基于PSO-DBN模型的植被山区SRTM DEM校正方法技术

技术编号：40775196 阅读：4 留言：0更新日期：2024-03-25 20:21

一种基于PSO‑DBN模型的植被山区SRTM DEM校正方法，包括以下步骤：1)对获取的原始数据进行预处理；2)使用DBN网络结构对原始数据进行训练；在训练过程中使用PSO优化DBN的超参数，得到PSO‑DBN模型算法；3)使用PSO‑DBN模型算法校正预设林区的SRTM DEM。经本发明专利技术的基于PSO‑DBN模型的植被山区SRTM DEM校正方法校正之后，SRTM DEM平均误差和均方根误差能够分别下降了93.5％‑96.0％和21.5％‑23.5％，地形复杂区的精度提升超过了26.1％。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术涉及一种srtm dem校正方法，尤其涉及一种基于pso-dbn模型的植被山区srtm dem校正方法。

技术介绍

1、数字高程模型(dem)是一种用于表示地表高程的数学模型，在地理信息系统和遥感领域中被广泛应用作为重要数据源，主要用于地形调查，水文模拟，森林资源管理，灾害评估等领域。dem产品主要有两种获取方式：第一种是通过光学传感器获取。通过这种方式获得的dem产品包括aster(advanced spaceborne thermal emission and reflectionradiometer)dem、alos(advanced land observing satellite)aw3d30(world 3d-30m)dem等。这些dem因传感器具有最低点视图，可以更准确地捕捉陡峭的斜坡，但易受云层、薄雾、纹理缺少等因素干扰(mukul,m.；srivastava,v.；mukul,m.accuracy analysis of the2014–2015global shuttle radar topography mission(srtm)1arc-sec c-band heightmodel using international global navigation satellite system service(igs)network.jearth syst sci 2016,125,909–917,doi:10.1007/s12040-016-0716-8.)。第二种是通过合成孔径雷达干涉测量(in

2、srtm dem是首个近全球高空间分辨率的dem产品，其数据具有可公开获取、精度高、更新及时、覆盖范围广的优点，因此已成为许多研究者和应用者首选的dem数据源之一。然而，由于受到雷达侧视成像和波段穿透性等因素的影响，srtm dem在林区垂直误差大、精度低(li,h.；zhao,j.；yan,b.；yue,l.；wang,l.global dems vary from one to another:an evaluation of newly released copernicus,nasa and aw3d30 dem on selectedterrains of china using icesat-2 altimetry data.international journal ofdigital earth 2022,15,1149–1168,)。提高植被覆盖区srtm dem的垂直精度对于森林树高的计算、森林生物量估算及森林碳储量监测等应用具有重要意义。近些年来，融合多源高程数据来校正srtm dem的误差成为主流方法，根据融合的高程数据的不同，可分为面面数据融合和点面数据融合。面面数据融合指的是将srtm dem与多种高精度dem融合。如采用垂直分辨率为1m的高精度dem数据和前馈神经网络(feedforward neural network,fnn)，生成训练模型校正srtm dem(wendi,d.；liong,s.-y.；sun,y.；doan,c.d.an innovativeapproach to improve srtm dem using multispectral imagery and artificialneural network:an innovative approach to improve srtm.j.adv.model.earthsyst.2016,8,691–702)。融合aster dem和srtm dem数据来提高缺少参考数据的山区地形精度(pham,h.t.；marshall,l.；johnson,f.；sharma,a.a method for combining srtmdem and aster gdem2 to improve topography estimation in regions withoutreference data.remote sensing of environment 2018,210,229–241,doi:10.1016/j.rse.2018.03.026.)。面面数据融合方法需要高精度dem控制数据作为基准。因此，由于调查成本昂贵且仅适用于实验区土地覆盖类型相似的地方，使得面面数据融合方法不适用于大范围误差校正。点面数据融合指的是融合高精度高程控制点数据与srtm dem数据，以提升srtm dem的精度。常用的一种方法是建立植被、地形等影响因素与srtm dem误差之间的回归模型。然而这些模型只能简单地拟合特定形式的函数，并不能很好的反映影响因素和误差之间存在的非线性关系。另一种方法是采用机器学习校正srtm dem。如集成多种机器学习算法来提高srtm dem的精度(ouyang,z.；zhou,c.；xie,j.；zhu,j.；zhang,g.；ao,m.srtm dem correction using ensemble machine learning algorithm.remotesensing 2023,15,3946,doi:10.3390/rs15163946.)。使用srtm dem减去随机森林(rf)模拟的森林高度，来校正林区srtm dem(hawker,l.；uhe,p.；paulo,l.；sosa,j.；savage,j.；sampson,c.；neal,j.a 30m global map of elevation with forests and buildingsremoved.environ.res.lett.2022,17,024016)。

3、目前人工神经网络作为机器学习的主流算法已被广泛用于林区srtm dem的校正。li,y.提出一种基于反向传播神经网络(bp-ann)校正林区dem的方法，考虑高程空间自相关，从不同森林类型的dem中去除植被偏置(li,y.；li,l.；chen,c.；liu,y.correction ofglobal digital elevation models in forested areas using an artificial neuralnetwork-based method with the consideration of spatialautocorrelation.international journal of digital earth 2023,16,1568–1588)。然而，使用ann算法可能会遇到梯度消失或者梯度爆炸的问题，由此产生的模型常常存在鲁棒性不足和泛化能力较差的问题。dbn神经网络是一种由多层受限玻尔兹曼机(rbm)组成的深度神经网络，它能够通过无监督本文档来自技高网...

【技术保护点】

1.一种基于PSO-DBN模型的植被山区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PSO-DBN模型的植被山区SRTM DEM校正方法，其特征在于：所述预处理包括统一ICESat-2 ATL08与SRTM DEM的平面基准和高程基准，剔除SRTMDEM与高程控制点的误差绝对值大于50m的高程点，结合SRTM DEM数据中存储的激光点属性信息进行精细化筛选，剔除地形、植被覆盖因素中存在的空洞和异常值。

3.根据权利要求1所述的基于PSO-DBN模型的植被山区SRTM DEM校正方法，其特征在于：所述步骤2)中使用DBN网络结构对原始数据进行训练包括贪婪预训练和整体微调；所述贪婪预训练包括以下步骤：

4.根据权利要求3所述的基于PSO-DBN模型的植被山区SRTM DEM校正方法，其特征在于：所述整体微调是从RBM网络结构的BP层开始依次向前，使用监督学习方法将训练数据的标签与网络输出进行比较，计算误差；根据误差信息，采用梯度下降算法调整DBN的权重和偏置项，以获取当前数据与网络模型下的最优参数。