KL信息量在地图几何纠正模型选择中的应用

"这篇论文是2011年发表在《武汉大学学报·信息科学版》第36卷第8期的一篇工程技术类论文，作者是梁丹和童小华，主要探讨了如何利用Kullback-Laible（KL）信息量来优化选择空间数据几何纠正的模型，以提高地图数字化数据的位置精度。文章强调了在高精度GPS控制点基础上，通过改进的赤池信息标准（AICc）选择最佳转换模型的重要性。" 正文: 在地理信息系统（GIS）领域，地图数字化数据的精确性至关重要。然而，由于采集和制图过程中的系统误差，这些数据的空间位置往往不够准确。论文中提到，通过实测的高精度GPS控制点，可以对地图数字化数据进行几何纠正，以提升其定位精度。关键在于选择合适的转换模型。 Kullback-Laible（KL）信息量是一种衡量两个概率分布差异的方法，它在统计学和信息论中有广泛应用。在此研究中，KL信息量被用来改进传统的赤池信息标准（AIC），形成AICc，用于在多种可能的转换模型之间进行选择。AICc考虑了样本大小对模型复杂性的惩罚，更适用于小样本情况，因此更适合于空间数据纠正问题。 地图合并技术是解决高精度新数据与低精度旧数据融合的有效手段，包括数据预处理、实体匹配、几何位置调整和数据合并等步骤。其中，几何位置调整的关键是选择正确的转换模型，如相似变换、仿射变换和二次多项式变换等。以往的模型选择方法通常依赖于残差分析和点位误差分析，但对于高次模型，尽管它们可能提供更好的拟合，但也可能导致更大的计算复杂性。 论文提出的KL信息量与AICc结合的方法，为模型选择提供了新的视角。这种方法不仅考虑了模型的拟合优度，还考虑了模型的复杂性和实际应用中的计算效率。通过这种方式，可以更有效地找出在保持计算效率的同时，能够最大限度减少数据变形和提高位置精度的最佳模型。 这篇论文贡献了一种新的策略，即利用KL信息量优化AICc，来选择适合地图数字化数据几何纠正的模型。这种方法对于提高空间数据集成的质量，尤其是在处理大量历史地图数据与现代高精度数据融合时，具有重要的理论和实践价值。