<\/HEAD>
Ik wil graag een belangrijk artikel delen geschreven door twee van mijn collegas, @Konstantin Krivoruchko en @Kevin Butler. Dit is een must-read voor iedereen die werkt met DEMs, vooral voor degenen die op zoek zijn naar een aanvullende\/alternatieve DEM-creatiebenadering met aanzienlijke verklarende kracht.<\/P>
<\/P>
Om je eetlust op te wekken uit het artikel:<\/P>
"Rastergebaseerde digitale hoogtemodellen (DEM) vormen de basis van enkele van de belangrijkste GIS-workflows: hydrologische modellering, locatiegeschiktheid en kostenpadanalyse. Hoewel er verschillende technieken zijn om digitale hoogtemodellen (DEMs) te genereren, kan geen van hen een echte hoogteoppervlakte produceren. Lokaal variërende meetfouten en de onnauwkeurigheid van de interpolatiemethoden dragen bij aan de onzekerheid van de schatting van het model van de werkelijke hoogtewaarde. Kriging-modellen en geostatistische simulaties beschikbaar in de Geostatistical Analyst-extensie voor ArcGIS 10.1 for Desktop om de ruimtelijk variërende onzekerheid van een DEM afgeleid van lidar-gegevens te kwantificeren. ...<\/P>
<\/P>
Een alternatief voor deterministische algoritmen, probabilistische statistische interpolatiemethoden zoals kriging, hebben verschillende voordelen ten opzichte van deterministische methoden. Empirical Bayesian Kriging: Implemented in ArcGIS Geostatistical Analyst, een artikel in het herfstnummer 2012 van ArcUser magazine bespreekt deze voordelen in detail."<\/P>
<\/P>
Om verder te lezen en om rechtstreeks contact op te nemen met de auteurs, vindt u het bijgevoegde bestand.<\/P>
<\/P>
Veel succes met kriging!<\/P><\/BODY><\/HTML>
