受GNSS硬件设备、通讯链路以及观测环境等因素影响,GNSS位移监测数据往往包含粗差,无法反映真实的变形特征。针对该问题,本文提出将稳健随机分割森林(robust random cut forest,RRCF)算法应用于GNSS位移监测数据粗差实时检测。仿真数据...受GNSS硬件设备、通讯链路以及观测环境等因素影响,GNSS位移监测数据往往包含粗差,无法反映真实的变形特征。针对该问题,本文提出将稳健随机分割森林(robust random cut forest,RRCF)算法应用于GNSS位移监测数据粗差实时检测。仿真数据处理结果表明,RRCF算法粗差实时检测的准确率、精确率与召回率分别优于95%、98%、96%。地质灾害位移监测数据处理结果表明,GNSS位移监测数据发生异常突变时,RRCF方法检测结果与实际异常值情况吻合且误判率较低。总体而言,RRCF算法对GNSS位移监测数据异常实时检测的准确率和可用性均较好。展开更多
文摘受GNSS硬件设备、通讯链路以及观测环境等因素影响,GNSS位移监测数据往往包含粗差,无法反映真实的变形特征。针对该问题,本文提出将稳健随机分割森林(robust random cut forest,RRCF)算法应用于GNSS位移监测数据粗差实时检测。仿真数据处理结果表明,RRCF算法粗差实时检测的准确率、精确率与召回率分别优于95%、98%、96%。地质灾害位移监测数据处理结果表明,GNSS位移监测数据发生异常突变时,RRCF方法检测结果与实际异常值情况吻合且误判率较低。总体而言,RRCF算法对GNSS位移监测数据异常实时检测的准确率和可用性均较好。