ارايه يك روش فراابتكاري به منظور تشخيص خطاهاي بارز در مدل رقومي ارتفاعي زمين با استفاده از الگوريتم‌ ژنتيك

Proposing a New Method for Detecting Single and Cluster Blunders of Digital Elevation Model Based on the Genetic Algorithms

مدل‌هاي رقومي ارتفاعي يكي از مهم‌ترين انواع داده‌هاي مكاني در سيستمهاي اطلاعات مكاني مي باشند. اين مدل ها در مراحل نمونهبرداري، اندازه گيري و بازسازي با انواع مختلفي از خطا آلوده مي گردند. اين خطاها به سه گروه؛ خطاهاي تصادفي، سيستماتيك و بارز تقسيم مي‌شوند. روشهاي گوناگوني براي كشف خطاهاي بارز و رفع آنها وجود دارد كه اكثر آنها مبتني بر روشهاي آماري هستند. به دليل ضعف و محدوديت اين روشها، در اين پژوهش الگوريتمي بر مبناي مفاهيم بهينه سازي فراابتكاري ارايه شده است كه مي تواند براي كشف خطاهايي از نوع بارز در مدل‌هاي رقومي ارتفاعي استفاده گردد. در اين روش پس از تقسيم منطقه به بخش‌هاي كوچك‌تر، هر بخش به صورت مجزا مورد كاوش قرار مي‌گيرد. در هر بخش با برازش يك سطح دوخطي و محاسبه‌ي بردار باقيمانده ها با استفاده از مفاهيم الگوريتم‌ ژنتيك سعي در كمينه كردن مجموع مربعات بردار باقيمانده ها و كشف خطاها مي‌شود. مزيت اين تكنيك نسبت به روش‌هاي موجود، پيدا كردن خطاهاي بارز منفرد و خوشه‌اي با دقت بالا و بدون استفاده از روش‌هاي آماري است. مقايسه نتايج حاصل از روش فراابتكاري با تكنيك هاي آماري متداولي چون Data Snooping حاكي از توانايي بالاي اين روش مي‌باشد.

Digital Elevation Models (DEMs) are one of the most important kinds of geospatial data in Geospatial Information Systems (GIS). DEMs contain different types of errors caused by sampling, measurement, and reconstruction processes. So accuracy is considered as one of the important attributes of DEMs. The errors can be classified into three types including random, systematic, and gross. This paper presents a new algorithm for detecting gross errors of irregular DEM data using Artificial Intelligence (AI) algorithms. The proposed gross error detection method are characterized by a common localization procedure: entire dataset was examined by consideration iteratively only a small subset at a time; for each step the data belonging to a moving square window was taken into account and each dataset was separately handled. In each window a bilinear surface was fit to fully surrounded points and the residual for each point was estimated. By the use of Genetic algorithm, it was tried to minimize the sum of squared residuals in order to detect points with gross error. The results showed that the proposed gross errors detection method is more effective and feasible than existing algorithms such as data snooping.