புவிசார் தகவல் & புவியியல் புள்ளியியல்: ஒரு கண்ணோட்டம்

டிஜிட்டல் எலிவேஷன் மாடல்களின் அல்டிமெட்ரி துல்லியத்தை மேம்படுத்த புவிசார் புள்ளியியல் அடிப்படையிலான இணைவு

Felgueiras CA, Ortiz JO, Camargo ECG, Namikawa LM, Rosim S, Oliveira JRF, Renno CD, Sant'Anna SJS மற்றும் Monteiro AMV

டிஜிட்டல் எலிவேஷன் மாடல்களின் (டிஇஎம்கள்) அல்டிமெட்ரி பண்புக்கூறின் துல்லியத்தை மேம்படுத்த, புவிசார் புள்ளியியல் முறைகளை அடிப்படையாகக் கொண்ட இணைவுகள் இந்தக் கட்டுரையில் பயன்படுத்தப்படுகின்றன. சாதாரண கிரிகிங், வெளிப்புற சறுக்கல், பின்னடைவு கிரிஜிங் மற்றும் கோக்ரிஜிங் நடைமுறைகள், நிச்சயமற்ற பிரதிநிதித்துவங்களை மதிப்பிடுவதற்கு பயன்படுத்தப்படுகின்றன, இதிலிருந்து அல்டிமெட்ரி கணிப்புகள் மற்றும் பிற தகவல்களைப் பெற முடியும். இணைவு தரவு மாடலிங் தற்போதுள்ள DEM களில் இருந்து செய்யப்படுகிறது, முக்கியமாக இணையத்தில் இலவசமாகக் கிடைக்கிறது, மேலும் 3D மாதிரி புள்ளிகளின் கூடுதல் துல்லியமான தொகுப்பு. ஃப்ரீவேர் டிஇஎம்கள் அடர்த்தியானவை மற்றும் பொதுவாக நல்ல இடப் பரவல்களைக் கொண்டிருந்தாலும், அவற்றின் அல்டிமெட்ரி தகவலின் துல்லியம்
பல பயன்பாடுகளுக்கு ஏற்றதாக இருக்காது. இந்தச் சிக்கலைத் தணிப்பதற்கான ஒரு வழி, டேட்டா மாடலிங் செயல்முறைகளில், கிடைக்கக்கூடிய டிஇஎம் தரவையும், பல்வேறு பிற மூலங்களிலிருந்து வரும் கூடுதல் தகவல்களையும் சிறந்த தரத்தையும் இணைப்பதாகும். வழக்கமாக, அதிகத் துல்லியமான அல்டிமெட்ரி தரவுகள் களப்பணிகளில், அதிக செலவில்,
ஆர்வமுள்ள இடப் பகுதிக்குள் குறிப்பிட்ட புள்ளி இடங்களில் சேகரிக்கப்படுகின்றன. சுருக்கமாக, புவிசார் புள்ளியியல் முறைகள், பல்வேறு ஆதாரங்களின் இடஞ்சார்ந்த உயரத் தகவல், தரவு கட்டமைப்புகள் மற்றும் உயரத் துல்லியம் ஆகியவற்றின் மூலம் சிறந்த துல்லியமான DEM களைப் பெற இந்த வேலை ஒருங்கிணைக்கப்படுவதை நோக்கமாகக் கொண்டுள்ளது. இந்த ஆராய்ச்சியில் குறிப்பிடப்பட்ட முறை
பிரேசிலிய தென்கிழக்கு புவியியல் பகுதியில் ஒரு வழக்கு ஆய்வுக்கு பயன்படுத்தப்பட்டது . DEM வேறுபாடுகள் மற்றும் வடிகால் நெட்வொர்க் தானியங்கி பிரித்தெடுத்தல் ஆகியவற்றின் அடிப்படையில் ஒரு சுயாதீனமான உயர் துல்லியமான தரவு தொகுப்பு மற்றும் ஒப்பீடுகளைப் பயன்படுத்தி அளவு மற்றும் தரமான சரிபார்ப்புகள் நிகழ்த்தப்பட்டன. பரிசீலிக்கப்பட்ட ஆய்வுப் பகுதிக்கு, வெளிப்புற சறுக்கல் மற்றும் பின்னடைவு கிரிகிங் ஆகியவை ஒரே மாதிரியான அளவு மற்றும் தரமான மேம்பாடுகளுக்கு வழிவகுத்தன, இது இணை-கிரிகிங் அணுகுமுறையை விட சிறந்தது. 

மறுப்பு: இந்த சுருக்கமானது செயற்கை நுண்ணறிவு கருவிகளைப் பயன்படுத்தி மொழிபெயர்க்கப்பட்டது மற்றும் இன்னும் மதிப்பாய்வு செய்யப்படவில்லை அல்லது சரிபார்க்கப்படவில்லை

ஜர்னல் ஹைலைட்ஸ்