Во вступительной заметке к этой серии были даны рекомендации по сбору данных георадарного массива. Ключевой вывод из этого заключался в том, что реальный проект может содержать неоптимальные данные. Поэтому в этой заметке основное внимание уделяется теме ОК/КК данных и обсуждаются полезные инструменты для выбора и управления импортом данных в программное обеспечение для обработки. 
Основной целью является импорт качественных данных и эффективных рабочих процессов.
На Рисунке 1 показан проект, содержащий 2800 отдельных георадарных профилей, которые объединяются в 175 входных файлов для упрощения управления, хотя это все еще значительное число для обработки.
Кроме того, исходные данные содержат более 70000 XNUMX точек позиционирования, большая часть из которых является проблематичной — следовательно, такие наборы данных требуют практических инструментов для устранения проблем на ранней стадии перед обработкой.
На рис. 2 показан крупный план одной части этого проекта, где функция масштабирования выявляет явные ошибки позиционирования (самопересекающиеся полосы), а также полосы данных, которые не имеют смысла.
Статистика полосы
На рис. 3 показан инструмент статистики полосы захвата, который является полезным первым шагом для выявления важных показаний данных, выходящих за рамки проектных норм. В показанном примере средняя плотность позиций составляет прибл. 3-4/м, но некоторые читали всего 0.06/м. Можно с уверенностью предположить, что эти полосы вызовут проблемы при импорте, поэтому снимите флажок, чтобы игнорировать их.
Еще одно заметное изменение касается длины полосы захвата, где в некоторых файлах указано всего несколько метров по сравнению со средним значением 125 м; опять же, простое снятие флажка с проблемных файлов исключит их из импорта. 
Статистика цветового кодирования
Цветовое кодирование — это простой способ выделить полосы с проблемной плотностью позиционирования. Легко определить визуально, простое наведение курсора мыши показывает конкретную информацию, касающуюся имени и положения файла полосы обзора, как в примере на рис. 4. Плотность данных радара можно обрабатывать аналогичным образом, чтобы выделить проблемы со значениями одометра и пробуксовка колес. 
Удаление данных о местоположении
Продолжая тот же пример проекта, большое количество данных по периметру не будет хорошо обрабатываться в 3D, поэтому удаление таких точек ускорит обработку данных и уменьшит объем требуемой памяти ПК. На рис. 5 показан пример простого инструмента для отметки и удаления таких точек позиционирования.
Снижение плотности позиционирования
Как указывалось ранее, полосы с очень высокой плотностью позиционирования будут проблематичными при импорте из-за самопересечения полос, что обычно вызывается раскачиванием GPS-антенны из стороны в сторону. Снижение плотности позиционирования вдвое с 3-4/м до 1-2/м уменьшит эту проблему. Хотя это означает удаление некоторых данных из проекта, это упростит и ускорит время обработки.
Окончательная очистка и импорт данных радара
Даже после соблюдения предыдущих шагов могут быть некоторые причины ошибок в данных. Современное программное обеспечение для обработки данных должно уметь предупреждать пользователя об этом и указывать, где искать такие ошибки, как показано в примере на рисунке 6.
На рисунках 7 и 8 показано, как этот проект будет выглядеть после применения описанной выше методологии, как в целом, так и в части, увеличенной с помощью масштабирования.
Важным выводом из этого упражнения является то, что геометрия требует максимально возможной очистки перед импортом данных радара. Обработка данных радара занимает много памяти компьютера и может замедлить работу. В этом случае никакая геометрия не была перемещена, так как это было бы очень сложно, поскольку у нас нет ссылок до импорта данных радара. Следующая заметка покажет, как мы можем использовать видимый объект в данных радара для исправления некоторых ошибок позиционирования, помимо некоторых других подсказок.
