主成分分析法在DEM粗差定位中的应用.pdfVIP

主成分分析法在DEM 粗差定位中的应用 1，2 1 杨晓云 ，岑敏仪 （1. 西南交通大学 土木工程学院 地理信息工程中心, 四川 成都 610031 ； 2.广西工学院 土木建筑工程系，讲师, 广西 柳州 545006 ） Detecting Gross Errors in DEM of Regular Data Based on PCA 1，2 1 YANG Xiao-yun ，CEN Min-yi 1. School of Civil Engineering, Southwest Jiaotong University, Chengdu 610031, China; 2. Department of Civil Engineering, Guangxi University of Technology, Liuzhou 545006, China; E-Mail ：ailiou105@163.com 绪言 粗差对DEM 质量的影响不容忽视。Barnett （1984）等人从统计学的角度，将目前针对 DEM 的粗差探测方法分为两类：（1）已知先验信息；（2 ）未知先验信息。前者需要事先 设定粗差的分布函数，然而通常情况下用户很难获得有关DEM 的数据信息。因此，后者的 成果较为丰富，如基于坡度信息的粗差探测算法[1] ，Felicísimo 提出的基于参数统计方法[2] 等等。此外，一些适用于多元或时间序列的统计方法，如聚类分析（Cluster Analysis，Fernau [3]、图解法（graphical method ）、主成分分析法（Principal Component Analysis ， 等人，1990） [4][5] 。本文正是基于主成分分析法， PCA ）等等，也已广泛应用于各种工程异常检测研究中 提出一种适用于规则格网DEM 的粗差探测算法，该方法既适用生产者，也可面向最终用户， 具有良好的应用价值。 研究方法 [6][7] 一些学者（Hawkins ，1974；López 等人，1993） 尝试采用PCA 方法对栅格数据进 行差异检测。但是这些方法并不能直接应用于DEM ，这是因为DEM 数据不能简单地看作 时间序列或多元序列。于是我们将原始DEM 数据进行分割，划分为长条形状 DEM ，其大 小为w ×n （w n ）。基于这个特点，本文将其称为带状区域DEM （w 为行数，n 为列数）。 这样的DEM 可以看作是由n 个断面构成，每个断面包含w 个数据点，而每一个数据点所对 应的高程值表示为h(i, j ) ，1≤i ≤w,1≤j ≤n ，如图1 所示。 带状区域DEM 具有空间多元变量的特性，可以采用多元统计方法进行分析，即主成分 分析法，该方法分为两个步骤：首先，定位可能含有粗差的DEM 断面；然后在此断面内探 测可能含有粗差的数据点。 上述方法进行粗差的判释可以列方向为主，得到一系列的粗差候选项位置。同样，当以 行方向为主进行判释，即将整个DEM 区域划分为一系列行为主的带状区域w ×m ，又可以 得到这样一组粗差候选项序列，那么对于在两次判释中均被怀疑为异常值的高程数据将被确 定为粗差。 具体而言，主成分分析法进行DEM 粗差的探测包括以下五个步骤： 1) 对于给定的大小为n ×m 的 DEM ，将其分别划分为列主方向和行主方向宽度为w 的带状区域，实施下列步骤直到满足一定的准则； 2) 处理列主方向的带状区域： a.1 确定可能含有粗差的列； a.2 在每一列中确定粗差的位置，从而获取备选粗差数组1； 3) 处理行主方向的带状区域： b.1 确定可能含有粗差的行； b.2 在每一行中确定粗差的位置，从而获取备选