編號(hào)南陽師范學(xué)院2014屆畢業(yè)生畢業(yè)論文（設(shè)計(jì)）題目：數(shù)字高程模型的粗差探測(cè)與剔除完成人：班級(jí)：2010-04學(xué)制：4年專業(yè)：測(cè)繪工程指導(dǎo)教師：完成日期：2014-3-26目錄摘要 （頁（共16頁）數(shù)字高程模型的粗差探測(cè)與剔除作者：指導(dǎo)老師摘要：數(shù)字高程模型作為地形表面的重要數(shù)字表達(dá)，其質(zhì)量問題受到人們的普遍關(guān)注。影響DEM精度的因素多種多樣，其中有失誤引起的粗差，會(huì)造成DEM空間上的嚴(yán)重扭曲，甚至導(dǎo)致DEM及其產(chǎn)品嚴(yán)重失真，因此探測(cè)并剔除粗差顯得尤為重要。傳統(tǒng)的粗差處理都是基于平差原理的，但是，如果不存在平差問題，也就不能在平差問題中對(duì)粗差進(jìn)行定位。所以要檢查DEM數(shù)據(jù)中存在的錯(cuò)誤，不能簡(jiǎn)單用一般的平差方法，并且只分析單個(gè)獨(dú)立的數(shù)據(jù)也是不夠的，只有從整體或局部對(duì)數(shù)據(jù)進(jìn)行分析處理才能使問題得到解決。通過影像匹配建立起來的數(shù)字高程模型，粗差通常發(fā)生在自動(dòng)影像相關(guān)時(shí)影像的錯(cuò)誤匹配。在DEM的生成上，和人工操作比較，通過匹配自動(dòng)生成DEM的方法有很多優(yōu)點(diǎn)，但是通過這種方法產(chǎn)生的DEM可能包含各種來源的匹配錯(cuò)誤（特征丟失，紋理重復(fù)等），從而產(chǎn)生粗差。當(dāng)立體圖像的幾何條件和輻射條件不同時(shí)，這種錯(cuò)誤會(huì)增加，這樣就降低了DEM的精度，同時(shí)增加了后續(xù)人工編輯的操作。立體影像的錯(cuò)誤匹配常常產(chǎn)生粗差，甚至粗差簇，粗差的存在會(huì)造成數(shù)字高程模型空間上的嚴(yán)重扭曲，因此需要預(yù)先剔除影像匹配獲得的原始數(shù)據(jù)中存在的粗差。該方法先利用DEM對(duì)原始的立體影像對(duì)進(jìn)行正射糾正，生成兩幅正射影像，接著對(duì)其進(jìn)行匹配，然后根據(jù)匹配結(jié)果的視差對(duì)DEM進(jìn)行高程改正，重復(fù)進(jìn)行該操作，直至匹配結(jié)果的視差小于某閾值。關(guān)鍵字：數(shù)字高程模型；粗差探測(cè)；影像匹配；視差；高程改正1緒論1.1研究的意義和目的數(shù)字高程模型作為地理信息系統(tǒng)的重要數(shù)據(jù)來源，由于DEM描述的是地面高程信息，它在測(cè)繪、水文、氣象、地貌、地質(zhì)、土壤、工程建設(shè)、通訊、軍事等國(guó)民經(jīng)濟(jì)和國(guó)防建設(shè)以及人文和自然科學(xué)領(lǐng)域有著廣泛的應(yīng)用。如在工程建設(shè)中，可用于如土方量的計(jì)算、通視分析等；在防洪減災(zāi)方面，DEM是進(jìn)行水文分析如匯水區(qū)的分析、水系網(wǎng)絡(luò)分析、降雨分析、蓄洪計(jì)算、淹沒分析等的基礎(chǔ)；在無線通訊上，可用于蜂窩電話的基站分析等。因此其質(zhì)量問題成為人們?nèi)找骊P(guān)注的焦點(diǎn)。一般來說，影響DEM精度的主要原因是原始數(shù)據(jù)精度和高程精度，而無論是數(shù)據(jù)的采集還是DEM內(nèi)插的過程都有可能產(chǎn)生誤差，其中，粗差的影響最嚴(yán)重，會(huì)造成空間數(shù)據(jù)的嚴(yán)重扭曲。所以要設(shè)計(jì)相關(guān)的算法，對(duì)粗差進(jìn)行探測(cè)和剔除。1.2數(shù)字高程模型的粗差探測(cè)與剔除的研究現(xiàn)狀DEM數(shù)據(jù)有多種形式：規(guī)則格網(wǎng)，不規(guī)則格網(wǎng)，等高線，剖面圖等，它的原始數(shù)據(jù)可能以規(guī)則格網(wǎng)形式存在也可能以不規(guī)則形式存在。規(guī)則格網(wǎng)形式數(shù)據(jù)有獨(dú)特的特性，這些特性有助于粗差檢測(cè)算法的實(shí)現(xiàn)。所以說，適合于格網(wǎng)數(shù)據(jù)的粗差探測(cè)算法可能對(duì)不規(guī)則數(shù)據(jù)的粗差檢測(cè)毫無作用，故對(duì)不同類型的數(shù)據(jù)有必要設(shè)計(jì)不同的粗差探測(cè)方法。1.2.1基于趨勢(shì)面按照自然地形地貌的成因，絕大多數(shù)自然地形表面都符合一定的自然趨勢(shì)，表現(xiàn)為連續(xù)的空間漸變模型，并且這種連續(xù)變化可以用趨勢(shì)面來描述。對(duì)粗差的檢測(cè)，可以通過模型誤差即實(shí)際觀測(cè)值與趨勢(shì)面計(jì)算值之差來判定其是否屬于異常數(shù)據(jù)，由此可見，可以采用趨勢(shì)面分析找出偏離總趨勢(shì)超過一定閾值的可疑數(shù)據(jù)。通過趨勢(shì)面分析可以找去大部分可疑數(shù)據(jù)，從而把問題局部化，簡(jiǎn)單化，但是趨勢(shì)面分析的一個(gè)缺點(diǎn)就是可以找出可疑數(shù)據(jù)，但不能確定數(shù)據(jù)是否為真正的粗差。1.2.2基于坡度信息由于坡度是地面上點(diǎn)的一個(gè)基本屬性，因此可以利用坡度的連續(xù)性和一致性來檢測(cè)格網(wǎng)數(shù)據(jù)中的粗差。如果在一個(gè)點(diǎn)的周圍一定局部區(qū)域內(nèi)約束的允許坡度和允許坡度變化量大于給定的約束條件，就認(rèn)為該點(diǎn)可能存在粗差。1.2.3可視化采用DEM三維表面可視化技術(shù)，該方法可以交互式的來檢查這些可疑數(shù)據(jù)，并剔除嚴(yán)重影響數(shù)據(jù)質(zhì)量的粗差或者錯(cuò)誤。一般對(duì)于一個(gè)特定的研究區(qū)域，在三維透視圖上可疑點(diǎn)是否表現(xiàn)為粗差非常直觀，很容易作出判斷。實(shí)際上，由于DEM有著非常適宜于建立三維可視化的特點(diǎn)，所以可以首先通過目視效果對(duì)粗差進(jìn)行檢測(cè)。通常有粗差的地形是很不自然的。因此在實(shí)際應(yīng)用中，可以首先通過目視對(duì)粗差進(jìn)行檢測(cè)，然后在使用各種方法進(jìn)行自動(dòng)或半自動(dòng)的粗差探測(cè)與剔除。2DEM的粗差探測(cè)方法的研究2.1DEM粗差探測(cè)方法研究的背景上述粗差剔除的算大多都是源于對(duì)數(shù)據(jù)本身的理解和研究，粗差在數(shù)據(jù)中可能孤立的分布，也可能成簇的存在。對(duì)于單個(gè)粗差的存在，上述算法的效果可能比較好，但對(duì)于以簇群形式存在的誤差，效果可能就不會(huì)很好。通過影像匹配自動(dòng)生成的DEM，作為一種自動(dòng)化程度較高的生產(chǎn)方式，在實(shí)際應(yīng)用當(dāng)中有著廣泛的應(yīng)用潛力。通過影像匹配建立起來的數(shù)字高程模型，粗差經(jīng)常發(fā)生在自動(dòng)影像相關(guān)時(shí)影像錯(cuò)誤匹配的位置，在這種情況下，如果一個(gè)點(diǎn)含有很大的粗差，那么受他的影響，在它周圍有這個(gè)點(diǎn)參與其高程值內(nèi)插的點(diǎn)都含有粗差，那么這些點(diǎn)所建表面將會(huì)有很大的偏差，這就帶來了以成簇的形式存在的粗差。DEM的編輯工作一般是由作業(yè)員在計(jì)算機(jī)或者測(cè)圖儀上手工完成，是一項(xiàng)勞動(dòng)強(qiáng)度很大的工作。在攝影測(cè)量的領(lǐng)域，對(duì)自動(dòng)匹配的DEM,急需一種誤差自動(dòng)改正算法來減少人工的工作量。如何有效的消除這種粗差形式，針對(duì)這種問題，在攝影測(cè)量領(lǐng)域展開了廣泛的研究。為了有效的完成DEM的編輯工作，1989年，Schenk【2】提出了利用迭代的影像糾正來生成DEM。1996年Norvelle[3]用這種方法對(duì)高程數(shù)據(jù)進(jìn)行改正。1996年Lobonc【4】從理論上證明了利用它進(jìn)行高程改正的可行性，并且針對(duì)航空影像的實(shí)驗(yàn)結(jié)果進(jìn)行了說明。由于線陣推掃式衛(wèi)星影像的不同特性，尤其是對(duì)于異軌立體的衛(wèi)星影像，由于幾何條件和輻射條件都差異較大，因此匹配的錯(cuò)誤的可能性較高。2.2影像糾正法的主要思想本文針對(duì)如何有效的消除在匹配階段造成的誤差，引進(jìn)了影像糾正方法于線陣推掃式粗差，從而減少后續(xù)編輯工作。利用中心投影的航空影像生成正射影像的過程，實(shí)際上是消除投影差的過程，作為垂直投影的正射影像是沒有投影誤差的。但是對(duì)于含有粗差的DEM糾正生成的正射影像，不是完全意義上的正攝投影或者垂直投影，因?yàn)橥队安畈]有完全被消除，X方向與Y方向均有殘余投影差（中心投影的幾何變形引起的兩個(gè)方向的投影差），理論上說這兩個(gè)方向上的投影差與DEM粗差相關(guān)。因此可以根據(jù)正射影像的殘余投影差來消除DEM生成中的粗差進(jìn)而完成對(duì)DEM的高程改正。若通過匹配得到含有粗差的DEM,那么根據(jù)DEM和兩幅影像的定向參數(shù)可以生成兩幅正射影像。然后對(duì)正射影像進(jìn)行匹配，它的匹配結(jié)果所反映出來的視差就是殘余投影差的一種表現(xiàn)，因此我們可以根據(jù)視差這個(gè)線索來完成DEM中粗差的剔除。2.3影像糾正法的過程（1）立體影像、外部定向參數(shù)、DEM數(shù)據(jù)的獲?。唬?）對(duì)兩幅影像，利用同樣的DEM數(shù)據(jù)分別生成正射影像；（3）通過正射影像的立體匹配尋找同名像點(diǎn)；（4）根據(jù)同名像點(diǎn)計(jì)算視差，然后根據(jù)視差對(duì)DEM數(shù)據(jù)進(jìn)行改正；（5）重復(fù)2-4的操作，直至視差小于某給定的閾值2.4高程改正在影像糾正的過程中，最重要的就是利用投影差來改正高程。對(duì)于正射影像的匹配結(jié)果，其視差分布與DEM的粗差的關(guān)系可以由公式（1）來表示，可以將視差轉(zhuǎn)換為高程的改正值。對(duì)于有粗差的DEM糾正生成的正射影像，由于其投影差并沒有完全被消除，因此不是完全意義上的正射投影或垂直投影，在X方向和Y方向上均有投影差，但是Y方向的視差遠(yuǎn)小于X方向的視差，故只根據(jù)X方向的殘余視差來消除粗差進(jìn)而完成對(duì)DEM的高程的改正（1）這里的dH為高程改正值，dx為左右正攝影的殘余視差，H/h為基高比的倒數(shù)。3數(shù)字高程模型的粗差探測(cè)的過程根據(jù)上述所描述的算法，采用SPOT影像數(shù)據(jù)（覆蓋范圍為遼寧地區(qū)）進(jìn)行實(shí)驗(yàn)，表1為SPOT數(shù)據(jù)的具體參數(shù)。表1SPOT數(shù)據(jù)的具體參數(shù)左像右像影像中心經(jīng)度125.7268125.7396影像中心緯度43.854143.8541影像入射角-14.664015.9988影響獲取時(shí)間20010910200110173.1正射影像的生成在系統(tǒng)的主菜單中，選擇“產(chǎn)品”—“生成正射影像”項(xiàng)，自動(dòng)制作當(dāng)前模型的正射影像，屏幕顯示計(jì)算提示界面。計(jì)算完后，自動(dòng)生成當(dāng)前模型的正射影像。正射影像生成后，應(yīng)顯示其影像，檢查正射影像是否正確或完整。在系統(tǒng)的主菜單中，選擇“顯示”—“正射影像”【5】項(xiàng)，屏幕顯示當(dāng)前模型的正射影像。將光標(biāo)移至影像中。按鼠標(biāo)右鍵彈出菜單，供選擇不同的比例，可對(duì)影像進(jìn)行縮放。3.2影像匹配在系統(tǒng)主菜單中，選擇菜單“處理”—“影像匹配”項(xiàng)，出現(xiàn)影像匹配的進(jìn)程顯示窗口，自動(dòng)進(jìn)行影像匹配【5】。按照上述所說的理論，DEM是否含有粗差可以由立體相對(duì)生成的正射影像來進(jìn)行比較和檢測(cè)，如果兩幅正射影像差異較大就說明含有粗差，通過對(duì)含有粗差的DEM進(jìn)行迭代改正，直至正射影像的差異小于某一閾值，正射影像的差異利用匹配后的視差來描述。實(shí)驗(yàn)結(jié)果[6]如下： 圖1DEM和左影像生成的正射影響圖2DEM和又影像生成的正射影像圖1是DEM和左影像生成的正射影像，圖2是DEM和右影像生成的正射影像。此時(shí)的DEM是在Helave數(shù)字?jǐn)z影測(cè)量工作站上生成之后經(jīng)過人工編輯的產(chǎn)品。從正射影像的匹配結(jié)果看基本上消除了殘余視差。對(duì)上述DEM數(shù)據(jù)人為引入的模擬粗差，實(shí)際上是將DEM的整個(gè)表面降低了100米。圖3含有粗差的DEM和左影像生成的正射影像圖4含有粗差的DEM和右影像生成的正射影像圖3是含有粗差的DEM和左影像生成的正射影像，圖4是含有粗差的DEM和右影像生成的正射影像。兩幅影像的匹配結(jié)果為：平均視差為10.4個(gè)像素，平均視差的方差為0.86，兩幅影像的基高比為0.58，按照公式（1）計(jì)算的高程的改正量為107.6米，從中可以看出改正誤差7.6米小于一個(gè)像素的視差所引起的高程改正量，在模擬數(shù)據(jù)的實(shí)驗(yàn)過程中，由于各點(diǎn)的粗差是相同的，因此視差的分布是均勻的。圖5直接生成可視化結(jié)果的圖像圖6經(jīng)過迭代方法產(chǎn)生的可視化結(jié)果由于經(jīng)過人工編輯的Helave數(shù)字?jǐn)z影測(cè)量工作站DTM產(chǎn)品已經(jīng)不含粗差，在不考慮DEM精度情況下，基本上代表了地表的起伏。先將不同迭代次數(shù)的DTM產(chǎn)品與其進(jìn)行比較，比較結(jié)果如表2所示：表2不同迭代次數(shù)的DTM產(chǎn)品比較結(jié)果迭代次數(shù)高程誤差的最大值（m）高程的中誤差(m)054.3737.15136.4523.23221.8317.67320.5617.24上述兩幅圖像是采用實(shí)際數(shù)據(jù)的可視化結(jié)果，圖5是直接生成可視化結(jié)果的圖像，圖6是經(jīng)過采用迭代方法產(chǎn)生的DEM可視化結(jié)果，可以看出圖5中的明顯粗差已經(jīng)在圖6中得到了較好的消除。4數(shù)字高程模型的粗差剔除過程利用下面的程序剔除粗差：OptionExplicitPublicSubMatchErrorPro()'調(diào)用此函數(shù)剔除粗差DimrsAsNewADODB.RecordsetDimiAsInteger,xAsSingle,constrAsStringconstr="Provider=Microsoft.Jet.OLEDB.4.0;DataSource="&DataPath&"\DEM.MDB"DimtAsSingleDimHHAsDoublet=TimerScreen.MousePointer=11HH=MyMatchMethod.Interval-MyMatchMethod.DestAreaFrmWait.ShowFrmWait.ProgressBar1.Visible=FalseDimLX()AsDouble,LY()AsDouble,RX()AsDouble,RY()AsDouble,nAsLong,PtID()AsLong,Delid()AsLongn=0rs.Open"select*fromtblDatawhereModelNO="&DblPicname&"'",constr,adOpenStatic,adLockOptimisticDoWhileNotrs.EOF()n=n+1ReDimPreserveLX(1Ton),LY(1Ton),RX(1Ton),RY(1Ton),PtID(1Ton)LX(n)=rs.Fields("lx")LY(n)=rs.Fields("ly")RX(n)=rs.Fields("rx")RY(n)=rs.Fields("ry")PtID(n)=rs.Fields("ID")rs.MoveNextLooprs.CloseIfn<10ThenExitSubDimIsUsed()AsBoolean,v()AsLong,vMinAsDouble,IndexAsInteger,mAsLong,kAsInteger,dAsDouble,jAsLongm=10DimCCAsLongFork=1TonReDimIsUsed(1Ton),v(1Tom)Fori=1TomvMin=9999999Forj=1TonIfj<>kAndAbs(LY(j)-LY(k))>=HHThend=(LX(j)-LX(k))*(LX(j)-LX(k))+(LY(j)-LY(k))*(LY(j)-LY(k))IfIsUsed(j)=FalseAndd<vMinThenvMin=dIndex=jEndIfEndIfNextjv(i)=IndexIsUsed(Index)=TrueNexti'IfCheckErr(LX(k)-RX(k),LY(k)-RY(k),LX(),LY(),RX(),RY(),v(),m)=FalseThenIfCheckErr3(LX(k)-RX(k),LY(k)-RY(k),LX(),LY(),RX(),RY(),v())ThenCC=CC+1ReDimPreserveDelid(1ToCC)Delid(CC)=PtID(k)EndIfNextrs.Open"select*fromtblDatawhereModelNO="&DblPicname&"'",constr,adOpenStatic,adLockOptimisticDoWhileNotrs.EOF()Fori=1ToCCIfrs.Fields("id")=Delid(i)Thenrs.DeleteExitForEndIfNextrs.MoveNextLooprs.CloseUnloadFrmWaitScreen.MousePointer=0MsgBox"共剔除粗差點(diǎn)數(shù)："&CC,vbInformation,"歷時(shí)："&Timer-t&"秒"EndSubPrivateFunctionCheckErr(dxAsDouble,dyAsDouble,LX()AsDouble,LY()AsDouble,RX()AsDouble,RY()AsDouble,Index()AsLong,mAsLong)AsBooleanDimiAsInteger,IDAsIntegerDimAvgDXAsDouble,AvgDYAsDoubleFori=1TomID=Index(i)AvgDX=AvgDX+LX(ID)-RX(ID)AvgDY=AvgDY+LY(ID)-RY(ID)NextAvgDX=AvgDX/mAvgDY=AvgDY/mDimDDXAsDouble,DDYAsDoubleFori=1TomID=Index(i)DDX=DDX+(LX(ID)-RX(ID)-AvgDX)*(LX(ID)-RX(ID)-AvgDX)DDY=DDY+(LY(ID)-RY(ID)-AvgDY)*(LY(ID)-RY(ID)-AvgDY)NextDDX=Sqr(DDX/m)DDY=Sqr(DDY/m)IfDDX=0ThenDDX=1IfDDY=0ThenDDY=1IfAbs(dx-AvgDX)>3*DDXOrAbs(dy-AvgDY)>3*DDYThenCheckErr=TrueEndIfEndFunctionPrivateFunctionCheckErr2(mdxAsDouble,mdyAsDouble,LX()AsDouble,LY()AsDouble,RX()AsDouble,RY()AsDouble,Index()AsLong)AsBooleanDimiAsInteger,IDAsIntegerDimdxAsDouble,dyAsDoubleDimDDXAsDouble,DDYAsDoubleFori=1To4dx=dx+LX(Index(i))-RX(Index(i))dy=dy+LY(Index(i))-RY(Index(i))Nextdx=dx/4dy=dy/4Ifdx=0Thendx=1Ifdy=0Thendy=1IfAbs(mdx-dx)>Abs(dx*0.2)OrAbs(mdy-dy)>Abs(dy*0.2)ThenCheckErr2=TrueEndIfEndFunctionPrivateFunctionCheckErr3(mdxAsDouble,mdyAsDouble,LX()AsDouble,LY()AsDouble,RX()AsDouble,RY()AsDouble,Index()AsLong)AsBooleanDimiAsInteger,IDAsIntegerDimdx(1To10)AsDouble,dy(1To10)AsDoubleDimDDXAsDouble,DDYAsDouble,AvgDXAsDouble,AvgDYAsDoubleFori=1To10dx(i)=LX(Index(i))-RX(Index(i))dy(i)=LY(Index(i))-RY(Index(i))NextAvgDX=0:AvgDY=0Fori=1To10AvgDX=AvgDX+dx(i)AvgDY=AvgDY+dy(i)NextiAvgDX=AvgDX/10AvgDY=AvgDY/10'AvgDX=(dx(1)+dx(2)+dx(3)+dx(4)+dx(5)+dx(6)+dx(7)+dx(8))/8'AvgDY=(dy(1)+dy(2)+dy(3)+dy(4)+dy(5)+dy(6)+dy(7)+dy(8))/8Fori=1To10DDX=DDX+(dx(i)-AvgDX)*(dx(i)-AvgDX)DDY=DDY+(dy(i)-AvgDY)*(dy(i)-AvgDY)NextDDX=Sqr(DDX/10)DDY=Sqr(DDY/10)IfDDX=0ThenDDX=1IfDDY=0ThenDDY=1IfAbs(mdx-AvgDX)>3*DDXOrAbs(mdy-AvgDY)>3*DDYThenCheckErr3=TrueEndIfEndFunction5分析與結(jié)論(1)傳統(tǒng)的粗差剔除方法都是基于數(shù)據(jù)本身的研究，而本文是從問題的結(jié)果出發(fā)，采用反饋迭代的方法，利用當(dāng)前的匹配結(jié)果來指導(dǎo)新一輪的匹配過程。(2)粗差是一種錯(cuò)誤，采用該方法可以有效地消除粗差。但是DEM的質(zhì)量除了與影像有關(guān)外，在很大程度上與算法有關(guān)，在整個(gè)迭代和匹配的過程中采用統(tǒng)一匹配方法，容易造成誤差的積累，故不利于提高DEM的精度。(3)從實(shí)驗(yàn)的結(jié)果來看，對(duì)于線陣推掃式衛(wèi)星影像的匹配結(jié)果可以有效的剔除粗差。(4)該方法不能適用于任何地區(qū)，對(duì)于大面積紋理貧乏區(qū)域就不能有效的使用。針對(duì)于該方法存在的不足之處，仍需進(jìn)一步地努力探索，積極地彌補(bǔ)。參考文獻(xiàn)[1]李志林，朱慶，數(shù)字高程模型[M]，武漢測(cè)繪科技大學(xué)出版社，2000[2]Schenk.A.F.1989.DeterminationofDEMusingiterativelyrectifiedimage.PhotogrammetryTeehnicalReportNo.3,Dept.ofGeodeticScienceandSurveying,TheOhioStateUniversity,Columbus,Ohio[3]Lobone.T.1996.Human.SupervisedToolsforDigitalPhotogrammetricSystems,Ph.D.Thesis,PurdueUniversity[4]Novelle,F.R..1996.Usinginterativeorthophotorefinementtogenerateandcorrectdigitalelevationmodels(DEMs),ASPRS,DigitalPotogrammetry.pp.151-155[5]王佩軍，徐亞明，攝影測(cè)量學(xué)[M]，武漢大學(xué)出版社[6]鞏丹超，黃小波，鄧雪清，數(shù)字高程模型的粗差探測(cè)與剔除信息工程大學(xué)測(cè)繪學(xué)院 Abstract：Thedigitalelevationmodelasanimportantdigeitalterrainsurfaceexpression,itsqualityissuesmoreattentionbypeople.VariousfactorsaffectedtheaccuracyofDEM,includingerrorcausedbythegrosserror,willcauseseriousdistortioninDEMspace,andevenleadtoseriousdistortionofDEManditsproducts,soitisparticularlyimportanttodetectandeliminategrosserror.Traditionalgrosserrorhandlingisbasedontheprincipleoftheadjustment,but,ifthereisnoadjustmentproblem,alsocannotadjustmentproblemsinfixingthegrosserror.SochecktheDEMdataerror,can'tsimplyusegeneraladjustmentmethod,andanalysisofasingleindependentdataonlyisnotenough,onlyasawholeorpartialanalysisofthedataprocessingtomaketheproblembesolved.