توابع پایه شعاعی یا RBF در ArcGIS
سلام
اصول کلی روش میان یابی توابع پایه شعاعی Radial Basis Function
روش های توابع پایه ی شعاعی RBF، یک سری از تکنیک های میانیابی دقیق اند، به عبارت دیگر، سطح باید از میان هر مقدار نمونه اندازه گیری شده، عبور کند. پنج تابع پایه ی متفاوت وجود دارد:
Thin plate spline
Spline with tension
Completely regularized spline
Multiquardric function
Inverse multiquadric spline
هر تابع پایه، شکل و پی آمد مختلفی در یک سطح میانیابی متفاوت دارد. روشهایRBF شکلی از شبکه های عصبی مصنوعی هستند.
RBFها پیش بینی کننده های دقیقی هستند و با پیش بینی کننده های چندجمله ای عام و محلی که هر دو پیش بینی کننده های نادقیقی هستند و در آنها سطح مستلزم آن نیست که از میان نقاط اندازه گیری شده بگذرد، متفاوت اند. زمانیکه RBF را با روش IDW که پیش بینی کننده ی دقیق دیگری است، مقایسه می کنیم، IDW هرگز مقادیر بالای مقدار اندازه گیری شده ی بیشینه یا زیر مقدار اندازه گیری شده ی کمینه، همانطوریکه در برش عرضی از داده های نمونه برداری شده در زیر می بینیم، پیش بینی نخواهد کرد.
چه زمانی از RBF ها توابع پایه شعاعی استفاده می کنیم؟
RBFها برای محاسبه ی سطوح هموار از تعداد زیادی از نقاط داده ای استفاده می کنند. این توابع، نتایج خوبی را برای سطوحی همچون مدل ارتفاعی که با ملایمت تغییر می کنند، تولید می کنند. استفاده از این تکنیک ها زمانیکه تغییرات بزرگی در مقادیر سطح در درون فاصله ی افقی کوتاهی رخ می دهد و/یا زمانیکه شک داریم داده های نمونه برداری شده مستعد خطا یا عدم قطعیت است، نامناسب است.
درباره آسام
آکادمی سامانه اطلاعات مکانی یک مرجع تخصصی و کاربردی برای آموزشهای GIS و RS است.
نوشته های بیشتر از آسام
دیدگاهتان را بنویسید