原始DEM数据的粗差检测与剔除

楠楠星球

于 2023-03-06 16:47:28 发布

阅读量1.1k

点赞数 1

分类专栏： MATLAB+地形文章标签：学习方法考研其他

本文链接：https://blog.csdn.net/qq_55750626/article/details/129364753

版权

MATLAB+地形专栏收录该内容

6 篇文章 17 订阅

订阅专栏

文章目录

前言
一、基于趋势面的粗差检测和处理
二、三维可视化粗差检测技术
三、基于坡度信息的规则格网分布数据粗差检测技术
四、基于高程信息的不规则分布数据粗差探测方法
五、基于等高线采样数据的粗差探测方法
六、等高线重构检查

前言

误差，可将误差分为三种，即系统误差、偶然误差和粗差。同系统误差、偶然误差相比，粗差实际上是一种错误，他们在测量中出现的可能性一般比较小。但是与前两种误差相比，粗差对数字高程模型所反映的空间变化的扭曲更为严重，因而粗差是影响DEM质量的重要因素之一。
根据统计规律，常用2倍或3倍中误差作为极限误差，即模型误差大于极限误差的观测数据被认为是粗差。粗差的产生主要出现在DEM的生产过程中，并最终表现在高程Z上。粗差的存在会造成数字高程模型(DEM)空间上的严重扭曲，有时能导致DEM及其产品严重失真，甚至完全不能使用。因而有关DEM的粗差诊断问题已愈来愈引|起人们的关注。

一、基于趋势面的粗差检测和处理

通过地理学第一定律“越相近越相似”的原则，地形表面在一定的邻域内有着较强的自相关性。因此可以利用数学函数结合有限的数据点对地形表面进行拟合，得到DEM趋势面。当采样点的观测值与趋势面相差很大时，即可认为这一点为粗差。
在这里插入图片描述

这种方法通常需要注意三点：

1）趋势面函数模型的确定

根据下面的公式，我们可以知道利用高次多项式拟合曲面时，其多项式的解并不稳定，而且系数a0,a1,a2,a3等的物理意义也不清楚。因此趋势面函数的确定对自然表面的拟合精度有很大的影响。
常见的趋势面函数模型有：
在这里插入图片描述

2）内插函数的确定

所谓内插函数，就是利用已知采样点对未知点进行估计定值。内插函数有很多，每一种内插函数都有自己的优势和缺点，其内插的精度通常利用影响DEM趋势面拟合来间接影响自然表面的精度。
在这里插入图片描述

3）阈值问题的存在

我们在找到合适的趋势面函数模型以及内插函数之后，引来一个更难的问题就是，当某点的趋势面值和真实表面值之间的差值为多少时，可以将此点归为具有粗差的样本点。按统计观点，一般选取三倍的中误差作为极限值。

二、三维可视化粗差检测技术

通过将含有粗差的数据点绘制成规则格网Gird或者是不规则格网TIN数据，结合计算机三维显示以及人机交互功能，可以利用实地高清地图或是地形图或者常识，来判断某一点的趋势面是否正确。
在这里插入图片描述

三、基于坡度信息的规则格网分布数据粗差检测技术

坡度是地表的固有属性，在局部连续空间的渐变模型上，坡度的变化也是连续的。因此来采用采样点与周围点的坡度变化是否一致性来检测采样点是否含有粗差。

可分为一下几步：

1）计算坡度差

DEM如何计算坡度可以看我之前的文章有详细说明，这里就不阐述了。在坡度数据（rows，cols）中，我们先确定3×3的窗口或者其他大小，首先计算窗口内相邻像元在水平方向（也可以是垂直方向）的坡度差值（6个），将其依次赋值给一个新的数据空集（rows，cols）中。可以将数据集中的第一列数据设置为0。

2）计算统计标准

在该数据集中，在采用3×3的窗口，利用统计方法计算该窗口中的绝对平均值/均方根值/算术平均值/标准偏差值等作为统计标准，通常将阈值设置为统计标准的K倍（通过专家研究，K=3）。

3）筛选剔除粗差点

若窗口中的某个采样点在某一方向上的坡度差大于阈值，则会被认为粗差可疑点。结合人为判断确认无误之后，可以通过窗口内其他点的坡度值和高程值推测该点的高程值，并替换掉原始值。

该方法有以下注意点：


效率问题	当某个窗口内的粗差点分布比较密集时（也就是坡度差大于阈值的采样点不唯一），这就需要用到循环处理，降低了运行效率。
边缘问题	由于坡度差是两个坡度之间的计算值，所以对于规则格网数据，总有一列边缘格网无法参与计算，这就导致了此方法不适合边缘值的粗差探测。
质量问题	数据中的采样点疏密程度不一样，决定了窗口大小的选取也不一样。为提高计算效率，该方法全程都使用了一个窗口大小。因此，窗口大小的选取不仅决定了统计标准的不同，也决定了不同疏密程度地方的粗差选取质量问题。