多源DEM融合的高差拟合神经网络方法

本文侧重于介绍智能化摄影测量机器学习的高差拟合神经网络方法。观测手段和处理方式等限制导致全球高质量无缝DEM数据的缺乏，进而制约了它在水文、地质、气象及军事等领域的应用。本文提出了一种基于高差拟合神经网络的多源DEM融合方法，尝试融合全球DEM产品SRTM1、ASTER GDEM v2和激光雷达测高数据ICESat GLAS。首先，根据ICESat GLAS的相关参数及与DEM数据的高程差值，结合坡度自适应的思想设置高差阈值对ICESat GLAS进行滤波，剔除异常数据点。然后，以ICESat GLAS数据为控制点，利用神经网络模型拟合ASTER GDEM v2的误差分布。以地形坡度信息和经纬...

Full description

Saved in:
Bibliographic Details
Published in:Ce hui xue bao 2018-06, Vol.47 (6), p.854
Main Authors: 沈焕锋, 刘露, 岳林蔚, 李星华, 张良培
Format: Article
Language:chi ; eng
Subjects:
Datasets
Digital Elevation Models
Elevation
Geology
Hydrology
Machine learning
Meteorology
Military applications
Neural networks
Outliers (statistics)
Photogrammetry
Visual discrimination
Online Access:Get full text
Tags: Add Tag
No Tags, Be the first to tag this record!
Description
Summary:本文侧重于介绍智能化摄影测量机器学习的高差拟合神经网络方法。观测手段和处理方式等限制导致全球高质量无缝DEM数据的缺乏，进而制约了它在水文、地质、气象及军事等领域的应用。本文提出了一种基于高差拟合神经网络的多源DEM融合方法，尝试融合全球DEM产品SRTM1、ASTER GDEM v2和激光雷达测高数据ICESat GLAS。首先，根据ICESat GLAS的相关参数及与DEM数据的高程差值，结合坡度自适应的思想设置高差阈值对ICESat GLAS进行滤波，剔除异常数据点。然后，以ICESat GLAS数据为控制点，利用神经网络模型拟合ASTER GDEM v2的误差分布。以地形坡度信息和经纬度坐标作为网络输入，ICESat GLAS和ASTER GDEM v2的高程差值作为目标输出，训练得到预测高差，将其与ASTER GDEM v2高程值相加即可获得校正结果。最后，引入TIN差分曲面的方法，利用校正后的ASTER GDEM v2高程值对SRTM1的数据空洞进行填充，融合生成空间无缝DEM。本文通过随机选取数据进行真实试验，对模型进行了精度验证，并给出了处理结果的定量评价和目视效果。结果表明，不论是空洞还是整体区域，本文方法相比其他DEM数据集和其他方法的处理结果都能够在RMSE上表现出优势，同时，本文提出的方法能够有效克服ASTER GDEM中异常值的影响，得到空间无缝DEM。
ISSN:1001-1595
1001-1595
DOI:10.11947/j.AGCS.2018.20180135