林区数字高程模型修正方法：顾及高程自相关的后向传播神经网络模型

作者：李琳叶; 李艳艳^*; 陈传法; 刘妍; 刘雅婷; 刘盼盼

来源：地球信息科学学报, 2023, 25(05): 935-952.

• 数字高程模型
• 机器学习
• 误差
• 修正
• 精度
• 高程自相关
• 林区

受植被遮挡影响，卫星遥感技术获取的全球数字高程模型（Digital Elevation Model,DEM）在林区难以准确描述真实地表形态，且在不同林区类型表现出不同系统偏差。为提高林区DEM精度，本文提出了一种顾及高程自相关的后向传播神经网络（Back Propagation Neural Network,BPNN）模型。该模型首先对训练区高程点拟合最优半变异函数以确定其变程，并将距离目标点变程以内的高程点作为高程自相关最优邻域，然后将地形因子（坡度、坡向、地形起伏度）、植被因子（植被高度、植被覆盖度）以及变程范围内高程点作为影响因子，DEM与对应LiDAR(Light Detection And Ranging)DEM高程差作为预测值，构建并训练BPNN模型，最后用训练好的模型修正测试区DEM。为了验证模型的实用性和高效性，本文以4种林区（常绿阔叶林、常绿针叶林、混交林、落叶阔叶林）DEM为研究对象，分别训练BPNN模型。同时，将修正结果与4种模型进行比较，包括综合利用4种林区类型数据训练的BPNN模型（BPNN-T）、没有使用地形因子的BPNN模型（BPNN-W）、没有顾及高程自相关的BPNN模型（BPNN-R）和多元线性回归模型（Multiple Linear Regression,MLR）。对上述4个林区的DEM（包括SRTM1、AW3D30、TanDEM-X(TDX)90）修正结果表明：(1)与修正前相比，采用顾及高程自相关的BPNN模型显著提高了4种林区DEM精度，使其平均误差（Mean Error,ME）降至0～1 m，均方根误差（Root Mean Square Error,RMSE）降低了46%～70%；(2)修正前、后TDX90误差受坡向影响显著，AW3D30其次，SRTM1最小；修正前、后DEM的RMSE均随坡度和地形起伏度的增加而增大；(3)修正前DEM误差随植被高度和植被覆盖度的增加而增大，修正后该规律消失，表明BPNN有效消除了植被对DEM精度影响；(4) 5种模型中，顾及高程自相关的BPNN预测效果最优，BPNN-T略次之，MLR和BPNN-W次之，BPNN-R效果最差。因此，充分考虑地形因子并分别对4种林区类型构建高程自相关训练模型可显著提高DEM精度。

• 单位
  山东科技大学