利用弹性反馈神经网络融合ASTER GDEM和SRTM1高程数据

摘要：

由于数据获取与后期处理方式不同,先进星载热发射和反射辐射仪全球数字高程模型(advanced spaceborne ther-mal emission and reflection radiometer global digital elevation model,ASTER GDEM)和航天飞机雷达地形测绘任务(shuttle radar topography mission,SRTM)数据在高程精度上存在差异,采用弹性反馈(resilient backpropagation,RProp)神经网络算法对二者进行融合处理,实现优势互补以提升高程精度.选取两个黄土丘陵沟壑地貌样区分别用于模型建立与效果验证,1∶10 000高程精度为参考数据,在建模样区应用RProp神经网络算法构建ASTER GDEM高程校正模型、SRTM1高程校正模型、ASTER GDEM与SRTM1高程融合模型,同时应用误差反向传播(back propagation,BP)神经网络建立ASTER GDEM与SRTM1高程融合模型,将这些模型的高程精度优化效果进行对比,并在验证样区检验RProp融合模型的可行性.结果表明,RProp融合模型的高程校正效果整体上优于ASTER GDEM高程校正模型、SRTM1高程校正模型和BP神经网络融合模型,高程均方根误差分别降低6.81 m、0.34m与0.19 m,具有良好的适用性与误差校正效果.

关键词：误差模型、数据融合、弹性反馈神经网络、深度学习

所属期刊栏目：48

分类号：P228;P237(大地测量学)

资助基金：国家自然科学基金;国家自然科学基金

在线出版日期：2023-06-13（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：777-783