Optimizando la Selección de Puntos de Vista para Experiencias Basadas en Rutas: Evaluando el Papel de los Puntos de Vista en la Precisión del Campo de Visión
Autores: Openshaw, Garet; Chamberlain, Brent
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Optimizando la Selección de Puntos de Vista para Experiencias Basadas en Rutas: Evaluando el Papel de los Puntos de Vista en la Precisión del Campo de Visión
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Análisis visual
Impactos
Optimización
Precisión
Técnicas
Análisis de visibilidad
Topografía
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Un análisis visual es útil para evaluar los impactos potenciales en nuestro entorno. Ha habido un progreso tremendo hacia la optimización, precisión y técnicas de estos análisis. Los análisis de visibilidad son un tipo común de análisis visual. El propósito de este estudio fue identificar el compromiso óptimo entre el número de puntos de vista necesarios para generar un análisis de visibilidad preciso para una ruta dada. En este estudio, nos centramos en identificar cómo un análisis de visibilidad difiere según la distancia de muestreo (intervalo) de los puntos de vista, la topografía y la distancia de análisis. Utilizamos la herramienta de Análisis de Rutas Geoespaciales y Evaluación de Impacto Visual (GRAVIA), un tipo de análisis de visibilidad avanzado que utiliza medidas de magnitud visual. GRAVIA se aplicó en tres entornos topográficos diferentes (plano, montañoso y montañés). Generamos un segmento de una milla de largo para cada entorno y discretizamos sistemáticamente la ruta variando los intervalos de distancia de muestreo de 1 m a 100 m. También comparamos cómo los resultados calculados diferían según la distancia de la ruta. Los resultados mostraron una disminución lineal en la correlación, aunque esto fue sensible a la distancia. Cuando se combinaron todas las distancias, una distancia de muestreo de 30 m y 50 m se correlacionó con 0.9 y 0.7, respectivamente. Sin embargo, cuando los resultados compararon cálculos más allá de 300 m de la ruta, los valores de correlación superaron el 97% para todas las distancias de muestreo de puntos de vista. Esto sugiere que para análisis basados en rutas utilizando magnitud visual, reducir la tasa de muestreo puede producir resultados equivalentes con mucho menos tiempo de procesamiento, manteniendo la precisión del modelo.
Descripción
Un análisis visual es útil para evaluar los impactos potenciales en nuestro entorno. Ha habido un progreso tremendo hacia la optimización, precisión y técnicas de estos análisis. Los análisis de visibilidad son un tipo común de análisis visual. El propósito de este estudio fue identificar el compromiso óptimo entre el número de puntos de vista necesarios para generar un análisis de visibilidad preciso para una ruta dada. En este estudio, nos centramos en identificar cómo un análisis de visibilidad difiere según la distancia de muestreo (intervalo) de los puntos de vista, la topografía y la distancia de análisis. Utilizamos la herramienta de Análisis de Rutas Geoespaciales y Evaluación de Impacto Visual (GRAVIA), un tipo de análisis de visibilidad avanzado que utiliza medidas de magnitud visual. GRAVIA se aplicó en tres entornos topográficos diferentes (plano, montañoso y montañés). Generamos un segmento de una milla de largo para cada entorno y discretizamos sistemáticamente la ruta variando los intervalos de distancia de muestreo de 1 m a 100 m. También comparamos cómo los resultados calculados diferían según la distancia de la ruta. Los resultados mostraron una disminución lineal en la correlación, aunque esto fue sensible a la distancia. Cuando se combinaron todas las distancias, una distancia de muestreo de 30 m y 50 m se correlacionó con 0.9 y 0.7, respectivamente. Sin embargo, cuando los resultados compararon cálculos más allá de 300 m de la ruta, los valores de correlación superaron el 97% para todas las distancias de muestreo de puntos de vista. Esto sugiere que para análisis basados en rutas utilizando magnitud visual, reducir la tasa de muestreo puede producir resultados equivalentes con mucho menos tiempo de procesamiento, manteniendo la precisión del modelo.