论文部分内容阅读
DEM数据在很多领域和行业中具有重要的作用，而DEM的精度对应用的效果会产生很大的影响。因此，提高现有DEM数据的精度具有重要的价值。常用的DEM精度优化方法包括基于控制点的高程误差校正和基于图像融合的DEM数据融合。 本文针对ASTER GDEM数据和SRTM数据的精度进行优化，改进了前人方法的性能。分析了SRTM数据和ASTER GDEM数据高程误差与地形参数的变化关系;根据分析得到的规律建立误差模型，并对SRTM的高程精度进行优化;并使用传统图像融合的方法对DEM数据进行融合，在一定程度上提升了高程精度。 本论文取得的主要研究成果如下: 1.根据SRTM高程误差的分布特性，去除了ICESat GLA14数据中存在的粗差点。使用ICESat GLA14数据作为高程精确值，对SRTM数据和ASTER GDEM数据的高程误差与地形参数之间的关系进行了分析，得出了SRTM和ASTERGDEM的高程均方根误差均随坡度的上升而上升，高程误差均值与坡度无关;此外还发现了二者的高程均方根误差与坡向无明显的关系，但SRTM高程误差均值随坡向有一定的变化规律。 2.根据SRTM高程误差均值与地形参数的变化规律，建立了误差模型。首先，使用多项式函数建立了误差模型，分析了多项式形式对误差拟合程度的影响，确定了多项式的具体形式，并估计高程误差。其次，使用神经网络建立了误差模型。分析了隐藏层数量和神经元个数对拟合结果的影响，确定了神经网络的结构。使用神经网络对SRTM数据的高程误差进行估计。经过实验验证，论文所提的两种方法均能在一定程度上提高SRTM数据的高程精度，且神经网络方法效果更好。 3.使用传统的图像融合方法，研究了多源DEM数据的融合。将频域划分的频段数增加到9个，对于每段分别进行加权融合。针对权重组合数过大的问题，分别提出了两种解决方案。其一，根据图像的低频分量代表了图像的概貌这一特点，从低频到高频，依次确定最优的融合权重。其二，使用遗传算法，在权重空间搜索最优的融合权重组合。这两种方法都减少了确定最优权重所需的时间，融合结果在一定程度上提升了高程精度。