Kepercayaan
Latihan 3-1 Latihan 3-1 Pemodelan Bobot Bukti dengan Keyakinan
Asosiasi sebagian besar situs dengan air permanen menunjukkan bahwa sungai-sungai ini merupakan faktor penentu keberadaan situs.
Kita dapat melihat bahwa sebagian besar (jika tidak semua) situs tersebut dekat dengan air permanen. Pengetahuan kita tentang budaya ini menunjukkan bahwa air adalah syarat yang diperlukan untuk hidup, tetapi itu saja tidak cukup, karena faktor lain seperti lereng juga mempengaruhi pemukiman. Oleh karena itu, kedekatan dengan air menunjukkan kemungkinan suatu situs. Lokasi yang lebih jauh dari air, di sisi lain, jelas mendukung hipotesis [nonsite], karena tanpa air atau sarana untuk mengaksesnya, orang tidak dapat bertahan hidup. Jarak ke air permanen penting dalam memahami hubungan bukti ini dengan hipotesis perhatian kami, [situs]. Untuk melihat hubungan antara jarak ke air dan lokasi situs yang diketahui, kita harus melakukan langkah-langkah berikut.
150 Memang, itu berarti sebaliknya. Dengan menghasilkan gambar-gambar bukti ini, kami berupaya menyempurnakan hipotesis tentang di mana fenomena spasial mungkin terjadi dengan menerapkan bukti yang mengurangi kemungkinan fenomena TIDAK akan ada. Dengan menggabungkan berbagai sumber informasi probabilitas, kita dapat mempersempit kisaran probabilitas untuk hipotesis yang menjadi perhatian, sehingga memungkinkan untuk membuat prediksi hipotesis atau mempersempit jumlah lokasi yang dipilih untuk pengumpulan informasi lebih lanjut.
C) Jalankan modul DISTANCE dari menu GIS Analysis pada gambar WATER dan panggil hasilnya WATER DIST. tutup gambar.
Data air permanen mewakili informasi tidak langsung untuk menilai kemungkinan apakah suatu lokasi ada atau tidak.
itu A)
hasil
Membuat Gambar Probabilitas dari Bukti
"Air Permanen"
e)
Demikian pula, gambar probabilitas dapat dibuat dari tiga baris bukti lainnya.
Untuk situs yang dikenal, kami memiliki alasan untuk berspekulasi bahwa semakin dekat suatu lokasi dengan situs yang dikenal, semakin besar kemungkinan kami menemukan situs. Hal ini didasarkan pada asumsi bahwa kondisi kehidupan berkorelasi secara spasial, dan bahwa orang cenderung tinggal berdekatan satu sama lain untuk melindungi komunitas dengan lebih baik. Namun, ketika jarak dari situs yang diketahui meningkat,
kemungkinan hipotesis [situs] dengan cepat menurun. Untuk menentukan probabilitas menggunakan modul FUZZY, fungsi berbentuk J paling tepat menggambarkan kurva ini.
D)
F)
Jalankan DISTANCE pada gambar SITES dan panggil hasilnya SITEDIST. Kemudian jalankan FUZZY di SITEDIST dengan fungsi berbentuk J. Pilih kurva yang menurun secara monoton, dan gunakan 0 dan 350 (meter) sebagai titik kontrol c dan d. Panggil hasilnya
SITE_SITE. Ini adalah probabilitas pendukung untuk hipotesis [situs] yang diberikan situs."
Jalankan modul RASTERVECTOR dari menu Reformat dengan opsi point to raster. Masukkan SITES sebagai file vektor input dan SITES sebagai gambar yang akan diperbarui. Untuk jenis operasi, pilih untuk mengubah sel untuk mencatat pengidentifikasi setiap titik. Tekan OK.
Karena file gambar SITES tidak ada, selanjutnya Anda akan diminta untuk membuat gambar dengan AWAL. Pilih ya. Masukkan AIR sebagai gambar untuk menyalin parameter, pilih byte sebagai tipe data keluaran dan atur nilai awal ke 0. Ketika file yang dihasilkan ditampilkan secara otomatis, buka Properti Lapisan dan ubah palet menjadi Kual.
WATERTMP berisi probabilitas untuk hipotesis [nonsite]. Gambar menunjukkan bahwa ketika jarak ke air permanen adalah 800 m, probabilitas untuk [nonsite] mulai meningkat mengikuti kurva berbentuk sigmoidal, hingga pada 2000 m ketika probabilitas mencapai 1. Namun, ada masalah dengan penilaian probabilitas ini. Ketika probabilitas mencapai 1 untuk hipotesis [nonsite], itu tidak meninggalkan ruang untuk ketidaktahuan untuk jenis badan air lainnya (seperti air tanah dan air tidak permanen). Untuk menggabungkan ketidakpastian ini, kami akan menurunkan kemungkinannya.
H) G)
bukti
Sekarang kami memiliki SITUS gambar raster yang berisi situs yang dikenal dan gambar raster WATERDIST yang berisi jarak dari nilai air.
"diketahui
Jalankan modul SCALAR, dan kalikan WATERTMP dengan 0,8 untuk mendapatkan hasil yang disebut WATER_NONSITE.
Untuk awalnya mengembangkan hubungan antara lokasi dan jaraknya dari air, modul HISTO akan digunakan.
Karena hanya piksel yang berisi situs yang ingin kami analisis, kami akan menggunakan gambar topeng dengan HISTO.
(Perhatikan bahwa Anda juga dapat menggunakan Kalkulator Gambar untuk ini.)
Jalankan modul HISTO dan tunjukkan bahwa file gambar akan digunakan. File inputnya adalah WATERDIST. Klik pada kotak centang untuk menggunakan topeng dan masukkan SITUS sebagai nama file topeng. Pilih keluaran grafik dan masukkan nilai 100 untuk lebar kelas.
Pada citra WATER_NONSITE, rentang probabilitas antara 0 - 0,8 mendukung hipotesis [nonsite]. Ini masih merupakan fungsi sigmoidal, tetapi keanggotaan fuzzy maksimum dikurangi dari 1 menjadi 0,8. Bukti yang tersisa (1- WATER_NONSITE) menghasilkan probabilitas yang mendukung hipotesis [site, nonsite]. Ini dikenal sebagai ketidaktahuan, dan dihitung secara otomatis oleh modul Belief.
Jalankan modul FUZZY. Gunakan WATERDIST sebagai file input, lalu pilih fungsi Sigmoidal dengan kurva yang meningkat secara monotonik. Masukkan 800 dan 2000 masing-masing sebagai titik kontrol a dan b. Pilih output data nyata dan panggil hasilnya WATERTMP.
Gunakan alat Permintaan Kursor untuk menjelajahi rentang nilai dalam hasil Anda.
Grafik histogram menunjukkan frekuensi nilai jarak yang berbeda di antara situs arkeologi yang ada. Sampel seperti itu menjelaskan hubungan antara nilai jarak dan kemungkinan lokasi dapat terjadi. Perhatikan bahwa ketika jarak lebih besar dari 800 m, hanya ada sedikit situs yang diketahui. Kita dapat menggunakan informasi ini untuk menurunkan probabilitas hipotesis [nonsite].
Membuat Gambar Probabilitas dari Garis Bukti Lain
Lakukan hal yang sama untuk tiga baris bukti lainnya:
SITE_SITE
Tampilkan gambar SHARD_SITE dan SLOPE_NONSITE.
152 Jalankan modul Keyakinan. Ganti judul Basis Pengetahuan dengan: "Situs Arkeologi". Dalam daftar kelas, kita ingin memasukkan elemen dasar dalam kerangka penegasan: situs, dan bukan situs. Di kotak daftar kelas, masukkan kata SITUS lalu tekan tombol Tambah. Selanjutnya masukkan kata NONSITE dan tekan tombol Add lagi. Segera setelah Anda memasukkan kedua elemen, daftar hipotesis hierarkis akan dibuat secara otomatis dalam daftar hipotesis.
Sekarang semua gambar probabilitas ada untuk setiap baris bukti, kami beralih ke modul Keyakinan untuk agregasinya.
[bukan situs]
Situs yang dikenal
Semua informasi di atas yang dimasukkan ke dalam dialog Belief dapat disimpan ke dalam file basis pengetahuan dengan ekstensi ÿ.ikbÿ. Setelah Anda selesai memasukkan semua informasi, pilih File/Save Current Knowledge Base dan simpan basis pengetahuan sebagai ARCHAEOLOGY.
Dalam contoh ini, kami memiliki tiga hipotesis: [site], [nonsite], dan [site, nonsite].
Keterangan
Untuk bukti yang menunjukkan jumlah pecahan, kami menggunakan penalaran yang serupa dengan bukti situs yang diketahui, dan kami memperoleh gambar SHARD_SITE untuk mendukung hipotesis [situs]. Gambar mewakili kemungkinan sebuah situs akan muncul di setiap lokasi mengingat frekuensi pecahan yang ditemukan. Demikian juga untuk bukti kemiringan, kami memperoleh gambar probabilitas SLOPE_NONSITE yang mendukung hipotesis [nonsite]. Garis bukti ini mewakili kemungkinan bahwa suatu lokasi tidak akan muncul mengingat kecuraman lereng. Kami telah membuat dua gambar ini untuk Anda.
k)
Nama Gambar
M)
Hipotesis yang didukung
Frekuensi pecahan SHARD_SITE
[lokasi]
Anda dapat memilih untuk mengubah informasi yang terkait dengan bukti apa pun dengan menekan Ubah/Lihat bukti yang dipilih.
J)
Untuk lokasi yang jauh dari situs yang diketahui, kami tidak memiliki informasi untuk mendukung hipotesis [situs], namun hal ini dapat mencerminkan bahwa penelitian belum meluas ke area tersebut. Oleh karena itu, tidak mendukung hipotesis [nonsite]. Ini menunjukkan ketidaktahuan (probabilitas untuk hipotesis [situs, nonsitus]), yang dihitung secara internal oleh modul Keyakinan.
Sekarang kita perlu memasukkan informasi untuk setiap baris bukti.
[lokasi]
Lereng
l)
Dari modul Keyakinan, pilih Analisis/Bangun Basis Pengetahuan. Program menggabungkan semua bukti dan membuat BPA (penugasan probabilitas dasar) yang dihasilkan untuk semua hipotesis. Setelah selesai, pilih Ekstrak ringkasan dari menu Analisis. Pilih untuk mengekstrak file keyakinan, masuk akal, dan interval keyakinan untuk hipotesis SITE, dan beri nama masing- masing BELIEF_SITE, PLAUS_SITE, dan INTER_SITE. Klik Oke.
Saya)
Tekan tombol tambahkan baris bukti baru. Masukkan keterangan "Jarak dari air", dan masukkan nama gambar WATER_NONSITE.
Pilih [nonsite] sebagai hipotesis yang didukung. Kemudian tekan Tambahkan entri. Perhatikan bahwa nama file dan hipotesis pendukungnya akan ditampilkan pada kotak gambar/hipotesis. Jika Anda memiliki lebih banyak gambar (probabilitas untuk hipotesis lain yang didukung selain ketidaktahuan) dari garis bukti ini, Anda akan memasukkannya di sini bersama dengan hipotesis yang didukungnya. Namun dalam kasus kami, karena ini adalah satu-satunya gambar yang perlu kami masukkan, tekan OK untuk menyelesaikan entri. Perhatikan bahwa keterangan muncul di kotak Pengetahuan saat ini.
SLOPE_NONSITE
Latihan 3-1 Pemodelan Bobot Bukti dengan Keyakinan
Mengumpulkan Garis Bukti yang Berbeda
BELIEF_SITE P)
PLAUS_SITE INTER_SITUS N)
Untuk menjelajahi hubungan antara hasil dan lapisan bukti, buat file grup raster lain bernama
Q)
Tampilkan setiap gambar yang baru saja dibuat menggunakan palet Kuantitatif Default. Jelajahi pola dalam hasil ini secara visual.
Tambahkan layer vektor untuk situs yang ada (SITES) untuk membantu interpretasi visual.
BUKTI yang berisi file:
Tutup SITE.BELIEF_SITE lalu tampilkan EVIDENCE.BELIEF_SITE dari DISPLAY Launcher dengan terlebih dahulu menemukan file grup raster, lalu mencari di dalam untuk menemukan gambar yang benar. Gunakan kueri Properti Fitur untuk menjelajahi hubungan antara tiga gambar hasil dan empat gambar yang mewakili bukti Anda.
AIR_NONSITE
Apa yang harus segera Anda perhatikan adalah bahwa gambar BELIEF_SITE berisi probabilitas gabungan untuk [situs] dari situs yang diketahui dan jumlah pecahan, dan mewakili probabilitas komitmen minimum untuk hipotesis [situs] ini. Keyakinan lebih tinggi di sekitar poin di mana ada bukti pendukung. Citra PLAUS_SITE, di sisi lain, menunjukkan area yang lebih luas di sepanjang badan air permanen yang memiliki probabilitas tinggi. Gambar ini mewakili kemungkinan tertinggi untuk [situs] jika semua kemungkinan yang terkait dengan hipotesis ini terbukti mendukung hipotesis. Gambar INTER_SITE menunjukkan probabilitas potensi—semakin tinggi probabilitasnya, semakin berharga informasi selanjutnya di suatu lokasi. Gambar ini juga menyiratkan nilai mengumpulkan lebih banyak informasi dan dengan demikian memiliki potensi untuk
mengidentifikasi area untuk penelitian lebih lanjut.
Hai)
Jelas dari hasil kumpulan data ini bahwa ketidaktahuan kami adalah yang terbesar di mana kami tidak memiliki informasi sampel. Memutuskan di mana sebaiknya mengalokasikan sumber daya untuk penggalian arkeologi baru akan bergantung pada risiko relatif yang ingin kita ambil. Kami mungkin memutuskan untuk terus memilih area di dekat sungai yang memiliki kemungkinan tertinggi untuk menemukan lokasi. Di sisi lain, jika kami yakin bahwa situs mungkin ada di seluruh wilayah, tetapi karena alasan yang tidak terwakili dalam analisis kami, kami mungkin memutuskan bahwa kami perlu memahami lebih lanjut tentang situs yang terjauh dari sungai dan memperluas basis pengetahuan kami sebelum menerimanya.
prediksi kami. Dimungkinkan untuk memeriksa satu baris bukti pada satu waktu untuk meninjau efek dari setiap baris bukti pada keyakinan akhir dan tingkat ketidaktahuan. Untuk melakukannya cukup dengan menambahkan satu baris bukti pada satu waktu dan membangun kembali database sebelum mengekstrak gambar ringkasan baru. Dengan cara ini, KEPERCAYAAN menjadi alat untuk mengeksplorasi kekuatan dan kelemahan individu dari setiap potongan bukti dalam kombinasi dengan baris lainnya.
SLOPE_NONSITE
Untuk lebih memudahkan eksplorasi ini, kami akan menggunakan Permintaan Kursor yang diperluas dengan file grup gambar. Untuk melakukannya, kita perlu membuat file grup raster dari IDRISI Explorer. Dari tab Files di IDRISI Explorer pilih file BELIEF_SITE, PLAUS_SITE, dan INTER_SITE dengan menyorotnya. Kemudian klik kanan dan pilih Create/Raster Group. Secara default nama file grup raster baru adalah RASTER GROUP.RGF. Pilih file ini, klik kanan dan ganti namanya menjadi SITE.RGF.
Buka DISPLAY Launcher dan tampilkan Pick List. Gulir ke bawah dan temukan file grup raster SITE yang baru saja Anda buat.
Perhatikan tanda tambah (+) sebelum SITUS. Pilih tanda tambah untuk membuka tiga file raster dalam grup ini.
SITE_SITE
Pilih INTER_SITE untuk ditampilkan dengan palet Default Quantitative. Setelah gambar ditampilkan, pilih ikon Properti Fitur untuk mulai menanyakan gambar. Setiap kueri akan melaporkan nilai sel untuk ketiga gambar di kotak Properti Fitur yang terletak di pojok kanan bawah layar Anda. Perhatikan area yang memiliki probabilitas tinggi pada gambar BELIEF_SITE dan coba jelaskan hubungan antara kepercayaan, kemungkinan masuk akal, dan interval kepercayaan.
SHARD_SITE
Apa hubungan itu? Bidang apa yang harus dipilih untuk penelitian lebih lanjut?
1
bukti.
Latihan 3-1 Pemodelan Bobot Bukti dengan Keyakinan
S)
1. Hubungannya adalah: masuk akal - kepercayaan = interval kepercayaan. Area harus dipilih dimana interval kepercayaan kecil.
R)
Karakterisasi simultan dari apa yang kita ketahui dan apa yang tidak kita ketahui memungkinkan kita untuk memahami risiko relatif yang kita ambil dalam keputusan yang kita buat tentang sumber daya. Keuntungan tambahan dari mengkarakterisasi variabel sebagai keyakinan adalah kesempatan untuk menggabungkan berbagai jenis informasi, termasuk pengetahuan ahli, pengalaman terkait anekdot, probabilitas, dan data satelit rahasia, di antara jenis data lainnya.
Buat file grup raster lain bernama EVIDENCE2. Masukkan empat file bukti yang sama tetapi ubah file hasil yang sesuai dari Belief ke yang baru saja diekstrak. Tampilkan ketiga gambar ini dengan memilihnya dari dalam grup EVIDENCE2 di Daftar Pilih. Sekali lagi gunakan kursor Properti Fitur untuk menjelajahi hubungan antara tiga gambar hasil dan antara hasil dan bukti.
Dari modul Belief, buka file ARCHEOLOGY dan jalankan Analysis/Extract Summary. Jawab ya ketika ditanya apakah akan membangun kembali file. Ketika Keyakinan telah selesai dibangun kembali, pilih hipotesis [nonsite] dan pilih untuk mengekstrak gambar kepercayaan (BELIEF_NONSITE), masuk akal (PLAUS_NONSITE), dan interval kepercayaan (INTER_NONSITE). Klik Oke.
154
Kesimpulan
Jawaban
Ketidakpastian dan Keputusan Database Latihan 3-2
74
73
73. Studi kasus yang dijelaskan di sini diambil dari sebagian bahan yang disiapkan untuk Sistem Informasi Spasial untuk Analisis Perubahan Iklim, Lokakarya Nasional Vietnam, Hanoi, Vietnam, 18-22 September 1995. Penjelasan lebih lanjut tentang bagaimana model dikembangkan untuk memproyeksikan perubahan penggunaan lahan sebagai akibat dari perubahan lingkungan ada di "Sistem Informasi Spasial dan Penilaian Dampak Kenaikan Permukaan Laut," J. Ronald Eastman dan Stephen Gold, Institut Pelatihan dan Penelitian Perserikatan Bangsa-Bangsa, Palais de Nations, CH-1211 Jenewa 10, Swiss.
Mempertaruhkan
A)
Kenaikan permukaan laut yang diantisipasi terkait dengan pemanasan global telah menyebabkan beberapa negara memperkirakan dampak dan mengembangkan strategi untuk beradaptasi dengan tutupan lahan dan perubahan populasi. Sebagai ilustrasi, kami menggunakan data dari sekitar muara Cua-Lo dekat Vinh di Vietnam utara-tengah.
Perkiraan lebih tinggi, bagaimanapun, untuk kondisi pemanasan global yang dipercepat terkait dengan emisi gas rumah kaca. Mereka berkisar dari 0,32 hingga 0,64 meter.
Standar deviasi 0,08 m dapat langsung diterapkan sebagai perkiraan ketidakpastian untuk proyeksi kenaikan muka air laut. Nilai adalah ekspresi variabilitas nilai estimasi dari nilai sebenarnya (standar deviasi kesalahan). Dalam quan
meter.
Latihan sebelumnya yang menggunakan modul Keyakinan terutama berurusan dengan ketidakpastian dalam keputusan. Dalam latihan ini kita akan fokus secara singkat pada ketidakpastian dalam data dan khususnya dalam aturan keputusan. Ketidakpastian dalam satu lapisan data akan menyebar melalui analisis dan digabungkan dengan sumber kesalahan lainnya, termasuk hubungan ketidakpastian lapisan data dengan set keputusan akhir. Latihan ini menyangkut propagasi kesalahan pengukuran melalui aturan keputusan. Secara khusus, kami melihat kasus simulasi kenaikan permukaan laut dan menetapkan keputusan tentang dampak yang dimodelkan. Pertanyaan utama yang menjadi perhatian adalah bagaimana memberikan pengakuan penuh terhadap risiko keputusan yang dihasilkan oleh dua ketidakpastian—ketidakpastian dalam data dan ketidakpastian dalam aturan keputusan itu sendiri, dalam hal ini estimasi permukaan laut yang diterapkan.
Tugas kita adalah mengevaluasi kesalahan pengukuran dan kesalahan proyeksi serta kesalahan gabungannya dalam kaitannya dengan risiko keputusan.
Karena elevasi, di sebagian besar peta, diukur relatif terhadap permukaan laut rata-rata, pendekatan tipikal untuk mensimulasikan banjir atau permukaan laut baru adalah dengan mengurangi perkiraan kenaikan permukaan air dari semua ketinggian dalam model elevasi digital. Area yang memiliki nilai selisih 0 atau kurang dianggap tergenang. Ini bermasalah, bagaimanapun, karena mengabaikan ketidakpastian dalam pengukuran model elevasi dan proyeksi permukaan laut.
Citra komposit satelit dibuat dari band Landsat Thematic Mapper 3, 4, dan 5 untuk menekankan perubahan relatif dalam tingkat biomassa dan kelembaban. Daerah dataran rendah yang luas didominasi oleh pertanian padi sawah yang merupakan tanaman ekspor bersih dengan nilai ekonomi yang cukup besar.
Perkiraan permukaan laut bervariasi. Pada tingkat kenaikan permukaan laut saat ini, perkiraan perubahan yang diproyeksikan pada tahun 2100 adalah 0,21 meter.
Estimasi level rata-rata, oleh karena itu, akan menjadi 0,48 meter dengan standar deviasi 0,08
Jalankan modul ORTHO menggunakan model elevasi VINHDEM. Tentukan gambar drape VINH345 menggunakan palet Color Composite. Panggil gambar keluaran ORTHO1. Pilih resolusi yang sesuai untuk layar Anda dan terima default lainnya. Sebagai alternatif, Anda dapat menggunakan modul Fly Through dengan input yang sama.
Memasukkan Ketidakpastian ke dalam Basis Data
74. Bank Pembangunan Asia, 1994. Perubahan Iklim di Asia: Laporan Negara Vietnam, ADB, Manila.
Latihan 3-2 Ketidakpastian Basis Data dan Risiko Keputusan Keputusan 156
Hubungan yang kuat antara kategori ini dan ketinggian tempat memungkinkan untuk memodelkan ketinggian di bawah satu meter berdasarkan penggunaan lahan. Demikian pula, proses yang sama diterapkan pada kedalaman dan tingkat kekeruhan yang terkait dengan pantulan di sungai dan rawa-rawa yang berdekatan.
yaitu, RMS = 0,30 C RMS = C/3.29
data titatif, kesalahan ini sering dinyatakan sebagai root-mean-square error (RMS). Jika RMS tidak dilengkapi dengan lapisan data, maka perlu untuk menghitungnya. Ini adalah kasus dengan model elevasi yang kita miliki.
adalah mungkin untuk bekerja di luar RMS
dimana: C = interval kontur
C) B)
Oleh karena itu, kesalahan RMS dapat diperkirakan dengan mengambil 30% dari interval kontur. Dalam kasus elevasi VINHDEM yang lebih rendah, RMS menjadi 0,30 meter. Meskipun estimasi yang lebih rinci dapat dilakukan untuk ketinggian kurang dari 1 meter, untuk melakukan kesalahan pada sisi konservatif, kami akan menerapkan RMS 0,30 meter di semua ketinggian.
Saya. Untuk distribusi normal, 90% dari semua pengukuran diharapkan berada dalam 1,645 standar deviasi rata-rata (nilai diperoleh dari tabel statistik).
Gunakan palet Kuantitatif Default IDRISI untuk menampilkan gambar VINHDEM.
Sebelum mensimulasikan genangan akibat kenaikan permukaan laut dengan memasukkan ketidakpastian, kita mulai dengan pendekatan yang lebih umum. Kita harus mengurangi perkiraan kenaikan permukaan air dari semua ketinggian dalam model elevasi digital.
Untuk membuat model elevasi ini, kontur pertama didigitalkan dari 1:25.000 lembar peta topografi. Lembaran tersebut memiliki interval kontur 1 meter hingga 15 meter dengan interval setelahnya meningkat menjadi 5 meter. Prosedur INTERCON digunakan untuk menginterpolasi permukaan penuh pada resolusi 30 meter dari garis kontur raster. Resolusi dipilih untuk mendaftarkannya bersama dengan data penggunaan lahan yang berasal dari citra satelit.
ii. Karena kesalahan RMS setara dengan standar deviasi untuk kasus di mana rata-rata adalah nilai sebenarnya, maka interval setengah kontur mencakup kesalahan 1,645 RMS.
Karena pentingnya ketinggian di bawah 1 meter untuk memperkirakan genangan, diperlukan data elevasi tambahan.
1,645 RMS = C/2
Gunakan SCALAR atau Image Calculator untuk mengurangi nilai 0,48 meter dari VINHDEM dan memanggil gambar yang dihasilkan LEVEL1.
Gunakan Mode Penyelidikan Kursor untuk memeriksa nilai-z di area yang lebih rendah.
Detil tinggi tempat dievaluasi relatif terhadap empat kategori penting pertanian padi yang ditemukan di peta penggunaan lahan.
yaitu,
Daerah yang memiliki perbedaan nilai 0 atau kurang dianggap tergenang oleh perkiraan awal kami. Karena citra ini berasal dari model elevasi dan proyeksi kenaikan muka air laut, sehingga memiliki ketidakpastian dari keduanya. Dalam kasus ini
Peta yang diproduksi oleh agensi topografi utama sejak pertengahan 1800-an biasanya memiliki 90% dari semua lokasi di peta yang berada dalam setengah dari interval kontur yang disebutkan. Dengan asumsi bahwa kesalahan ketinggian adalah acak, kesalahan
menggunakan logika berikut:
Selesaikan untuk RMS, maka:
Untuk latihan, hanya kesalahan perhitungan hipsometrik awal yang ditentukan.
75. Penelitian lebih lanjut diperlukan untuk menentukan signifikansi bias sistematik dari ketinggian interpolasi sebagai fungsi jarak dari kontur.
76. Juga, perhitungan RMS ditunjukkan dalam GIS dan Pengambilan Keputusan, Eksplorasi dalam Teknologi Sistem Informasi Geografis, Institut Pelatihan dan Penelitian Perserikatan Bangsa-Bangsa, Vol. IV.
75 76
Simulasi Permukaan Laut Baru
Dalam analisis GIS tradisional, kami tidak memperhitungkan ketidakpastian dalam database. Akibatnya, keputusan sulit dibuat dengan konsep risiko yang sangat kecil yang terlibat dalam keputusan tersebut. Latihan ini menunjukkan betapa sederhananya bekerja dengan kesalahan pengukuran dan penyebarannya dalam aturan keputusan.
Tugas pembuat keputusan adalah untuk mengevaluasi peta probabilitas lunak dan menetapkan tingkat risiko yang dapat diterima yang nyaman bagi pembuat keputusan.
Dengan mengetahui kualitas data, pembuat keputusan dapat melihat risiko keputusan yang terjadi di seluruh permukaan, dan membuat penilaian dan pilihan tentang risiko tersebut. Terakhir, analisis lebih lanjut atau pemodelan simulasi dampak dengan data tersebut meningkatkan ketepatan keputusan tersebut dengan baik.
Peta probabilitas mengungkapkan kemungkinan setiap piksel dibanjiri jika seseorang menyatakan bahwa itu tidak akan terjadi. Ini adalah ekspresi langsung dari risiko keputusan. Sekarang dimungkinkan untuk menetapkan batas risiko—ambang batas yang di atasnya risiko genangan terlalu tinggi untuk diabaikan.
sebagai