Filtragem espacial

O SpatialFilter limpa os pontos amostrais antes da interpolação. Ele remove registros inválidos e, quando ativado, outliers globais e outliers espaciais locais, com uma abordagem global e depois local desenvolvida para dados agrícolas de alta densidade (Maldaner et al., 2018; Maldaner e Molin, 2020).

Em geral você não precisa chamá-lo diretamente. O apbase.Map roda o filtro internamente antes de comparar os métodos de interpolação. Use o SpatialFilter quando quiser inspecionar os dados filtrados ou ajustar a etapa de filtragem.

from apbase.filtering import SpatialFilter

spatial_filter = SpatialFilter(
    filter_level="light",
    max_neighbors=120,
    cell_factor=3,
).fit(x, y, z)

x_filtered, y_filtered, z_filtered = spatial_filter.filter()

use apbase::filtering::{FilterLevel, SpatialFilter, SpatialFilterOptions};

let mut spatial_filter = SpatialFilter::new(SpatialFilterOptions {
    filter_level: FilterLevel::Light,
    max_neighbors: 120,
    cell_factor: 3,
    ..Default::default()
})?;
spatial_filter.fit(&x, &y, &z)?;

let (x_filtered, y_filtered, z_filtered) = spatial_filter.filter()?;

O que ele faz

A filtragem acontece em duas etapas:

Etapa global por IQR (opcional, apply_global_iqr=True por padrão): uma verificação pelo intervalo interquartil (IQR) sobre os dados de entrada remove leituras extremas, como falhas de sensor, antes das verificações espaciais. Segue a etapa de filtragem global de (Maldaner et al., 2018).
Etapa local: cada ponto é comparado com os pontos vizinhos dentro de radius, até max_neighbors. O filter_level controla o quão rigoroso é o limiar local, seguindo as etapas de filtragem local de (Maldaner et al., 2018).

Parâmetros

x, y : array_like : Coordenadas dos pontos amostrais passadas ao fit. O SpatialFilter não converte longitude/latitude: passe coordenadas projetadas, na mesma unidade de radius.

z : array_like : Valores amostrais. Precisa ter o mesmo tamanho de x e y.

radius : float, opcional : Raio de busca local. Se for omitido, um semivariograma é ajustado e é usado range / 3 (um terço do alcance).

filter_level : {"light", "moderate", "strict", "aggressive"}, padrão "light" : Limiar para outliers locais, do mais brando ao mais rigoroso.

apply_global_iqr : bool, padrão True : Roda a etapa global por IQR antes da filtragem local.

max_neighbors : int, padrão 120 : Limite de vizinhos por ponto na etapa local. 0 usa todos os pontos dentro de radius.

cell_factor : int, padrão 3 : Ajuste de velocidade da busca de vizinhos. Os pontos são indexados em células quadradas de lado radius / cell_factor; valores maiores geram células menores, então menos pontos fora do raio são percorridos, ao custo de mais células na memória.

dedup_radius, dedup_z_tol : float, padrão 0.0 : Tratamento opcional de duplicados para registros densos de GPS. Deixe desligado, a menos que pontos repetidos quase idênticos estejam fazendo a variância local colapsar.

Lendo os resultados

Depois do fit, você pode inspecionar o resultado de três formas:

filter(): arrays (x, y, z) filtrados (só os pontos que passaram).
mask(): máscara booleana de pontos mantidos, alinhada com a entrada original.
statistics: diagnósticos por ponto (pct_diff, local_z, local_prob) para todos os pontos de entrada, inclusive os removidos.

Dados com muitos duplicados

Fontes de pontos com muitas coordenadas quase duplicadas, como posições de GPS repetidas nos dados de alta frequência do monitor de produtividade (Maldaner e Molin, 2020), podem fazer a variância local cair perto de zero e criar falhas depois da filtragem. dedup_radius e dedup_z_tol juntam os grupos de quase duplicados num único representante só durante o cálculo das estatísticas da vizinhança local. Cada ponto de entrada continua sendo avaliado individualmente. Deixe os dois em 0.0, a menos que você veja esse padrão nos seus dados.

Veja apbase.filtering.SpatialFilter na referência da API para todos os parâmetros, inclusive os ajustados com menos frequência (candidate_fraction, global_iqr_whisker).