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。