一种基于特征增强集成学习框架的DEM校正方法技术

一种基于特征增强集成学习框架的SRTM DEM校正方法，包括以下步骤：1)通过FEB模块扩展特征数量；2)通过FRB模块增强特征；3)通过深度森林变体算法对SRTM DEM进行校正；增强的特征X<supgt;B</supgt;首先压缩成一个一维特征向量，称为X<supgt;C</supgt;＝{N×40}，深度森林变体算法基于X<supgt;C</supgt;预测高程误差，并通过从原始SRTM DEM中减去预测误差来改进SRTM DEM精度；所述深度森林变体算法为通过自适应提升算法训练深度森林，自适应提升算法中对拟合质量和特征重要性进行自适应加权。本发明专利技术所提出的校正方法与五种传统典型的SRTM DEM校正算法相比可以增强SRTM DEM在复杂地形和植被条件下的精度。

【技术实现步骤摘要】

本专利技术涉及一种dem校正方法，尤其涉及一种基于特征增强集成学习框架的dem校正方法。

技术介绍

1、数字高程模型(dem)已被广泛用于地形学、水文学和生态学等各种应用。dem产品的精确度对于这些应用非常重要。传统方法主要通过大地测量技术(如水准测量和gnss)以及地基或航空激光雷达来生成精确的dem产品。然而，由于勘测成本高昂，这些产品目前仅在有限的范围内或地球的某些局部区域可用。为了生成近全球范围或全球覆盖的dem产品，基于空间的雷达遥感技术更具有优势，因为它们具有大范围、低成本和高空间分辨率等传统技术所不具备的特点。例如，srtm(shuttle radar topography mission)dem覆盖了地球陆地表面的80％(从北纬60°到南纬57°)，该产品是2000年2月11日至22日期间由航天激光雷达传感器(srtm)获取得到的。全球范围的srtm dem已成为迄今为止最受欢迎的dem产品之一，用于科学应用。然而，由于雷达微波的植被透射能力和特殊成像模式，空间雷达衍生的dem产品通常包含一些植被偏差，地形误差和全局误差。这在很大程度上限制本文档来自技高网...

【技术保护点】

1.一种基于特征增强集成学习框架的SRTM DEM校正方法，其特征在于；包括以下步骤：

2.根据权利要求1所述的基于特征增强集成学习框架的SRTM DEM校正方法，其特征在于：所述步骤3)通过深度森林变体对SRTM DEM进行校正包括以下步骤：

3.根据权利要求1所述的基于特征增强集成学习框架的SRTM DEM校正方法，其特征在于：所述FEB模块包括三个全连接层、两个dropout层和自注意力机制；全连接层将上一层的特征图展平为一维向量，并将其乘以每个神经元的权重以获得新的特征向量；自注意力机制的作用是捕捉特征之间的内部相关性，为模型提供全局上下文信息；dropo...

【技术特征摘要】

1.一种基于特征增强集成学习框架的srtm dem校正方法，其特征在于；包括以下步骤：

2.根据权利要求1所述的基于特征增强集成学习框架的srtm dem校正方法，其特征在于：所述步骤3)通过深度森林变体对srtm dem进行校正包括以下步骤：

3.根据权利要求1所述的基于特征增强集成学习框架的s...

【专利技术属性】
技术研发人员：周璀，欧阳子都，罗培源，杨泽发，朱建军，
申请(专利权)人：中南林业科技大学，
类型：发明
国别省市：