SRTM与ASTER加权融合的机器学习方法

作者：郑婷婷; 陈传法^*; 张照杰

来源：遥感信息, 2021, 36(05): 148-154.

• SRTM
• ASTER
• 神经网络模型
• 地形因子
• 精度

为了克服SRTM和ASTER各自缺陷,充分结合二者优势得到更高质量的DEM,提出了一种基于神经网络模型的加权融合方法。首先,统一两种DEM坐标系和高程基准;其次,借助后向传播神经网络分别建立SRTM与ASTER高程误差和地形因子的非线性关系模型;然后,利用此模型估计各DEM的误差分布;最后,根据该误差计算SRTM和ASTER融合权重,并实现SRTM和ASTER加权融合。以董志塬为研究区进行分析。结果表明:融合后DEM精度有明显提高,相比于原始SRTM和ASTER,平均绝对误差分别降低了1.29m和3.66m,中误差分别降低了0.40m和3.16m,标准差分别降低了0.79m和2.07m;各地形因子对DEM高程精度的影响在融合之后均得到降低。以美国爱达荷州北部某区域为验证区,实验结果与研究区相似。

• 单位
  正元地理信息有限责任公司; 山东科技大学