Den inledande noten i den här serien gav råd om insamling av GPR-arraydata. Det viktigaste var att ett verkligt projekt kunde innehålla data som inte är optimala. Därför fokuserar denna notis på ämnet data QA/QC och kommer att diskutera användbara verktyg för val och hantering av dataimport till bearbetningsprogramvara. 
Det primära målet är import av kvalitetsdata och effektiva arbetsflöden.
Figur 1 visar ett projekt som innehåller 2800 individuella GPR-profiler, som tillsammans bildar 175 indatafiler för enklare hantering, även om det fortfarande är ett stort antal att hantera.
Vidare innehåller originaldata över 70000 XNUMX positioneringspunkter, varav en stor andel är problematiska – följaktligen kräver datauppsättningar som dessa praktiska verktyg för att reda ut problem tidigt innan bearbetning.
Figur 2 visar en närbild av en del av detta projekt, där zoomfunktionen avslöjar tydliga positioneringsfel (självkorsande strängar) såväl som datasträngar som inte är vettiga.
Svårstatistik
Figur 3 visar strängstatistikverktyget, vilket är ett användbart första steg för att identifiera viktiga dataavläsningar utanför projektnormerna. I det visade exemplet är den genomsnittliga positionstätheten ca. 3-4/m, men vissa läser så lågt som 0.06/m. Det är säkert att anta att dessa strängar kommer att orsaka problem om de importerar, så avmarkera för att ignorera.
En annan märkbar variation är stränglängden, där vissa filer endast anger några få meter mot ett genomsnitt på 125 m; igen, en enkel avmarkering av problemfilerna kommer att utelämna dem från import. 
Färgkodningsstatistik
Färgkodning är ett enkelt sätt att markera strängar med problematisk positioneringstäthet. Lätt att identifiera visuellt, en enkel muspekare över avslöjar specifik information om strängfilens namn och position, enligt exemplet i figur 4. Radardatatätheten kan behandlas på liknande sätt för att belysa problem med vägmätarvärden och hjulslipning. 
Borttagning av positioneringsdata
Om vi fortsätter med samma projektexempel kommer mycket data på omkretsen inte att bearbetas bra i 3D, så att ta bort sådana punkter kommer att påskynda databehandlingen och minska mängden PC-lagringsutrymme som krävs. Figur 5 visar ett exempel på ett enkelt verktyg för att markera och ta bort sådana positioneringspunkter.
Minska positioneringsdensiteten
Som nämnts tidigare kommer strängar med en mycket hög positioneringstäthet att vara problematiska vid import, vilket beror på att strängar skär sig själv, en effekt som vanligtvis orsakas av att GPS-antennen svajar sida till sida. Att reducera positioneringsdensiteten med hälften från 3-4/m till 1-2/m kommer att minska detta problem. Även om det innebär att en del data tas bort från projektet, kommer det att förenkla och påskynda handläggningstiden.
Slutstädning och import av radardata
Även efter att ha observerat de föregående stegen kan det fortfarande finnas någon orsak till fel i data. Modern bearbetningsprogramvara bör kunna varna användaren för detta och vägleda dem om var de ska söka efter sådana fel, enligt exemplet som visas i figur 6.
Figurerna 7 och 8 illustrerar hur det här projektet kommer att se ut efter att ha följt den metod som beskrivs ovan, både som ett helhetsprojekt och en närbild med zoom.
En viktig del av denna övning är att geometrin kräver rengöring så mycket som möjligt före import av radardata. Bearbetning av radardata tar upp mycket datorminne och kan sakta ner driften. I det här fallet flyttades ingen av geometrin eftersom det skulle vara mycket svårt eftersom vi inte har några referenser innan radardataimport. Nästa anteckning kommer att visa hur vi kan använda synliga objekt i radardata för att korrigera för vissa positioneringsfel, förutom några andra tips.
