探索一生：数据、徒步与万物交织
3149 为本文评分:
4.5
探索一生：数据、徒步与万物交织
Jenny Bloom 2024年4月18日，星期四
这是我们来自 IDL 研究员系列的第二篇博客。正如我在第一篇博客前言中提到的（解锁大气层的秘密：深入探究太阳光晕研究 - NV5 Geospatial），IDL 研究员计划是我们支持热情的退休 IDL 用户的一种方式，他们可能需要支持来继续使用 IDL 进行工作。IDL 背后持续创新，而该计划是我们了解人们日常使用 IDL 的创新方式的众多途径之一。正如您将看到的，Robert Velthuizen 的案例正是如此！如果您已退休并有兴趣成为 IDL 研究员并通过博客分享您的研究，欢迎联系我，看看您是否符合该计划的要求。
探索数据的奇迹
我叫 Robert Velthuizen。我是一名退休的科学家，一生都在使用交互式数据语言（IDL®）创作杰作。即使在退休后，我对数据的热情依然蓬勃，我很高兴与您分享我的一些探索经历。
从袖珍计算器到强大编程
我是在德州仪器 TI-58 上学习编程的：那是一个拥有几千字节内存的笨重袖珍计算器——在当时相当先进。我很快进步到在 Cyber 大型计算机上使用 Fortran，并让它承担了惊人的任务，例如为我所在的赛艇俱乐部编写完整的会员管理程序。多年来，我探索了各种各样的编程语言和环境，但没有一个像 IDL 那样让我着迷。它打开了一个充满可能性的新世界，可以交互式地原型化代码并与众多专业应用程序对接。
我的研究生工作几乎完全建立在 IDL 之上。我用它创建了一个环境来管理脑肿瘤的磁共振图像，发布了一系列图像处理和机器学习方法，并报告其准确性。我与学生 Gloria Beyer 合作的一个后续项目在此基础上，实现了自动确定脑肿瘤放射靶区并与规划系统对接。结果非常出色：自动勾画的结果与放射肿瘤学专家费心勾勒的轮廓一样好。
图 1：两个放射计划的渲染图。橙色显示重叠区域。
图 2：使用“山法”生成的代表性肤色。
我的一项有趣尝试是探索“减聚类法”，也称为“山法”。我发现原始方法由于缺乏设置各种参数的指导，并且在处理 MRI 数据时执行时间过长，因此难以使用。于是，我在 IDL 中实现了该方法，将其推广到 7 维数据，开发了推荐的参数设置，并使用网格构建了“山”。我将此方法用于一项关于肤色测量设备变异性和差异性的研究，揭示了廉价设备存在显著差异和误差。
徒步与数据追踪的冒险
即使在退休后，我与数据的联系仍在不断激发问题。我几乎每天都徒步；而且走很多路。纯粹为了好玩，我会记录我去过的地方。我的 iPhone 上有三个不同的徒步追踪应用，令人惊讶的是，这些应用对同一段徒步路线显示的距离和爬升测量值常常存在显著差异。距离值可能相差多达 14%，爬升值可能相差 40%。这种差异促使我质疑其准确性，并深入探索 GPS 追踪的世界。通过将我的 iPhone 轨迹与美国地质调查局（USGS）创建的地图进行比较，我得以揭示 GPS 追踪的迷人见解和复杂性，以及环境因素的影响。
图 3：地面实况路径（白色）和 iPhone 双向行走记录轨迹（红色）。
.
图 4：在欧胡岛完成一次 21 英里徒步后。
“身体假设”与 GPS 精度
我探索的一个假设是 iPhone 在身体上的位置对 GPS 精度的影响。通过在相反方向徒步同一条路线时更换 iPhone 所在口袋的一侧，我观察到记录的轨迹存在明显差异。这个实验表明，穿透身体的 GPS 信号可能影响测量精度。我的发现也对普遍认为单频 GPS 精度为 30 米的观点提出了挑战，因为我的数据表明噪声水平要低得多。
实验进行中
地面实况可以从 USGS 调查和创建的地图中提取。许多小径已被测绘，这允许与 iPhone 应用生成的轨迹进行比较。例如：虽然红色的 iPhone 轨迹大致遵循实际路径，但向北的轨迹与反向的轨迹差异很大。此外，间隔不是恒定的，与真实路径的距离也存在变化。
GPS 追踪是复杂的，它处理来自许多移动卫星的极其微小的信号（光传播时间的差异）（可能辅以手机基站位置）。对于徒步来说，实际路线会受到岩石、树木、冰和水坑等障碍物的影响，“地面实况”可能难以捉摸。因此，要全面理解 GPS 轨迹，需要大量数据和巧妙的分析，包括与各种应用程序的对接。对于我的问题，IDL 再次发挥了作用，允许快速编程进行文件格式转换，并可视化和量化变化的来源。
图 5：来自一条狭窄小径上短距离（415米）往返的数据。
对于上述观察结果的一个想法是：当 iPhone 放在口袋里时，一些 GPS 卫星信号需要穿过身体，而身体的光速与太空或空气中的光速不同。这个“身体假设”很容易测试：当沿原路返回时，切换 iPhone 所在的身体一侧，以保持 GPS 卫星相对于身体和手机的位置相同。与将手机放在同一口袋相比，使用相反口袋时产生的间隔应该更小。使用一条狭窄小径上短距离（415 米）往返的数据，得到了图 5 所示的结果。
这些轨迹是使用 Fitbit 应用记录的，间隔是使用大地距离（WGS 84 模型）计算的。这种影响在图中清晰可见；并且在统计上高度显著（p < 10^-20）。同样值得注意的是，人们常说单频 GPS 的精度为 30 米，但这里显示那并非随机噪声：间隔距离表明噪声水平要低得多，非常多。
我的好奇心与徒步时记录的轨迹有关，但要完全理解 iPhone GPS 的行为，需要进行受控的重复实验，例如，控制一天中的时间（因为 GPS 卫星每 12 小时绕轨道运行）、精确位置（如 USGS 标记或测量数据）以及 iPhone 的位置和方向。还可以考虑不同 iPhone、追踪应用，甚至 GPS 硬件之间的差异。我能在 IDL 中快速开发的工具，例如文件转换、大地距离计算和轨迹匹配，可以轻松应用于任何此类实验的分析。其结果可用于改进追踪应用和实时定位，例如，以便更及时地警告某人偏离了预定路径。
回馈社区
除了满足我自己的好奇心，我使用 IDL 的工作也使我能够为我的社区做出贡献。我为我的乡镇提供了以前未绘制地图的小径和当地公园的地图，这些地图将很快在线提供。看到我对数据的热情如何产生实际应用并惠及他人，这是极其有意义的。我希望我的故事能激励其他人深入数据世界，发现它提供的无限可能。