יותר

באיזו טכניקת דגימה יש להשתמש בעת הקרנת צילומי אוויר?


אני מקרין זמן רב של צילומי אוויר, ואני סקרן - באיזו טכניקת דגימה עדיף להשתמש בתמונות אוויר? ב- ArcMap, האפשרויות שלי הן NEAREST, BILINEAR, CUBIC ו- MAJORITY.

מומלץ לשכן ולרוב הקרובים ביותר לנתונים קטגוריים, ואילו קונבולוציה מעוקבת ואינטרפולציה בילינארית מיועדים לנתונים רציפים.

אני סקרן לדעת אם יש אלגוריתם נפוץ להקרין תמונות אוויר. בדיוק סיימתי להקרין תמונה אחת באמצעות השכן הקרוב ביותר ונראה שהיא נראית טוב, אבל תצלום אוויר אינו נתונים קטגוריים, אז אני הולך לנסות את Bilinear בהמשך.

לַעֲרוֹך
לא חשבתי על תצלומי אוויר כמו אותו סוג נתונים רציף כמו נתוני DEM או נתוני משקעים, אך ציין כי הם רציפים ויש לטפל בהם ככאלה. שוב תודה.


תמונות אוויר הן נתונים רציפים. כל פיקסל מייצג את התגובה של אזור של חיישן לאור המכוון אליו וכשהאור משתנה, התגובה משתנה ברציפות. התוצאה בדרך כלל מופרכת (לעיתים קרובות ב 255 או 256) קטגוריות, אך זה לא משנה את אופי הנתונים. לכן אתה רוצה לשלב אינטראקציה במקום להשתמש באלגוריתמים קטגוריים כמו שכן קרוב או רוב. אינטרפולציה בילינארית היא בדרך כלל בסדר גמור; במחיר מסוים בזמן ביצוע, קונבולציה מעוקבת תשמור על ניגודיות מקומית מעט טוב יותר. בלתי נמנעת כמות קטנה של טשטוש נוסף, אבל זה כמעט בלתי אפשרי לשים לב עד שהתמונה עברה טרנספורמציות רבות כאלה. הטעויות שנעשו עם השכן הקרוב בהרבה בהשוואה.


חסר לי "המוניטין" להגיב כך ...

אם הניתוח הרדיומטרי עומד להתבצע בתמונות האוויר אז זה צריך להיעשות קודם ל דגימה מחדש / הקרנה. אחרת כמעט בוודאות תכניס הטיה לא מכוונת למוצר הסופי. על פי התגובה המועילה של blord-castillo לעיל.

אם השימושים הקרובים והאחרונים באווירונים נועדו לערעור חזותי או למיפוי רקע, אז הייתי הולך בשיטה המהירה ביותר שנותנת לך מוצר שמיש.

  • אם גודל התא של האוויר החדש זהה למקור, אז הכי קרוב IMHO.

  • אם גודל התא של האוויר החדש גדול מהמקור, BILINEAR עובד הכי טוב.

  • אם (מסיבה מטורפת) גודל התא של האוויר החדש קטן מהמקור, אז הייתי חוזר להשתמש ב- NEAREST.

האפשרויות האחרות, CUBIC ו- MAJORITY, יפיקו חפצים במוצר שנדגם מחדש, ייקח יותר זמן לעיבוד, ואחרים לא נראה שהם חלים על מה שאתה מנסה לעשות.

כנקודה אחרונה: אמנם נכון שתהליך דגימת האור הבוקע / מחזיר את פני כדור הארץ הוא רציף מבחינה רעיונית, אך נכון גם כי פני כדור הארץ מציגים תופעה רציפה ודידה.

  • באופן כללי, פעילות אנושית נוטה לייצר מעברים בדידים ו

  • תכונות "טבעיות" לרוב (אך לא תמיד) משתנות באופן רציף או לפחות בעלות קצוות מטושטשים.

אז, כפי שצוין בחלק הראשון שלי לעיל, אופן התפעול של האווירונים יהיה תלוי באופן שאתה מצפה להשתמש בהם.


אני יודע ששאלה זו די ישנה, ​​אבל רציתי להוסיף את 2 הסנטים שלי, למקרה שאחרים יתקלו בשרשור זה מנסים לענות על אותה שאלה ...

התשובות הקודמות נכונות כאשר ברצונך באמת לדמות את הנתונים שלך, למשל אם אתה מצטבר את הנתונים מגודל פיקסל 30 מ 'לגודל פיקסל 90 מטר. במקרה זה אתה מנסה ליצור ערך חדש לכל פיקסל בודד, בהתבסס על אוסף של פיקסלים סמוכים. אז כן, כאן עבור קבוצות נתונים נפרדות היית בוחר בשכן הקרוב ביותר, ואילו לנתונים רציפים, אתה בוחר בילינאיר או בקובולוציה קובית.

אולם בשאלה זו, המטרה היא למעשה לא לדגום מחדש את הנתונים, אלא פשוט להמיר את הנתונים הקיימים להקרנה חדשה - אתה רוצה את אותם ערכים, רק בהקרנה חדשה. במקרה זה, אתה רוצה להשתמש בדגימה מחדש של השכן הקרוב ביותר עבור מערכי נתונים נפרדים כמו גם רצופים, כדי לשמור על שלמות ערכי הנתונים המקוריים שלך. אני יודע שההצהרה הזו נוגדת את כל מה שקראתם בנושא "דגימה מחדש", אבל באמת חושבים בצורה ביקורתית על מה אתם רוצים להשיג ועל מה שאתם עושים לנתונים. כמו כן, אני לא ממליץ על המלצה זו ... ביליתי חמש שנים בעבודה על דוקטורט המתמחה ב- GIS / חישה מרחוק, כמו גם בהוראת קורסים לתואר ראשון GIS / חישה מרחוק.

הערה נוספת, הפוסטר המקורי שאל על אפס ו / או ערכים שליליים ... אם ערכים אלה הם ערכי נתונים אמיתיים (כלומר הגובה יכול למעשה להיות 0 או -34.5), אז ברצונך לכלול ערכים אלה. למרות זאת אם הערכים המדוברים אינם נתונים אמיתיים, ובמקום זה משמשים לייצוג NoDATA (נניח 0 או -9999), עליך להסוות את הפיקסלים הללו מתוך הרסטר שלך (להסיר) לפני הדגימה מחדש באמצעות פיתול דו-קווי או מעוקב. אחרת, -9999 פיקסלים אלה ייכללו בחישוב הדגימה מחדש, כאילו לפיקסל הזה היה גובה אמיתי של -9999 ותסתיים עם ערכי נתונים לא חוקיים. כדוגמה מאוד פשוטה בפיתול מעוקב, אם 4 ערכי התאים הקרובים ביותר שלך הם 4, 5, 16, -9999, כולל ה- -9999 עלול לגרום לערך פיקסל חדש של -9974, שאינו נתונים תקפים.