科研之友
微信
新浪微博
Facebook
分享链接
摘要
由于数据获取与后期处理方式不同，先进星载热发射和反射辐射仪全球数字高程模型(advanced spaceborne thermalemissionandreflectionradiometerglobaldigitalelevationmodel,ASTERGDEM)和航天飞机雷达地形测绘任务(shuttle radar topography mission,SRTM)数据在高程精度上存在差异，采用弹性反馈（resilient backpropagation,RProp）神经网络算法对二者进行融合处理，实现优势互补以提升高程精度。选取两个黄土丘陵沟壑地貌样区分别用于模型建立与效果验证，1∶10 000高程精度为参考数据，在建模样区应用RProp神经网络算法构建ASTER GDEM高程校正模型、SRTM1高程校正模型、ASTER GDEM与SRTM1高程融合模型，同时应用误差反向传播(back propagation,BP)神经网络建立ASTER GDEM与SRTM1高程融合模型，将这些模型的高程精度优化效果进行对比，并在验证样区检验RProp融合模型的可行性。结果表明，RProp融合模型的高程校正效果整体上优于ASTER GDEM高程校正模型、SRTM1高程校正模型和BP神经网络融合模型，高程均方根误差分别降低6.81 m、0.34 m与0.19 m，具有良好的适用性与误差校正效果。
- 单位
