Geoinformatik und Geostatistik: Ein Überblick

Geostatistische Fusion zur Verbesserung der Höhengenauigkeit digitaler Geländemodelle

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

In diesem Artikel werden Fusionen auf der Grundlage geostatistischer Methoden verwendet, um die Genauigkeit der Höhendaten von digitalen Geländemodellen (DEMs) zu verbessern. Gewöhnliches Kriging, Kriging mit externer Drift, Regressions-Kriging und Cokriging werden angewendet, um Unsicherheitsdarstellungen zu bewerten, aus denen sich Höhendatenvorhersagen und andere Informationen gewinnen lassen. Die Modellierung der Fusionsdaten erfolgt aus vorhandenen DEMs, die größtenteils kostenlos im Internet verfügbar sind, und einem zusätzlichen hochgenauen Satz von 3D-Stichpunkten. Obwohl die Freeware-DEMs dicht sind und im Allgemeinen eine gute räumliche Verteilung aufweisen,
ist die Genauigkeit ihrer Höhendaten für viele Anwendungen möglicherweise nicht geeignet. Eine Möglichkeit, dieses Problem zu mildern, besteht darin, in den Datenmodellierungsprozessen die verfügbaren DEM-Daten mit zusätzlichen Informationen aus verschiedenen anderen Quellen und mit besserer Qualität zu kombinieren. Normalerweise werden hochgenaue Höhendaten bei Feldarbeiten mit höheren Kosten
an bestimmten Punktstandorten innerhalb des interessierenden räumlichen Bereichs gesammelt. Kurz gesagt zielt diese Arbeit darauf ab, mithilfe geostatistischer Methoden räumliche Höheninformationen aus verschiedenen Quellen, Datenstrukturen und Höhengenauigkeiten zu integrieren, um genauere DEMs zu erhalten. Die in dieser Forschung behandelte Methodik wurde auf eine Fallstudie
in einer geografischen Region im Südosten Brasiliens angewendet. Quantitative und qualitative Validierungen wurden mithilfe eines unabhängigen hochgenauen Datensatzes und Vergleichen auf der Grundlage von DEM-Unterschieden und automatischer Extraktion von Entwässerungsnetzen durchgeführt. Für das betrachtete Untersuchungsgebiet haben das Kriging mit externer Drift und das Regressions-Kriging zu ähnlichen quantitativen und qualitativen Verbesserungen geführt, die besser waren als der Co-Kriging-Ansatz.