We wstępie do tej serii zawarto porady dotyczące gromadzenia danych z układu georadarowego. Najważniejszym wnioskiem z tego było to, że projekt w świecie rzeczywistym może zawierać dane, które są mniej niż optymalne. Dlatego też niniejsza notatka skupia się na temacie kontroli jakości danych i omawia przydatne narzędzia do wyboru i zarządzania importem danych do oprogramowania przetwarzającego. 
Podstawowym celem jest import wysokiej jakości danych i efektywny przepływ pracy.
Rysunek 1 przedstawia projekt zawierający 2800 indywidualnych profili GPR, które łącznie tworzą 175 plików wejściowych dla łatwiejszego zarządzania, choć nadal jest to znaczna liczba do obsługi.
Co więcej, oryginalne dane zawierają ponad 70000 XNUMX punktów pozycjonowania, z których duży procent jest problematyczny — w związku z tym takie zbiory danych wymagają praktycznych narzędzi do rozwiązywania problemów na wczesnym etapie przed przetworzeniem.
Rysunek 2 przedstawia zbliżenie jednej części projektu, gdzie funkcja powiększania ujawnia wyraźne błędy pozycjonowania (samoprzecinające się pasma), a także obszary danych, które nie mają sensu.
Statystyki pokosu
Rysunek 3 przedstawia narzędzie do statystyki pokosu, które jest przydatnym pierwszym krokiem do identyfikacji niezbędnych odczytów danych wykraczających poza normy projektowe. W pokazanym przykładzie średnia gęstość pozycji wynosi ok. 3-4/m, ale w niektórych przypadkach nawet 0.06/m. Można bezpiecznie założyć, że importowanie tych pokosów spowoduje problemy, dlatego usuń zaznaczenie, aby je zignorować.
Kolejną zauważalną różnicą jest długość pokosu, gdzie niektóre pliki wskazują tylko kilka metrów w porównaniu ze średnią wynoszącą 125 m; ponownie proste odznaczenie plików powodujących problemy spowoduje pominięcie ich podczas importu. 
Statystyki kodowania kolorami
Kodowanie kolorami to prosty sposób na wyróżnienie pokosów o problematycznej gęstości pozycjonowania. Łatwe do wizualnej identyfikacji, proste najechanie kursorem ujawnia szczegółowe informacje dotyczące nazwy pliku pokosu i jego położenia, jak pokazano na rysunku 4. Gęstość danych radarowych można traktować w podobny sposób, aby uwypuklić problemy z wartościami licznika kilometrów i poślizg koła. 
Usuwanie danych pozycjonujących
Kontynuując ten sam przykład projektu, wiele danych na obwodzie nie będzie dobrze przetwarzanych w 3D, więc usunięcie takich punktów przyspieszy przetwarzanie danych i zmniejszy ilość wymaganej przestrzeni dyskowej komputera. Rysunek 5 przedstawia przykład prostego narzędzia do zaznaczania i usuwania takich punktów pozycjonowania.
Zmniejszenie gęstości pozycjonowania
Jak wskazano wcześniej, pokosy o bardzo dużej gęstości pozycjonowania będą problematyczne przy imporcie, co wynika z samoprzecinania się pokosów, co jest zwykle spowodowane kołysaniem się anteny GPS na boki. Zmniejszenie gęstości pozycjonowania o połowę z 3-4/m do 1-2/m zmniejszy ten problem. Choć wiąże się to z usunięciem części danych z projektu, uprości i przyspieszy czas przetwarzania.
Końcowe sprzątanie i import danych radarowych
Nawet po wykonaniu powyższych kroków może w dalszym ciągu występować przyczyna błędów w danych. Nowoczesne oprogramowanie przetwarzające powinno być w stanie ostrzec użytkownika o tym i wskazać, gdzie szukać takich błędów, jak pokazano na przykładzie pokazanym na rysunku 6.
Rysunki 7 i 8 ilustrują, jak będzie wyglądał ten projekt po zastosowaniu metodologii opisanej powyżej, zarówno jako cały projekt, jak i jego sekcja z bliska przy użyciu powiększenia.
Ważnym wnioskiem z tego ćwiczenia jest to, że geometria wymaga jak największego oczyszczenia przed importem danych radarowych. Przetwarzanie danych radarowych zajmuje dużo pamięci komputera i może spowolnić działanie. W tym przypadku żadna geometria nie została przesunięta, ponieważ byłoby to bardzo trudne, ponieważ nie mamy żadnych odniesień przed importem danych radarowych. Następna uwaga pokaże, w jaki sposób możemy wykorzystać widoczny obiekt w danych radarowych, aby skorygować niektóre błędy pozycjonowania, poza kilkoma innymi wskazówkami.
