《船载回声测深数据误差识别方法研究——以上海石化海床为例》由会员分享，可在线阅读，更多相关《船载回声测深数据误差识别方法研究——以上海石化海床为例（9页珍藏版）》请在金锄头文库上搜索。
1、船载回声测深数据误差识别方法研究以上海石化海床为例 王军 梁鑫鑫 易思 郑璐 华东师范大学地理信息科学教育部重点实验室 华东师范大学地理科学学院 摘 要： 基于水下地形自然演变的渐变性和连贯性特征, 通过统计学聚类分析方法和地统计分析方法构建水下地形 Voronoi 地形图, 可以有效地识别和剔除船载回声测深数据中的“离散”粗差数据;可视化显示的时空 Voronoi 高程差分布图可以有效地识别误差高程大于冲淤强度的“条带状”误差数据, 对“条带状”误差数据识别的灵敏度受地形坡度、冲淤强度和测点密度的影响。虽然时空Voronoi 高程差分布图对冲淤强度较大和坡度较大区域的“条带状”误差数据灵敏度
2、有限, 但在地形平缓、冲淤强度较弱且测点密度较大的区域, 识别效果较好, 可以作为船载回声测深数据预处理的有效方法。关键词： 船载回声测深数据; 聚类分析; 时空 Voronoi 地形图; 误差识别; 作者简介：王军 (1975-) , 男, 陕西汉中人, 教授, 博士生导师, 主要从事城市自然地理、沿海灾害风险研究等。E-mail:收稿日期：2017-03-18基金：国家自然科学基金项目 (41671095, 51761135024) ;国家自然科学基金人才培养项目 (J1310028) An approach to recognize the error of shipborne echo
3、-soundingWANG Jun LIANG Xin-xin YI Si ZHENG Lu Key Laboratory of Geographic Information Science of Ministry of Education, East China Normal University; Abstract： Regarding the spatiotemporal graduality and continuity in the natural evolution processes of underwater topography, this paper attempted t
4、o use Voronoi topographic maps which were created using the cluster analysis method in the geostatistical analyst software package to identify the discrete gross error in the shipborne echo-sounding data. Results revealed that the “ribbon”error can be eliminated effectively through spatiotemporal Vo
5、ronoi map visualizing the spatial distribution of elevation difference. The sensitivity of eliminating“ribbon”error data, however, was influenced by the terrain slope, erosion-accretion intensity and density of measuring points. Basically, the spatiotemporal Voronoi map is less sensitive to the elev
6、ation difference in the case of regions experiencing an intensive erosion-accretion evolution or has a larger slope gradient, but it works well in regions which have a lower erosion-accretion intensity and flat terrain with large density of measuring points. Overall, it is an effective method for pr
7、eprocessing of shipborne echo-sounding data.Keyword： shipborne echo-sounding data; cluster analysis; spatiotemporal Voronoi map; error identification; Received： 2017-03-18近岸水域的水深数据对众多的海洋应用具有重要意义, 如安全导航1、疏浚工程、沿岸涉水工程建设2、海洋水文研究3、沿海灾害研究等。海床地形环境的描述和海岸带资源的规划与管理都依赖于水深测量数据, 其质量直接关系到沿海管理决策的准确性和科学性。水深数据的时空精度也
8、关系到模型参数的率定, 以及后续模型拟合结果的精度。水下地形数据的来源主要有地震反射波、卫星遥感、船载回声测深仪等。其中, 遥感数据和船载回声测深数据的应用较为广泛。受大气、海床底部介质、水体散射吸收等因素的影响, 卫星遥感识别深度有限4-6。回声测深数据是由回声测深仪测量多个位置点处水深信息构成的点集, 相对而言, 是一种广泛应用且精度较高的测深数据类型。但由于测量设备的稳定性7、潮流水位8、船只、初始时间延迟9等潜在影响因素增加了数据的不确定性, 粗差数据难以避免, “条带状”误差数据也普遍存在, 科学识别与剔除误差数据是至关重要的。现有的误差数据剔除方法研究, 针对重复性测量数据, 多依
9、据统计学规则10进行剔除。针对不具有重复性的空间测量数据, 多采用残差分析法、滤波分析法或针对时空数据的时空序列模型法等进行剔除。残差分析法建立在模型拟合11的基础上, 若模型假设不成立或模型参数设置不合理, 则会导致误判, 产生“伪误差数据”。滤波分析法主要有中值滤波12、卡尔曼滤波、抗差滤波13等方法, 主要考虑到地形特点或观测过程中船测速度与坡度的关系等信息设置阈值进行误差的识别。对不同特征的区域, 阈值参数设置也往往不同, 尽可能地识别出误差信息并保留重要地形特征是滤波方法需要平衡的问题, 也是难以解决的关键环节。对较为复杂的地形数据, 在剔除误差数据的同时, 也可能损失较为重要的地形
10、信息。这些研究对开展船载回声测深数据误差识别方法具有重要意义, 但针对特定地形条件下的船载回声测深数据, 目前没有针对性的误差剔除方法, 构建有效的误差识别与剔除方法十分必要。本文以上海石化前沿海床为实证研究区, 针对船载回声测深数据中的“离散”粗差和“条带状”误差数据, 构建误差识别与剔除的有效方法。该方法不仅适用于船载回声测深数据, 也适用于时间序列上具有渐变性特征的空间数据。1 研究区域与数据来源上海石化海床位于杭州湾喇叭状强潮海湾的北岸, 在强潮流作用下, 上海石化海床发育有金山深槽地形 (图 1) , 深槽区地形坡度较大, 大致东西走向, 与水流流向基本一致, 近岸浅滩及离岸区域地形
11、平缓, 石化海床地形时空上的冲淤特征表现为深槽区的大冲大淤, 近岸浅滩及离岸平坦区冲淤较稳定14-15。文中使用的 2011、2012 年上海石化海床近岸水下地形数据由上海石化海堤管理所利用 Echotrac MK III 双频测深仪实测获得, 精度在 0.010.10 m 之间。2 研究方法2.1“离散”粗差数据识别方法聚类技术 (Cluster Analysis) 是基于相似度的概念, 研究多要素事物分类问题的数量方法, 即不需要先验经验, 基于对象之间某种相似性对事物进行分类16, 揭示它们的结构、估计数据的集群化趋势、识别相似的对象和离群值等。对象之间相似性的度量指标可以是相关系数或距
12、离, 如欧氏距离、马氏距离和曼哈顿距离等16-17。聚类分析法广泛应用于水下地形的研究中, 如 Cheng 等18以聚类分析地形图的分类结果作为相似度较高的高程点群选择的依据, 利用聚类分析方法识别“离散”误差数据也相当成熟19-20。利用 GIS 地统计中聚类分析法生成的 Voronoi 地形图, 可了解到每个测点的控制区范围, 也可以体现出每个测点对区域内插的重要性, 查找出区域内插作用不大且可能影响内插精度的离群粗差数据。若数据所在多边形与相邻多边形均不在同一个组内, 即判断其为局部“离散”粗差数据。由 2012 年放大的局部误差数据图可见, 识别的误差数据-13.17 m 与周围水深数
13、据明显相异, “离散”粗差数据的分布具有随机性, 并不受地形坡度的影响 (图 1) , 且粗差率不超过总测点数量的 1%。图 1 2012 年地形数据聚类分析 Voronoi 地形图 (离散粗差数据分布) Fig.1 Voronoi topographic map in 2012 by cluster analysis (distribution of discrete outliers) 下载原图2.2“条带状”误差数据识别方法水下地形的“冲”与“淤”是水沙作用的体现, 其自然演变过程具有时空上的渐变性和连贯性, 不会出现“阶梯状”区域。另外, 研究区域地形除在近岸深槽区域坡度较大外, 其他
14、区域坡度相对平缓 (图 1) 。故相邻的格网间高程差若出现水流方向不一致, 但与测船行进方向相一致的“条带状”时, 即可判断相应区域的数据存在误差数据。进行水深测量时, 未调整潮位基准或有其他的声干扰时, 空间地形数据中会存在这些与测船行进路线相一致的条带状误差数据 (图 2) 。与“离散”粗差数据明显不同的是, 这些误差数据具有空间连通性的特点。由于样本中多个异常值相互影响遮蔽而产生屏蔽效应21, 导致统计检测方法将异常数据判别为正常数据。因此, 仅根据空间数据或统计学规则很难检测出这些“条带状”误差数据。图 2 2012 年地形数据聚类分析 Voronoi 图 (条带误差数据示意图) Fi
15、g.2 Voronoi map of topography in 2012 by cluster analysis (band distribution of outliers) 下载原图由于每年观测船只行进方向基本一致, 但行进路线不一致, 每年水深点数据的空间位置并不对应, 即上海石化海床的船载回声测深数据在时空上不具有一一对应的关系, 但每年的观测点数据密度较大 (220 测点/km) , 间距较近。自然界中距离相近的事物比距离远的事物具有更大的相似性, Voronoi 图是根据离散点之间距离关系构建的具有唯一性的网格图22 (表 1) , 所以, 可以利用Voronoi 图将测深点数据
16、面状化, 测深点数据的高程值即代表其所在的网格面域的高程值, 每年的 Voronoi 地形图通过空间数据的叠加分析构建时空Voronoi 地形图, 即可将时空上不具有一一对应关系的高程数据一一对应起来, 构建过程如图 3 所示。表 1 Voronoi 图的定义及应用 Table 1 Definition and application of Voronoi diagram 下载原表 图 3 时空 Voronoi 地形图构建过程 Fig.3 Building process of time-space Voronoi topographic map 下载原图对两个年份时空 Voronoi 地形图的测点高程差进行统计分析, 通过可视化显示的时空 Voronoi 高程差分布图即可识别出这些存在“条带状”的误差数据。具体过程如下:(1) 构建每年船载回声测深数据 Voronoi 地形图 (剔除过离散粗差数据) 每
