ارزيابي توانايي روش‌هاي تشخيص خطاهاي بارز در مدل‌سازي رقومي زمين

Evaluation of Potential of Blunder Detection Techniques in Digital Terrain Modelling

امروزه مدل‌‌های رقومی زمين (DEM‌)، يك منبع مهم داده‌‌ی مكانی برای كاربردهای متنوع در بسياری از زمينه‌های علمی و تجاری می‌باشد. از اين‌رو، خصوصيت اصلی آن‌‌ها، يعنی دقت، مورد توجه ويژه‌ای قرار دارد. اين مدل‌ها در مراحل نمونه‌برداری، اندازه-گيری و بازسازی با انواع مختلفی از خطاها آلوده می‌گردند. اين خطاها به سه گروه؛ اتفاقی، سيستماتيك، و بارز تقسيم می‌شوند. وجود خطاهای بارز موجب بروز نتايج غير قابل قبول در محصول نهايی می‌گردد. بنابراين، شناسايی و حذف خطاهای بارز از داده‌های مدل رقومی زمين، توجه بسياری را در آناليزهای داده‌های مكانی به خود معطوف ساخته است. اغلب روش‌های موجود بر مبنای آزمون‌های آماری هستند كه به دليل ايزوله در نظر گرفتن مشاهدات و صرفنظر كردن از تاثيرات آن‌ها روی مشاهدات ديگر مشكلات قابل توجهی را ايجاد می‌نمايند. به‌دليل ضعف و محدوديت اين روشها، در اين پژوهش الگوريتمی مبتنی بر برآورد پايدار به روش كمترين مربعات با وزن‌دهی تكراری (IRLS‌) ارائه شده است. همچنين، كاربرد روش پيشنهادی در مقابل شيوه‌ی كلاسيك كمترين مربعات مورد آزمون قرار گرفته است. برای اين منظور، منطقه‌ی مورد نظر به چند بخش تقسيم می‌شود. در هر بخش با برازش يك سطح دوخطی و محاسبه‌ی بردار باقيمانده‌ها با استفاده از برآورد پايدار سعی در كمينه كردن مجموع مربعات بردار باقيمانده‌ها و كشف خطاها می‌شود. نتايج بدست آمده حاكی از آن است كه روش پيشنهادی يك راه‌حل با بيشترين پايداری فراهم می‌نمايد كه شناسايی مشاهدات دارای خطای بارز را امكان‌پذير می‌سازد.

Nowadays, digital terrain models (DTM) are an important source of spatial data for various applications in many scientific and commercial disciplines. Therefore, special attention is given to their main characteristic ‐ accuracy. These models are infected with various types of errors in the process of sampling, measurement and reconstruction. These errors are divided in to three groups: random, systematic and gross errors. As it is well known, the source data for DEM creation contributes a large amount of errors, including gross errors (blunders), to the final product, which are unacceptable for a practical project. Therefore, the detection and deletion of gross error from DTM data has been becoming a great concern in geospatial data analysis. Most of existing approaches are based on statistical tests and present considerable problems for isolating observations and avoiding their influence. This paper presents an algorithm based on robust estimation with IRLS. Also, the application of robust methods to digital terrain modeling is analyzed versus the classical least-squares approach. Entire dataset is divided into some separate patches. In each patch a bilinear surface is fit to fully surrounded points and the residual for each point is estimated. By the use of robust estimation, it is tried to minimize the sum of squared residuals in order to detect points with gross error. The results showed that the proposed method provides a maximum-resistance solution and therefore the capability of identifying blunders.