استفاده از سرشکنی مرحله به مرحله نقشه برداری

نوع مقاله: مقاله پژوهشی

نویسنده

چکیده

اصول سرشکنی کمترین مربعات تاکنون با با جزئیات کامل در کتب درسی به صورت مقاله در مجله ­های بسیاری شرح داده شده است. این عملکرد (عنوان مقاله) در ارتباط با سرشکنی کمترین مربعات معمول است، که در آن مجموعه ­ای از مشاهدات به طور هم زمان پردازش شده و برآوری معین از پارامترهای مجهول حاصل می­ گردد (با این فرض که تمام مشاهدات لازم، جمع آوری شده و همچنین عاری از اشتباهات باشند.)
مطلب فوق حالتی است که در اکثر سرشکنی­ ها وجود دارد. اما گاهی ممکن است نتوانیم تمام مشاهدات را در یک وهله تأمین کرد، یا اینکه بخواهیم سرشکنی را با مجموعه کوچکی را مشاهدات انجام داده و سپس، در صورت لزوم، مشاهداتی را حذف یا اضافه نموده تا به بهترین برآورد پارامترهای مجهول برسیم. اگر در هر با تعویض مشاهدات تمام سرشکنی را تکرار کنیم اتلاف وقت و انرژی است. اثر افزون یا حذف مشاهدات را می­ توان به روش سرشکنی مرحله به مرحله تعیین کرد. انجام این عمل همچنین می­ تواند به میزان زیادی حافظه کامپیوتری لازم برای پردازش هم زمان تمام مشاهدات را کاهش دهد.

عنوان مقاله [English]

Application of Step-By-Step Adjustment of Surveying

نویسنده [English]

  • I.D. Wijayrante
چکیده [English]

So far, the least squares adjustment principles have been described in detail in textbooks and in papers in numerous journals. This function (title of the paper) is related to the common least squares adjustment, in which a set of observations are simultaneously processed and a certain estimation of the unknown parameters is obtained (assuming that all necessary observations have
been collected and are free from mistakes).
This is the case is in most adjustments. However, sometimes we may not be able to provide all observations at one time, or we might want to carry out adjustment by only a small set of observations and then, if necessary, remove or add observations in order to best estimate the unknown parameters. If we repeat whole the adjustment every time we replace observations, we waste time and energy. The effect of adding or removing observations can be determined by step-by-step method of adjustment. This operation can also greatly reduce the amount of computer memory needed to simultaneously process all the observations.

1- Mikhail, Edward M., 1976, Observations and least Squares, Harper & Row Publishers.
2- Uotita, Urho A., class notes, The Ohio State University.