SRTM与ASTER加权融合的机器学习方法

摘要：

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1.29 m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.

关键词：SRTM;ASTER;神经网络模型;地形因子;精度

所属期刊栏目：36

分类号：P208(一般性问题)

资助基金：国家自然科学基金项目;山东省自然科学基金项目;山东省高等学校青创科技支持计划项目

在线出版日期：2021-12-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：148-154