多波束測深異常的兩種趨勢面檢測算法比較

王海棟，柴洪洲，翟天增，閻成赟

(1. 信息工程大學 測繪學院，河南 鄭州 450052；2. 海軍出版社，天津 300450；3. 海軍海洋測繪研究所，天津 300061)

多波束測深異常的兩種趨勢面檢測算法比較

王海棟1,2，柴洪洲1,3，翟天增1，閻成赟2

(1. 信息工程大學 測繪學院，河南 鄭州 450052；2. 海軍出版社，天津 300450；3. 海軍海洋測繪研究所，天津 300061)

利用三次樣條插值算法模擬海底地形曲面，并加入高斯白噪聲和不同數量的異常值作為多波束測深數據模擬值。分別基于最小二乘估計和高崩潰污染率抗差估計兩種算法建立趨勢面模型，通過各自的異常值標定準則對模擬數據進行測深異常檢測，比較和分析了兩種算法的處理結果，并得出相應結論。最后，利用上述兩算法對多波束實測數據進行處理，結果表明，經高崩潰污染率抗差趨勢面異常值檢測后的數據能夠更為準確地反映海底的真實情況。

多波束測深；異常值檢測；抗差趨勢面；最小二乘趨勢面；高崩潰污染率；海底模擬

當今的海洋測繪中，多波束測深系統 (MBES) 已成為主要的海洋測深設備，其測得的數據具有覆蓋面廣，精度高，采樣密集等特點[1]。但與陸地測量相比海洋測深存在眾多不穩定因素，如儀器噪聲、海況環境或人為因素等[2,3]，導致多波束數據不可避免地存在異常值，若不進行準確檢測，將使繪制的海底地形圖與實際海底不符，有時甚至對艦船的航行帶來危險。

最小二乘趨勢面異常值檢測算法作為一種常用的多波束數據處理方法被許多學者所提及[4-8]。但由于該算法不具有抗差性[9]，若利用該算法則會明顯降低異常值檢測的準確率。為準確檢測異常，本文分別基于最小二乘估計和高崩潰污染率抗差估計建立趨勢面模型，通過各自的異常值標定準則來檢測多波束測深數據中的異常值，并對模擬和實測數據進行處理，比較和分析了兩種趨勢面檢測算法之間的差異，最后得出了相應的結論。

1 兩種趨勢面異常值檢測算法原理

由于抗差估計在迭代的過程中，通過判斷標準化殘差值的大小，不斷減小不可信測深點的權函數值，從而提高計算趨勢面模型系數的精度，建立的趨勢面模型比最小二乘更加合理，使其能夠準確判斷出各種異常值。

2 模擬數據實驗及分析

(1) 利用三次樣條插值算法[11]模擬平緩變化的海底地形，如圖1所示。將模擬的海底地形的網格點深度值分別加入均值為0 m，均方差為0.1 m的高斯白噪聲和大小為0.3 ～ 2.3 m呈均勻分布的異常值作為多波束測深數據的模擬值 (圖2) ，異常值的數量分別為總測深數據的2%，5%，10%，20%，圖3為含10% 異常值的部分數據加入的誤差值情況。

圖2 模擬測深值及含 10% 異常值的部分數據Fig. 2 Simulated Bathymetry Data and Partial Data with 10% Outliers

圖1 模擬海底地形Fig. 1 Simulated Seafloor Terrain

(2) 取三次趨勢面模型，分別利用最小二乘趨勢面和高崩潰污染率抗差趨勢面兩種算法對上述模擬的多波束測深數據進行異常值檢測，結果如表 1 所示。從表中可見，當測深數據中含有的異常值數量增多時，最小二乘趨勢面的檢測效果

會明顯下降，而抗差趨勢面則比較穩定。

圖4 為含 10% 異常值的部分數據處理結果，其中 (a) 為最小二乘趨勢面異常值檢測結果，(b) 為高崩潰污染率抗差趨勢面異常值檢測結果，從圖中我們同樣可以發現，最小二乘趨勢面不能完全檢測到異常值，而利用抗差趨勢面檢測算法，其結果和實際加入的異常值情況基本一致。

由于異常值影響了最小二乘趨勢面模型的系數的求解，使模型偏離了“真實海底”，導致此算法難以做出準確的檢測。而抗差趨勢面檢測算法通過權函數值降低了異常值對趨勢面系數計算的影響，使建立的趨勢面能夠更加地接近“真實海底”，提高了檢測的準確性。

表1 加入異常值和判斷情況Tab. 1 Outliers Added and Estimated Results

圖3 含 10% 異常值的部分數據加入誤差值情況Fig. 3 Error Added of Partial Data with 10% Outliers

圖4 含 10% 異常值的部分數據的處理結果Fig. 4 Processing Results of Partial Data with 10% Outliers

3 實測數據實驗及分析

實測數據取自 CARIS HIPS&SIPS6.1 軟件的樣本多波束測深數據，由于通常情況下邊緣波束質量較差，因此僅取靠近中央波束的數據，如圖 5 所示。分別利用最小二乘趨勢面和高崩潰污染率抗差趨勢面算法檢測該實測數據中的異常值。

圖5 去邊緣波束后的原始測深值Fig. 5 Real Bathymetry Data without Outer Beams

圖6 最實測數據的處理結果Fig. 6 Processing Results of the Real Bathymetry Data

4 結 論

通過最小二乘趨勢面和高崩潰污染率抗差趨勢面算法來檢測多波束測深數據中的異常值，利用模擬和實測數據進行實驗，經比較分析得出如下結論：

a) 高崩潰污染率抗差趨勢面算法對殘差較大的測深值降低權重進行計算，在迭代的過程中提高了模型系數求解的精度，達到了抗差的目的；

b) 當測深數據被異常值嚴重污染時，最小二乘趨勢面的檢測效果會明顯下降，而基于高崩潰污染率的抗差趨勢面算法則比較穩定。

c) 通過實驗得出，對于多波束數據，抗差趨勢面模型的迭代權函數正常界k0和淘汰界k1取值范圍分別為1.0 ～ 2.0和2.5 ～ 4.0 ，誤差越多，取值越小。

雖然利用高崩潰污染率抗差趨勢面算法檢測異常值的效果較好，但對于突變地形情況如新沉入海底的大型艦船、飛機等殘骸還不夠完善，這些特殊情況下的多波束測深數據處理方法還有待進一步挖掘和研究。

[1] 金翔龍. 海洋地球物理研究與海底探測聲學技術的發展 [J]. 地球物理學進展, 2007, 22(4)： 1243-1249.

[2] 李家彪, 王小波, 華祖根, 等. 多波束勘測原理技術與方法 [M]. 北京： 海洋出版社, 1999： 197-198.

[3] 吳自銀, 李家彪. 多波束勘測的數據編輯方法 [J]. 海洋通報, 2000, 19(3)： 74-78.

[4] 朱 慶, 李德仁. 多波束測深數據的誤差分析與處理 [J]. 武漢測繪科技大學學報, 1998, 23(1)： 2-4.

[5] Lirakis C B, Bongiovanni K P. Automated Multibeam Data Cleaning and Target Detection [C]. Oceans 2000, MTS/IEEE Conference and Exhibition,2000, 1： 719-723.

[6] Arnold J, Shaw S. A surface weaving approach to Multibeam depth estimation [C]. Ocean’93, IEEE Conference Processings, 1993, 2： Ⅱ/95-Ⅱ/99.

[7] 胡光海, 周興華. 趨勢面分析在水深測量數據處理中的應用 [J] . 測繪工程, 2004, 13(3)： 23-25.

[8] 趙建虎, 劉經南. 多波束測深及圖像數據處理 [M]. 武漢： 武漢大學出版社, 2008.

[9] 黃謨濤, 翟國君, 王瑞, 等. 海洋測量異常數據的檢測 [J]. 測繪學報, 1999, 28(3)： 269-277.

[10] 楊元喜. 抗差估計理論及其應用 [M]. 北京： 八一出版社, 1993.

[11] 郭業才, 趙俊渭. 海洋環境噪聲預報建模與算法研究 [J]. 艦船科學技術, 2004, 26(4)： 26-30.

Comparison of two trend surface detection algorithms of multibeam bathymetry outlier

WANG Hai-dong1,2, CHAI Hong-zhou1,3, ZHAI Tian-zeng1, YAN Cheng-yun2

(1. Institute of Surveying and Mapping, Information Engineering University, Zhengzhou 450052, China;2. The Navy Press, Tianjin 300450, China;3. Naval Institute of Hydrographic Surveying and Charting, Tianjin 300061, China)

Seafloor terrain surface is simulated by cubic spline interpolation. The random noise and synthetic outliers are added in the simulated seafloor terrain surface as synthetic data sets of multibeam echosounder. Two trend surface models are built based on algorithms of the least square and the high-breakdown contaminated robust. They are separately applied to detecting the outliers in the synthetic data set. By comparing and analyzing the results, the conclusions of the application of the algorithm to synthetic data set are gotten out. In the end, the real bathymetry data is processed by the above two algorithms. The results indicate that the data processed by outlier detection of the high-breakdown contaminated robust trend surface algorithm can reflect the seafloor terrain more accurately.

multibeam bathymetry; outlier detection; robust trend surface; least squares trend surface; high-breakdown contamination; seafloor simulation

P229

A

1001-6932(2010)02-0182-05

2008-03-10；

2008-07-02

中國博士后科學基金項目 ( 20080431342 ) 。信息工程大學測繪學院碩士學位論文創新與創優基金資助

王海棟 (1983－)，男，助理工程師，碩士，主要從事測量數據處理理論與方法的研究。電子郵箱：wanghaidong.china@gmail.com