Evaluating automated outlier filtering methods for bathymetric surveys
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Engineering |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2024-09-28
Department
Major/Subject
Geoinformatics
Mcode
Degree programme
Master's Programme in Geoinformatics
Language
en
Pages
77
Series
Abstract
Most of our waters remain unmapped, and the growing need to better understand the underwater environment has led to increase in bathymetric surveys with high-resolution. Despite the growing data volumes, a significant part of data processing and analysis is still done manually. The manual work, especially finding the outliers from complex bathymetric data, is time-consuming. Hence, the need for robust methods for efficient and accurate outlier filtering is crucial. This thesis evaluates the functionality of varying automated outlier filtering methods for detecting and removing outliers from bathymetric data acquired by multibeam echosounder (MBES). For a comprehensive evaluation, the study contains a data-oriented clustering filter based on machine learning, a surface-oriented spline filtering approach and deep learning method based on pretrained convolution neural network model. QPS Qimera and Caris HIPS & SIPS software were utilized for testing the filters. To evaluate the methods, statistical differences between the filtered datasets and a manually processed reference data were computed. Nine subareas with varying seabed morphology and features were defined to visually assess the functionality of the filters from smooth seabed to rougher bottom with slopes and features such as boulders and manmade object. The findings of this study indicate that each filter has distinct strengths and weaknesses. Clustering filters were mainly effective in maintaining seabed morphology and features in complex structures but struggled in the edges of the survey area and with denser outlier clouds. Spline filters showed strong capabilities in outlier reduction but with the cost of over smoothing complex structures leading to removing valid points of the seabed while accepting outliers. Pretrained classifiers showed good performance between effectively detecting outliers and retaining the shapes and features of the dataset. However, this method also struggled with detecting valid points as outliers. These results highlight the importance of selecting appropriate filtering methods based on the specific characteristics of the survey area and data.Kasvanut tarve ymmärtää vedenalaista ympäristöä on johtanut lisääntyneisiin syvyysmittauksiin tarkalla resoluutiolla. Tästä huolimatta merkittävä osa aineistojen käsittelystä tehdään yhä manuaalisesti. Manuaalinen työ, erityisesti harhapisteiden löytäminen monimutkaisista syvyystiedoista, vie huomattavan määrän aikaa ja resursseja. Tästä syystä tehokkaiden ja tarkkojen automatisoitujen menetelmien löytäminen anomaliapisteiden tunnistamiseen on tärkeää. Tämä työ arvioi erilaisten automatisoitujen suodatusmenetelmien toimivuutta harhapisteiden löytämiseksi monikeilain kaikuluotaimen (MBES) keräämästä syvyysaineistosta. Tekniikoiden arivoimiseksi tutkimus sisältää koneoppimiseen perustuvan dataorientoituneen klustarisuodattimen, pintamallinnukseen perustuvan spline-menetelmän ja syväoppimistekniikan, joka perustuu syvyystiedoilla koulutetuun konvoluutioneuroverkkomalliin. Testiaineiston suodattamiseen käytettiin QPS Qimera ja Caris HIPS & SIPS -ohjelmistoja. Menetelmien arvioimiseksi laskettiin tilastolliset erot suodatettujen aineistojen ja manuaalisesti käsitellyn vertailuaineiston välille. Lisäksi määritettiin yhdeksän osa-aluetta erilaisten merenpohjan muotojen, syvyyksien ja ominaisuuksien, kuten jyrkänteiden, lohkareiden ja objektien, sekä erilaisten harhakaikujen perusteella. Pienempien osa-alueiden avulla pystyttiin visuaalisesti ja tilastollisesti arvioimaan suodattimien toimivuutta erityyppisissä ympäristöissä. Tulokset osoittavat, että jokaisella menetelmällä on omat vahvuutensa ja heikkoutensa. Klusterisuodattimet olivat pääasiassa tehokkaita merenpohjan morfologian ja ominaisuuksien säilyttämisessä monimutkaisissa olosuhteissa, mutta poistivat herkästi syvyystietoja pistejoukon reuna-alueilla, eivätkä pystyneet järjestelmällisesti tunnistamaan harhapisteitä tiheistä harhapisteklustereista. Spline-suodattimet yksinkertaistivat syvyystietoja liikaa mallintaessaan pohjaa, joka johti usein tärkeiden tietojen kuten isojen kivien menettämiseen tietojoukosta. Syväoppimiseen perustuvat suodattimet osoittivat kyvykkyyttä tehokkaan harhapisteiden suodatuksen ja tietojoukon struktuurien säilyttämisen välillä, mutta myös tämä menetelmä luokitteli suuria määriä oikeaa pohjaa harhapisteiksi. Työn tulokset osoittavat, että suodatusmenetelmät tulee valita mittausalueen ja tietojoukon erityispiirteiden perusteella.Description
Supervisor
Vaaja, MattiThesis advisor
Rönnholm, PetriKuusisto, Iiro
Keywords
bathymetry, hydrography, multibeam echosounder, data filtration, outlier detection, gis