مدل سازی و تهیه نقشه خطای درون یابی، با استفاده از ویژگی های مثلث

نوع مقاله : مقاله پژوهشی

نویسندگان

دانشگاه خواجه نصیرالدین طوسی

چکیده

داده های تهیه شده از طریق درون یابی در بسیاری از پروژه های اجرایی و مهندسی و مطالعاتی در زمینه های مختلف مانند زمین شناسی، هواشناسی، مدیریت بحران، منابع طبیعی و محیط زیست مورد استفاده قرار می گیرند. رایج ترین معیارها بیان کننده میزان دقت درون یابی، برآورد خطای جذر میانگین مربعات (RMSE) و نمایش بزرگی خطا در نقاط نمونه با ارتفاع معلوم اند که به علت مکانی بنودن یا فراگیر نبودن اطلاعات، اشخص های مذکور قابلیت استفاده محدودی دارند، زیرا RMSE میانگین خطاری درون یابی در نقاط محدودی را نشان می دهد و نمایش بزگی خطا در نقاط نمونه با ارتفاع معلوم نیز برای آگاهی از میزان خطا و قابلیت اطمینان درون یابی در هر نقطه و موقعیت دلخواه قابل استفاده نیست. بدین تربیت، به نظر می رسد که ایجاد روش های موثرتر و کاربردی تر برای ارزیابی و نمایش مکانی دقت خروجی درون یابی در کنار RMSE ضرورت دارد. در این مقاله، ضمن بیان برخی از محدویت های خطای جذر میانگین مربعات (RMSE)، روشی کاربردی مبتنی بر مثلث بندی نقاط با ارتفاع معلوم برای مدل سازی و تهیه نقشه خطاری درون یابی ارائه شده است. در این روش ویژگی های هندسی مثلث های محاط بر نقاط مجهول – مانند محیط، مساحت و اختلاف ارتفاع بین رئوس برای مدل سازی و پیش بینی خطا – مورد استفاده قرار می گیرد. کارای روش پیشنهادی با استفاده از مطالعه موردی، بررسی گردیده و رابطه معنی داری بین خطای واقعی و خطای برآورد شده با مدل، مشاهده شده است. تولید لایه قابلیت اطمینان درون یابی نه تنها برای ارزش گذاری و استفاده موثر از نقشه های حاصل از درون یابی می تواند مفید باشد، بلکه برای نمونه برداری تکمیلی و ترمیم نقاط ضعف نقشه های تولید شده با درون یابی نیز می تواند قابل استفاده باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Modeling and Mapping of Interpolation Errors, by Using the Characteristics of Triangles

چکیده [English]

Interpolated data are usually used in many engineering and planning activities such as geology, climatology, natural resources and hazard management. Root Mean Squared Errors (RMSE) is the most frequently used indicator for error assessment and statement. Unfortunately, this indicator is mainly non-spatial and it does not provide the required spatial details about the local reliability of the interpolated layers. Therefore, development of more efficient and practically useful methods for spatial evaluation and visualization of interpolation errors are of prime importance.
In this research, after reviewing some of the important limitations of RMSE and interpolation methods, a practical approach based upon the triangulation, for modeling and mapping of the reliability of interpolation has been proposed. Triangles formed by application of the delauney triangulation to sample points have been used as the main spatial entities. Three characteristics of triangles including the area, shape (modeled by the ratio of perimeter to area), and variance of the values of their 3 corners have been used to model the interpolation errors in triangle levels. The reason for choosing these parameters is their important role in creation of errors, as well as simplicity of their calculation in GIS environment.
Point data of elevation from part of Tehran metropolis has been used as the case study for examination and demonstration the usefulness of the proposed approach. Modeling has been based on the least squares fitting in a multiple regression framework. The fitted model has been used for prediction of interpolation errors. Where its validity has been evaluated by the independent, well distributed test sample points with a known elevation. 
Results of the proposed approach have been encouraging, and close relationship between the actual and predicted (by model) errors have been observed. Production of the map of interpolation errors, as in the proposed approach, can be useful for efficient use of the interpolated data. Also, these maps can be used as useful guides for collection of additional samples where the improvement of the interpolated data quality is required. More close examination of the proposed approach in a wider and diverse environmental condition has been recommended.

کلیدواژه‌ها [English]

  • Interpolation error
  • TIN
  • Modeling
  • RMSE