Currently, during the operation in shallow waters, scanning systems, such as multibeam systems, are capable of collecting thousands of points in a short time, promoting a greater coverage of the submerged bottom, with consequent increase in the detection capacity of objects. Although there has been an improvement in the accuracy of the depths collected, traditional processing, that is, manual, is still required. However, mainly due to the increased mass of data collected, manual processing has become extremely time-consuming and subjective, especially in the detection and elimination of spikes. Several algorithms are used to perform this task, but most of them are based on statistical assumptions hardly met and/or verified, such as spatial independence and normality. In this sense, the goal of this study is to present the SODA (Spatial Outlier Detection Algorithm) methodology, a new method for detection of spikes designed to treat bathymetric data collected through swath bathymetry systems. From computational simulation, promising results were obtained. SODA, in some cases, was capable to identify even 90% of spikes inserted on simulation, showing that the methodology is efficient and substantial to the bathymetric data treatment.
Abstract:Almost every researcher has come through observations that "drift" from the rest of the sample, suggesting some inconsistency. The aim of this paper is to propose a new inconsistent data detection method for continuous geospatial data based in Geostatistics, independently from the generative cause (measuring and execution errors and inherent variability data). The choice of Geostatistics is based in its ideal characteristics, as avoiding systematic errors, for example. The importance of a new inconsistent detection method proposal is in the fact that some existing methods used in geospatial data consider theoretical assumptions hardly attended. Equally, the choice of the data set is related to the importance of the LiDAR technology (Light Detection and Ranging) in the production of Digital Elevation Models (DEM). Thus, with the new methodology it was possible to detect and map discrepant data. Comparing it to a much utilized detections method, BoxPlot, the importance and functionality of the new method was verified, since the BoxPlot did not detect any data classified as discrepant. The proposed method pointed that, in average, 1,2% of the data of possible regionalized inferior outliers and, in average, 1,4% of possible regionalized superior outliers, in relation to the set of data used in the study. Keywords: Outliers, geoprocessing, LiDAR technology. Resumo:Provavelmente todo pesquisador já se deparou com observações que se "afastam" das demais, sugerindo a existência de inconsistências. O objetivo desse trabalho é propor um novo método de detecção de dados inconsistentes para dados geoespaciais contínuos baseando-se na Geoestatística, independentemente da causa geradora (erros de medição, execução e variabilidade inerente aos dados). A escolha pela Geoestatística está baseada em suas características ideais, como evitar erros
Ter o conhecimento da morfologia submersa dos ambientes aquáticos sempre foi um desafio, justamente pelas dificuldades inerentes em caracterizar e explorar as ocorrências não aparentes dessas superfícies. A descrição das características dos oceanos, rios, lagos e outros corpos d'água possibilitam a obtenção de informações batimétricas úteis a diversas áreas, como para a navegação marítima ou fluvial, obras civis, prospecção de recursos minerais, etc. Α partir das informações de profundidade pode-se ter o estabelecimento de práticas voltadas para o planejamento e execução de inúmeras atividades de hidrografia. Os levantamentos hidrográficos, empregados atualmente, são realizados por sistemas acústicos como ecobatímetros monofeixe, multifeixe e sonares interferométricos. Contudo, independente da tecnologia utilizada, os dados coletados sempre conterão incertezas, podendo ser de natureza grosseira, sistemática ou aleatória. Se os dados estiverem eivados de incertezas não aceitáveis a uma dada tolerância definida por norma, tais informações podem não ser acuradas para determinados propósitos. Um dos estimadores geralmente utilizados, o RMSE (Root Mean Square Error) é altamente influenciado pela presença de outliers nas amostras, podendo não ser adequado para descrever a qualidade estatística do conjunto de observações. Desta forma, o objetivo dessa pesquisa é a proposição de um estimador pontual visando quantificar a incerteza vertical de levantamentos batimétricos, denominado Incerteza Robusta, que diferentemente dos estimadores utilizados na maioria das vezes, é resistente a outliers e independe da distribuição de probabilidades da amostra. Para o estabelecimento do intervalo de confiança deste estimador foi usada a técnica Bootstrap. Foram realizados experimentos com dados simulados, bem como o uso de dados reais, referentes a duas áreas de estudo. Α partir dos resultados obtidos, pôde-se verificar o desempenho do estimador proposto, que nitidamente mostrou-se resistente aos possíveis outliers presentes no conjunto de dados. Pôde-se perceber também, que a presença dos outliers nas bases de dados teve pouca influência nas estimativas pontuais de incerteza, mostrando sua eficiência e robustez.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.