins, behandelt diese Vorteile ausführlich.“<\/P>
<\/P>
Um weiterzulesen und die Autoren direkt zu kontaktieren, finden Sie die Anlage.<\/P>
<\/P>
Viel Erfolg beim Kriging!<\/P><\/BODY><\/HTML>
