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。

多源DEM提取水文因子精度分析

以清流河流域琅琊山周边815km2的区域为研究样区,通过预处理后的1∶1万DEM、1∶5万DEM、1∶25万DEM、90mSRTM3-2、30mASTERGDEM五种DEM数据和ArcGIS中内置水文模块Hydrology提取了河网和子流域等水文因子,并以1∶1万DEM提取的水文因子为基准,得到基于其余四种DEM数据的河网套合差、子流域周长差、子流域面积差,分析了四种不同源DEM数据在提取水文因子中的精度差异。实验表明,在较大尺度范围的非平原区内进行水文分析,且上游汇流面积达到0.625km2时,1∶5万DEM、90mSRTM3-2、30mASTERGDEM三种DEM提取水文因子均可获得较理想的结果。就提取水文因子的整体精度而言,其中1∶5万DEM较高,90mSRTM3-2次之,30mASTERGDEM稍差,1∶25万DEM较前三者差距较大。

基于多源DEM数据融合的城市水系及流域提取初探

不同DEM数据源具有不同的高程误差,也导致其在提取城市水系和流域范围的时候存在着不一样的差异。为了减少单一DEM误差的影响,可以通过融合多源DEM,减小局部DEM误差,提高DEM精度。结果表明,相比于单一的DEM数据,融合DEM数据提取的模拟水系和流域范围的准确程度更高。坪山河实例应用表明,综合考虑水系和流域范围的精度误差,对2个来源DEM高程进行平均处理效果最优。

基于多源DEM的广西宁明县河网提取

以3种不同数据源和不同分辨率的DEM数据为基础,着重研究了不同数据源和分辨率对四级水系流域(县级区域)的河网提取的影响。实验表明,对四级水系及其支流的提取并不是分辨率越高越好。从提取的精度角度看,采用航空摄影测量方法得到的DEM的实验结果较为详细。而从分辨率来说,12.5 m分辨率的DEM最好。

Arc Hydro Tools及多源DEM提取河网与精度分析——以洮儿河流域为例

本文简要分析了HYDRO1K、SRTM3-2、ASTER GDEM 3种数据源基本特征,对数据的水平空间分辨率、现势性、覆盖范围、误差来源进行了比较;阐述了Arc Hydro Tools提取数字河网、划分流域及子流域方法的关键步骤;并以洮儿河流域为研究对象,分析了有(无)河网辅助条件下,3种初始DEM在不同地貌类型中数字河网提取、流域及子流域划分的准确度。研究结果表明:(1)无河网辅助条件下,中山、低山-丘陵地区用三种DEM提取的数字河网与实际均比较吻合;平原地区HYDRO1K提取的主河道与真实主河道相似性较高,而SRTM3-2、ASTERGDEM均出现较大偏差,ASTER GDEM偏差更大;3种DEM提取的流域边界与实际流域边界存在一定的偏差;(2)有河网辅助的条件下,经过河网与流域边界校正后,3种DEM在中山、低山-丘陵地区提取的数字河网,以及平原地区提取的主河道与真实河网与主河道相似性很高,SRTM3-2、ASTER GDEM提取的数字河网改善明显;3组DEM提取的流域边界与实际流域边界较为接近,其中,HYDRO1K提取的流域边界与实际边界基本吻合。

常用免费DEM数据质量分析

以常用HydroSHEDS void-filled DEM、SRTM、ASTER GDEM等五种DEM数据为研究对象,针对不同流域下垫面地貌形态,采用不同的地貌特征分析方法以及将流域真实水系和模拟河网对比分析等方法,研究了多源DEM数据的质量问题。研究发现ASTER GDEM数据主要问题是噪声大,HydroSHEDS void-filled DEM和SRTM数据的主要问题是存在模糊,噪声、模糊均会降低数据的精度和提取的模拟河网的精度,但从整体上来看,三种DEM数据提取的模拟河网的质量相当。

基于SRTM-ASTER融合数据的河网提取

在分析SRTM、ASTER GDEM数据源基本特征的基础上,融合了一种直接面向河网提取的数据——SRTM-ASTER,利用SRTM数据较高的垂直分辨率修正ASTER GDEM,弥补了SRTM水平分辨率上的不足;引入Landsat-8遥感卫星数据提取真实河网,分析在有(无)河网辅助条件下融合数据的提取效果,并以总长度、支流数目、套合差为特征指标进行分析。研究结果表明:1)SRTM-ASTER数据提取的河网能综合SRTM和ASTER GDEM数据的优势,提取精度较好,但河流长度以及支流数目有所减少;2)有河网辅助的条件下,经过AGREE算法进行河网纠正以后,提取结果的精度有显著提高。

基于地形约束的多尺度DEM融合

为获得更高质量的数字高程模型(digital elevation model,DEM)数据,提出了一种基于谷脊线作为地形约束的多尺度DEM融合方法。以雷达测高数据SRTM(shuttle radar topography mission)与激光测高数据GLAS(geoscience laser altimeter system)为辅助源校正的光学高程数据ASTER(advanced spaceborne thermal emission and reflection radiometer)作为低分辨数据,以商业卫星雷达测高数据WorldDEM作为高分辨数据,通过地表水流模拟方法分别提取两者谷脊线,再利用较高分辨率数据的地形细节作为较低分辨率数据重建的先验信息,实现高分辨率数据对低分辨率数据的引导,最终融合得到兼具广覆盖范围和高分辨率的DEM数据。模拟和真实数据试验表明,多尺度DEM融合方法在评价指标和地形细节恢复上均优于所提及的其他经典方法,说明该方法对于DEM数据质量的提升是有效可行的。

低山丘陵区多源数字高程模型误差分析

作为多学科交叉与渗透产物的数字高程模型(DEM)已在诸多学科和领域及实际应用中发挥了重要作用,但目前能够免费获取的高分辨全球DEM在不同区域仍存在很大的不确定性,应用之前进行质量评估至关重要。以烟台市为实验区,以大比例尺地形图(1∶10 000)生成的DEM为参照,结合坡度、坡向和土地覆被类型等地学因子,定量分析了目前广泛应用的两个版本ASTER GDEM(先进星载热辐射和反射辐射计全球数字高程模型)ASTETR 1和ASTER 2及不同空间分辨率SRTM DEM(航天飞机雷达地形测绘任务)(SRTM 1:～30m和SRTM 3:～90m)在低山丘陵区高程、坡度及坡向误差。结果表明:在研究区域内,ASTER 1、ASTER 2、SRTM 3、SRTM 1总体高程均方根误差分别为8.7m、6.3m、3.7m和2.9m。ASTER与SRTM的高程精度不同程度地受坡度、坡向以及土地覆被类型等地学因子的影响,DEM误差随坡度增加而增大,其中SRTM 3精度对该因子最敏感。尽管坡向对DEM精度影响不明显(4种DEM在不同坡向上的均方根误差波动范围均不超过2m),但是不同土地覆被类型下这4种DEM精度差异显著。此外,分析4种DEM提取的坡度可知,SRTM 1的均方根坡度误差最低(2.5°)、ASTER 1与ASTER 2的坡度的均方根误差大致相同(3.6°、3.9°)、SRTM 3的坡度均方根误差最高(4.3°)。坡向的精度SRTM 1最高,ASTER 1与ASTER 2次之,SRTM 3最低。研究结果对我国低山丘陵区ASTER GDEM与SRTM DEM的应用与精度评估具有一定的借鉴作用。