LMD方法：变形监测数据粗差检测与三次样条插值修复策略

本文主要探讨了在变形监测数据处理中遇到的粗差探测与修复问题，针对这一挑战，研究人员提出了利用局部均值分解（Local Mean Decomposition, LMD）方法来解决。LMD是一种信号处理技术，通过将时间序列分解为趋势（Trend, T）、季节性（Seasonal, S）和残差（Residual, R）三个部分，有助于识别可能的异常或粗差信号。 在变形监测数据中，粗差可能源于设备误差、测量失误或其他环境因素导致的异常值。文章首先通过LMD方法分解变形序列，关注高频分量的变化，因为这些成分通常包含高频噪声和潜在的粗差。当检测到高频分量存在奇异点时，研究人员认为可能存在粗差点。接着，通过对高频分量进行去除，再进行重构，利用数学检验进一步确认粗差点的确切位置。 粗差点确认后，作者采用了三次样条插值（Cubic Spline Interpolation）的方法进行修复。三次样条插值是一种平滑且连续的函数逼近技术，可以提供数据点之间的光滑连接，从而有效地填补粗差点造成的数据缺失。这种方法能确保修复后的数据既保持了原始数据的趋势，又减少了粗差的影响。 研究结果显示，LMD方法在变形监测数据的粗差探测中表现出良好的效果，能够有效识别出异常值。同时，三次样条插值的修复策略也取得了令人满意的精度，这对于大坝等关键基础设施的变形多尺度分析具有重要意义，因为它提高了数据的可靠性和后续分析的准确性。 这项工作由王奉伟等人完成，他们分别来自东华理工大学测绘工程学院、流域生态与地理环境监测国家测绘地理信息局重点实验室、香港理工大学土地测量与地理资讯系以及南昌航空大学。他们的研究成果不仅提升了变形监测数据处理的技术水平，也为相关领域的研究者提供了实用的工具和理论支持。该研究发表在《辽宁工程技术大学学报（自然科学版）》上，对于推进大地测量和空间数据分析领域的发展具有积极作用。