3. 偶极-偶极数据坏点识别与剔除策略

偶极-偶极数据的坏点从哪来

偶极-偶极排列的视电阻率对浅部不均匀体、电极接地变化和偶极距增大后的弱信号都很敏感。坏点通常表现为三类：单点跳变（相邻测点视电阻率突变数倍）、条带状异常（同一 n 层沿测线连续偏高或偏低）、重复观测离散（同一测点两次测量相对偏差超限）。识别时不能只看单点数值，要把“剖面形态 + 重复观测统计”结合起来判断。

下面以一条 48 电极、电极距 5 m 的偶极-偶极测线为例，隔离系数 n=1~6，共 253 个测点。示例数据为教学构造：在 n=4 的第 12、13 号测点人为加入 3.2 倍跳变，在 n=5 的第 30 号测点加入 0.35 倍跌落，其余点叠加 ±3% 随机噪声，用于演示识别与剔除逻辑。

用重复观测相对偏差建立第一道筛子

对每个测点计算两次观测的相对偏差：

dev = |ρa1 - ρa2| / ((ρa1 + ρa2) / 2) × 100%

工程上常把 dev ≤ 5% 视为合格，5%~10% 为可疑，>10% 判为重复观测不合格。但重复观测只能发现“测不稳”的点，对稳定但错误的跳变无能为力，因此还需要剖面一致性判据。

剖面一致性判据：相邻测点比值与 n 层趋势

对同一 n 层，沿测线计算相邻测点视电阻率比值 r = ρa(i+1)/ρa(i)。正常地质体横向变化平缓，偶极-偶极数据在 n 增大时视电阻率整体呈下降趋势。若某点同时满足“与左右邻点比值均超出 [0.5, 2.0]”且“偏离本层中位数超过 3 倍中位绝对偏差（MAD）”，则判为剖面坏点。MAD 判据比均值±3σ 更稳健，不会被坏点自身拉偏。

剔除阈值怎么定：用数据完整度换反演稳定性

阈值不是越严越好。剔除过多会破坏偶极-偶极数据的横向连续性，反演时缺失点被插值填补，反而引入新的不确定性。建议按以下规则确定：

• 重复观测偏差阈值：取 dev > 10% 为不合格；若整条测线重复观测普遍偏差大，说明采集质量差，应回到野外补测而非硬剔。
• MAD 倍数阈值：取 3×MAD 为界；若某层坏点比例超过 10%，说明该层整体信号弱（常见于大 n），应整层降权或剔除该层，而不是逐点剔除。
• 完整性底线：剔除后单层保留率不低于 85%，全测线保留率不低于 90%；低于此线应重新评估采集方案。

可执行的识别与剔除流程（Python 示例）

以下代码读取一个简化的偶极-偶极数据表（列：n, point, rho1, rho2），完成双判据识别并输出剔除清单与保留率。数据表可由 Res2DInv 导出的 DAT 转换得到，也可直接构造用于验证逻辑。

import numpy as np
import pandas as pd

# 构造示例数据：n=1~6，每层 48 点，含 3 个人为坏点
rng = np.random.default_rng(42)
rows = []
for n in range(1, 7):
    base = 120.0 / n  # 随 n 增大整体下降
    for p in range(1, 49):
        rho = base * (1 + rng.normal(0, 0.03))
        rows.append({"n": n, "point": p, "rho1": rho, "rho2": rho * (1 + rng.normal(0, 0.02))})

df = pd.DataFrame(rows)
# 注入坏点
df.loc[(df.n == 4) & (df.point == 12), "rho1"] *= 3.2
df.loc[(df.n == 4) & (df.point == 13), "rho1"] *= 3.2
df.loc[(df.n == 5) & (df.point == 30), "rho1"] *= 0.35

# 判据①：重复观测相对偏差
df["dev"] = (df.rho1 - df.rho2).abs() / ((df.rho1 + df.rho2) / 2) * 100
df["bad_rep"] = df.dev > 10.0

# 判据②：按 n 层计算 MAD 与邻点比值
df["bad_mad"] = False
for n, g in df.groupby("n"):
    med = g.rho1.median()
    mad = (g.rho1 - med).abs().median()
    ratio = g.rho1 / g.rho1.shift(1)
    ratio_next = g.rho1.shift(-1) / g.rho1
    mask = ((g.rho1 - med).abs() > 3 * mad) & \
           ((ratio < 0.5) | (ratio > 2.0)) & \
           ((ratio_next < 0.5) | (ratio_next > 2.0))
    df.loc[g.index, "bad_mad"] = mask

# 交叉决策
df["action"] = "保留"
df.loc[df.bad_rep ^ df.bad_mad, "action"] = "可疑-降权"
df.loc[df.bad_rep & df.bad_mad, "action"] = "剔除"

print(df[df.action != "保留"][["n", "point", "rho1", "dev", "action"]])
print("总点数:", len(df), "剔除:", (df.action == "剔除").sum(),
      "保留率: %.1f%%" % ((df.action != "剔除").mean() * 100))

示例运行预期输出：n=4, point=12/13 与 n=5, point=30 被判为“剔除”，其余点保留或降权，保留率约 98.8%。若实际数据中某层坏点比例超过 10%，代码会集中输出该层大量点，此时应检查该层信号强度而非逐点剔除。

剔除后的输入完整性检查

剔除完成后，把结果写回 Res2DInv 输入文件前，做三项检查：

1. 每层剩余点数与理论点数之比，确认没有整段缺失；
2. 被剔除点是否集中在某一 n 层或某一测线段，若是则说明存在系统性采集问题；
3. 用剩余数据重算相邻点比值，确认没有新的孤立跳变残留。

阈值决策速查