Analysis of methods for processing multibeam data
Translated title
Analyse af metoder til efterbehandling af multibeam data
Author
Rasmussen, Ane Kirstine Aagaard
Term
4. semester
Publication year
2018
Abstract
This thesis investigates how multibeam echosounder data can be processed automatically to limit manual intervention in the cleaning workflow. The core question is how multibeam data can be processed automatically and which algorithm or method performs best for different data types. The study first maps available processing tools and then examines selected hydrographic software from EIVA, QPS, and CARIS, focusing on the underlying algorithms CUBE, S-CAN, and EC-3D through a theoretical review. The methods are tested on two datasets with contrasting seabed morphology (Denmark and Greenland) and evaluated using standard deviations and a qualitative, subjective assessment of cleaning quality. Findings indicate that no single method can fully handle raw data without prior effort. CUBE emerges as the most robust option across datasets—fast, relatively objective, and producing clean results—though a rough pre-cleaning is advisable. S-CAN and EC-3D also perform reasonably, and combining methods is likely the best overall approach, although this was not fully tested within the project.
Specialet undersøger, hvordan multibeam-ekkolodsdata kan efterbehandles automatisk for at minimere manuel indgriben i rensningsprocessen. Problemformuleringen er, hvordan multibeamdata kan behandles automatisk, og hvilken algoritme eller metode der er bedst til forskellige datatyper. Først kortlægges tilgængelige softwareværktøjer, hvorefter specifikke hydrografiske processeringsløsninger fra EIVA, QPS og CARIS samt deres underliggende algoritmer gennemgås teoretisk med fokus på CUBE, S-CAN og EC-3D. Metoderne testes derefter på to datasæt med forskellig havbundsmorfologi (Danmark og Grønland) og evalueres ud fra bl.a. standardafvigelser og en kvalitativ, subjektiv vurdering af rensningsresultatet. Resultaterne viser, at ingen enkeltmetode fuldt ud kan håndtere udelukkende rå data uden forudgående indsats. CUBE fremstår som den mest robuste løsning på tværs af datasæt, idet den er hurtig, relativt objektiv og håndterer data pænt, men en grov forrensning anbefales før anvendelse. S-CAN og EC-3D leverer også brugbare resultater, og en kombination af flere metoder vurderes sandsynligvis at være den bedste tilgang, selvom dette ikke er fuldt afprøvet i projektet.
[This apstract has been generated with the help of AI directly from the project full text]