气象无人机探测数据野值处理方法研究

李阳 孔毅 赵现斌

摘要：：针对气象无人机探测数据量大、野值剔除和数据补偿困难、准确率低等问题，提出了一种自适应阈值的野值识别和基于探空数据经验模型的野值补偿算法。仿真结果表明：该算法简单、野值处理效果明显，能够满足探空的实际应用要求，很大程度上消除了野值对测量精度的影响。

关键词关键词：无人机；野值剔除；数据补偿；仿真研究

DOIDOI：10.11907/rjdk.143791

中图分类号：TP391

文献标识码：A文章编号文章编号：16727800（2015）002014903

作者简介作者简介：李阳（1987-），男，江苏东台人，解放军理工大学气象海洋学院硕士研究生，研究方向为大气海洋遥感；孔毅（1954-），男，辽宁大连人，解放军理工大学气象海洋学院教授，研究方向为军事信息系统工程；赵现斌（1986-），男，陕西渭南人，解放军理工大学气象海洋学院博士研究生，研究方向为大气海洋遥感。

0引言

随着无人机制造、气象测量传感器等技术的快速发展，无人机气象探测技术取得了长足进步，逐渐从成熟走向应用。这种大区域、长时间、连续气象探测方法在航天器发射与返回、重要武器试验、战场气象测量、恶劣天气监测、龙卷风近距环境探测监视等应用中具有独特的作用和优势。气象无人机探测数据主要包括温度、压强等气象参数，其探测精度对气象预报、环境监控具有重要意义。而在传感器量测过程中，由于受传感器工作状态、环境杂波等因素影响，量测数据经常存在一些异常跳点，这种偏离被测信号变化规律的数据点称为野值＼[1＼]。如果在数据预处理阶段不对这些野值进行处理，那么目标预测精度在野值出现时将产生突变，甚至会导致目标预测发散＼[2＼]。因此，在使用探测数据前，必须对测量序列中可疑数据进行正确判断与处理，剔除野值，补偿缺失数据。

由于无人机探测数据量大，采用人工检测方法剔除野值和补偿缺失，工作量巨大，不利于实时给出探测信息，同时人为的主观因素也会影响到测量精度。因此，使用智能软件对无人机探测数据进行判读，可有效提高工作效率和判读精度。软件判读的前提是找出一个合适的算法对数据进行野值剔除和缺失补偿。基于此，本文提出了一种自适应阈值的野值识别和基于探空经验模型的野值补偿算法。

1常规野值处理方法

1.1插值法基本理论

插值法＼[3＼]是近似计算和逼近函数的有效方法，常用的插值法包括：Lagrange插值法、Aiken插值法、Newton插值法。Lagrange插值法便于理论推导和形式地描述算法，但不便于计算函数值，当需要多加进去一个节点时，需重新推导基本多项式，工程量较大；Aiken插值法的优点是能够有效地计算任何给定点的函数值，不需要写出插值多项式表达式，但如果解决某个问题需要用到插值多项式表达式时，这个优点也就成了它的缺点。上述两种方法存在的缺点，限制了其在软件功能实现方面的应用。因此，多数情况下采用Newton插值法。Newton插值法是在Lagrange插值的基础上组合已知计算值，不仅具有Lagrange插值公式适合理论分析的优点，又具有Aiken算法的承袭性，便于写出插值多项式表达式，也便于计算多个插值点处的函数值，大大减少了计算量，从而提高了插值效率。Newton插值多项式为：

Nn（x）=f[x0]+f[x0x1]（x-x0）+f[x0x1x2]（x-x0）（x-x1）+…+f[x0x1···xn]（x-x0）（x-x1）···（x-xn）（1）

式中：

f[xk]=f（xk）=ykf[xkxk+1]=f[xk+1]-f[xk]xk+1-xkf[xkxk+1xk+2]=f[xk+1xk+2]-f[xkxk+1]xk+2-xkf[xkxk+1xk+2xk+3]=f[xk+1xk+2xk+3]-f[xkxk+1xk+2]xk+3-xk （2）等等。这些是关于数据点的插值多项式系数。

当x0=0，xk+1-xk=1，n=6时，求解多项式系数：

f[x0]=y0f[x0x1]=y1-y0f[x0x1x2]=（y2-2y1+y0）/2f[x0x1x2x3]=（y3-3y2+3y1-y0）/6f[x0x1x2x3x4]=（y4-4y3+6y2-4y1+y0）/24f[x0x1x2x3x4x5]=（y5-5y4+10y3-10y2+5y1-y0）/120f[x0x1x2x3x4x5x6]=（y6-6y5+15y4-20y3+15y2-6y1+y0）/720 （3）

于是，Newton插值六次多项式为：

N6（x）=y0+（y1-y0）x+y2-2y1+y02（x-1）x+y3-3y2+3y1-y06（x-2）（x-1）x+y4-4y3+6y2-4y1+y024（x-3）（x-2）（x-1）x+y5-5y4+10y3-10y2+5y1-y0120（x-4）（x-3）（x-2）（x-1）x+y6-6y5+15y4-20y3+15y2-6y1+y0720（x-5）（x-4）（x-3）（x-2）（x-1）x（4）

1.2探测数据野值剔除与补偿

Newton插值法用一个高次多项式将探测数据拟合，包括前推插值法、后推插值法和中心插值法。前推插值法利用的数据是经过处理过的可靠数据，为避免后续的野值传递，通常采用前推插值法。通过这些点拟合后续点数据，能保证后续点数据的准确性。

本文以第8点数据为例，判断其是否为野值。假设前7个点的数据已判断为正确数据。yi是原始数据，yi为插值数据。令x=7，带入公式（4），计算第8个点的插值：

y7=y0-7y1+21y2-35y3+35y4-21y5+7y6（5）

残差计算公式：

=17∑6i=0yi（6）7=|y7-|（7）

式中，为前7个数据的算术平均值，7为y7的残差。

残差序列的标准差计算公式：

σ=∑6i=0（yi-）2/6（8）

式中，σ为残差序列标准差。

根据高斯误差理论，当测量值服从正态分布时，残差落在[-3σ，3σ] 区间的概率超过99.7%，落在此区间外的概率只有不到0.3%，因此，可以认为残差落于该区域之外的测量值为野值，这就是莱特准则，即3σ准则。此例中，根据该野值判定方法，若y7的残差小于3倍标准差，则所对应的数据被认为是正常值；若y7的残差大于3倍标准差，则所对应的数据被认为是野值，应予以剔除，并用牛顿插值法求出的修正值y7来替换。

2常规野值处理方法的局限性

利用常规的野值处理方法对无人机气象探测数据进行野值剔除和补偿时，存在如下几点不足：

（1）在无人机气象探测过程中，由于无人机飞行状态的改变，数据的波动性较大，若使用牛顿插值法对探测值进行预判，其结果带有主观性、趋向性，可靠性较低，可引入经验模型对气象探测值进行预估计，降低正常值误剔除和野值漏剔除的风险。

（2）莱特准则往往应用于静态观测，对观测状态进行多次重复测量，满足正态分布要求。而在无人机运动过程中，目标状态不断变化，属于动态测量，每个状态都是单次测量，随着目标的运动，测量的环境和精度也在发生变化[45]，无人机探测值总体上不服从正态分布。由于探测值仅与高度有关，且任意10m高层都可接收几十组探空数据，可选取相邻的7组数据，默认其为同一高层的多次测量结果，满足正态分布要求。因此，对于动态探测过程，可利用莱特准则分区域对测量数据进行野值检测。

（3）无人机探测的温度和压强变化幅度差异较大，如气温值为十几度，气压值为几百帕，是气温值的几十上百倍，且两个测量值的变化幅度也有差异，气温值始终较为平稳，变化缓慢，而气压值的变化幅度是气温的数十倍，所以残差落在3倍方差即[-3σ，3σ]区间的概率也不一样。可根据具体参数来设置标准差的倍数，以解决上述问题。

3气象探测数据野值处理方法

针对气象无人机探测数据的特点，以及莱特准则的适用范围，通过引入经验模型、划分数据预处理区域、自定义阈值等措施对现有数据处理方法进行改进。

3.1探测数值预测

对于标准大气，压强和温度只与海拔高度有关。通常在无人机测风的海拔高度范围内，压强和温度可用下面的模型近似求得：

P=P0exp（-g0HRT）（9）T=T0-6.51000H（10）

式中：P0、T0和g0分别是海平面上的静压、静温和重力加速度，H是海拔高度。利用上述经验模型可以预测无人机任意时刻、任意高度的探测数据，相较于牛顿插值法的估算值可靠性更高。

3.2探测区域划分

选取探测值相邻的7组数据yi、yi+1、yi+2、yi+3、yi+4、yi+5、yi+6，默认为静态探测值，服从正态分布要求，利用公式（11）、（12）、（13）分别求出所选探测值的算术平均值、yi+7的残差以及残差标准差。

i=yi+yi+1+yi+2+yi+3+yi+4+yi+5+yi+67（11）yi+7=|yi+7-|（12）σi=（yi-i）2+（yi+1-i）2+···+（yi+5-i）2+（yi+6-i）26（13）

3.3阈值修正

针对气象探测数据变化幅值的不同，根据具体参数来设置不同测量值的标准差倍数，以达到所有参数落在某变化区域的概率值相似或相等的目的。

若yi+7的残差大于k倍标准差，则所对应的数据被认为是野值，应予以剔除，表示如下：

yi+7=|yi+7-i|>kσi（14）

式中，0.5≤k≤4，kσi为阈值。

如果yi+7满足下式：

yi + 7 ，= |yi + 7-yi + 7 | > kσi （15）

则yi+7也为野值。其中yi+7为利用经验模型求得的预测值，yi + 7 ，为yi+7与其预测值的残差。

由于气压、温度的变化是随高度变化持续稳定的过程，因此，无人机的探测值不存在阶跃现象。将式（14）、式（15）合并：

yi + 7 = |yi + 7 -i | > kσi yi + 7 ，= |yi + 7-yi + 7 | > kσi （16）

式（16）为无人机探测数据的野值判别公式。

识别出野值，需对野值进行修正，以保证数据的准确性。本文采用温压经验模型求出修正值来替换野值，即：

yi+7=yi+7（17）

野值识别和修正流程如图1所示。

图1野值识别与修正流程

4仿真研究

采用Matlab对上述方法进行仿真，其中：k值根据参数类型、大小和变化情况作了相应的调整，“压强”参数k取值2.4，“温度”参数k取值1.8。采用探空经验模型和改进的莱特准则检测方法，保证数据预处理后的完整性以及准确性。无论在数据幅值较低区域，还是在数据幅值较高区域，该方法都有较好的检测效果。

以气象无人机探测的压强为例。为了方便比较，截取某一时间段的气压值，构建曲线如图2所示。图中含有孤立野值、连续野值及锯形野值等。

5结语

本文提出了自适应阈值的野值识别方法和基于经验模型的数据补偿方法，相对于常规数据预处理方法，准确性更高。在某型气象无人机探测软件开发中进行了应用，证明了该方法的有效性。

参考文献参考文献：

＼[1＼]费业泰.误差理论与数据处理＼[M＼].北京：机械工业出版社，2004.

＼[2＼]徐萃薇，孙绳武.计算方法引论＼[M＼].北京：高等教育出版社，2002.

＼[3＼]李庆扬，王能超，易大义.数值分析＼[M＼].武汉：华中科技大学出版社，1982.

＼[4＼]权太犯.目标跟踪新理论与技术＼[M＼].北京：国防工业出版社，2009.

＼[5＼]王中宇，刘智敏，夏新涛，等.测量误差与不确定度评定＼[M＼].北京：科学出版社，2008.

责任编辑（责任编辑：杜能钢）