geographically weighted area-to-point regression kriging for spatial downscaling in remote sensing

كريغنج الانحدار المرجح جغرافياً من المساحة إلى النقطة لتقليص النطاق المكاني في الاستشعار عن بعد

Clicks: 239
ID: 205656
2018
Free PDF
Article Quality & Performance Metrics
Overall Quality
Not rated
Combines reader engagement with the AI quality analysis. This article has not been analysed, so there is no overall score — reader engagement is measured and shown alongside.
AI Quality Assessment
Not analyzed
Readership in this journal
Emerging

Ranked #325 of 499 articles by views in Journal of pharmacological sciences

Most read Least read

Bar heights use a square-root scale. Only the 120 most-read articles are drawn; the journal has 499 in total.

Mint this article as an NFT
Not yet minted

Create a permanent, verifiable on-chain record of this article on the Scimatic Network. The NFT is held in your Journament account, and you can withdraw it to your own wallet at any time.

5 SUSD one-off · no wallet required
Sign in to mint
Abstract
Spatial downscaling of remotely sensed products is one of the main ways to obtain earth observations at fine resolution. Area-to-point (ATP) geostatistical techniques, in which regular fine grids of remote sensing products are regarded as points, have been applied widely for spatial downscaling. In spatial downscaling, it is common to use auxiliary information to explain some of the unknown spatial variation of the target geographic variable. Because of the ubiquitously spatial heterogeneities, the observed variables always exhibit uncontrolled variance. To overcome problems caused by local heterogeneity that cannot meet the stationarity requirement in ATP regression kriging, this paper proposes a hybrid spatial statistical method which incorporates geographically weighted regression and ATP kriging for spatial downscaling. The proposed geographically weighted ATP regression kriging (GWATPRK) combines fine spatial resolution auxiliary information and allows for non-stationarity in a downscaling model. The approach was verified using eight groups of four different 25 km-resolution surface soil moisture (SSM) remote sensing products to obtain 1 km SSM predictions in two experimental regions, in conjunction with the implementation of three benchmark methods. Analyses and comparisons of the different downscaled results showed GWATPRK obtained downscaled fine spatial resolution images with greater quality and an average loss with a root mean square error value of 17.5%. The analysis indicated the proposed method has high potential for spatial downscaling in remote sensing applications.
يُعد خفض النطاق المكاني لمنتجات الاستشعار عن بعد أحد السبل الرئيسية للحصول على بيانات رصد الأرض بدقة تفصيلية عالية. وقد طُبقت التقنيات الإحصائية الجغرافية من مساحة إلى نقطة (ATP) - والتي تُعامل فيها الشبكات الدقيقة المنتظمة لمنتجات الاستشعار عن بعد كنقاط - على نطاق واسع في خفض النطاق المكاني. ومن الشائع في عمليات خفض النطاق المكاني استخدام معلومات مساعدة لتفسير جزء من التباين المكاني غير المعروف للمتغير الجغرافي المستهدف. ونظرًا لعدم التجانس المكاني واسع الانتشار، تُظهر المتغيرات المرصودة دائمًا تباينًا غير منضبط. وللتغلب على المشكلات الناجمة عن عدم التجانس المحلي الذي لا يستوفي شرط السكونية في طريقة كريغينغ الانحدار من مساحة إلى نقطة، تقترح هذه الورقة طريقة إحصائية مكانية هجينة تجمع بين الانحدار الموزون جغرافيًا وطريقة كريغينغ من مساحة إلى نقطة لخفض النطاق المكاني. وتدمج طريقة كريغينغ الانحدار من مساحة إلى نقطة الموزونة جغرافيًا (GWATPRK) المقترحة معلومات مساعدة ذات دقة مكانية عالية، وتتيح مراعاة عدم السكونية في نموذج خفض النطاق. وقد تم التحقق من هذا النهج باستخدام ثماني مجموعات من أربعة منتجات استشعار عن بعد مختلفة لرطوبة التربة السطحية (SSM) بدقة 25 كم، للحصول على تنبؤات برطوبة التربة السطحية بدقة 1 كم في منطقتين تجريبيتين، بالتزامن مع تطبيق ثلاث طرق مرجعية. وأظهرت التحليلات والمقارنات لمختلف النتائج المخفضة النطاق أن طريقة GWATPRK حققت صورًا ذات دقة مكانية عالية وبجودة أفضل، مع متوسط فقدان بقيمة لجذر متوسط مربع الخطأ بلغت 17.5%. وأشارت التحليلات إلى أن الطريقة المقترحة تمتلك إمكانات واعدة لتطبيقات خفض النطاق المكاني في مجال الاستشعار عن بعد.
Reference Key
jin2018remotegeographically Use this key to autocite in the manuscript while using SciMatic Manuscript Manager or Thesis Manager
Authors Yan Jin, Yong Ge, Jianghao Wang, Gerard B. M. Heuvelink, Le Wang
Are you one of these authors? Claim your profile
Journal Journal of pharmacological sciences
Year 2018
DOI
10.3390/rs10040579
URL
http://www.mdpi.com/2072-4292/10/4/579
Keywords Keywords not found

Citations

No citations found. To add a citation, contact the admin at info@scimatic.org

Comments

No comments yet. Be the first to comment on this article.