提高数字高程模型精度的方法及装置

摘要

本发明公开了提高数字高程模型精度的方法，包括：S1：获取SRTM数字高程模型和Landsat 8卫星遥感多光谱图像数据；S2：获取预定区域的参考数字高程模型，并提取预定区域的SRTM数字高程模型和Landsat 8卫星遥感多光谱图像数据，以预定区域的SRTM数字高程模型数据和Landsat 8卫星遥感多光谱图像数据为输入，以预定区域的参考数字高程模型数据为输出，训练获得人工神经网络模型，参考数字高程模型的精度高于SRTM数字高程模型；S3：利用人工神经网络模型和Landsat 8卫星遥感多光谱图像数据，对S1中的SRTM数字高程模型执行改进。本发明还提供了提高数字高程模型精度的装置。本发明成本可控，能够有效地、大面积和大幅度地提高数字高程模型精度。

权利要求

1.提高数字高程模型精度的方法，其特征在于，包括：

S1：获取SRTM数字高程模型和Landsat 8卫星遥感多光谱图像数据；

S2：获取预定区域的参考数字高程模型，并提取预定区域的SRTM数字高程模型和Landsat 8卫星遥感多光谱图像数据，以预定区域的SRTM数字高程模型数据和Landsat 8卫星遥感多光谱图像数据为输入，以预定区域的参考数字高程模型数据为输出，训练获得人工神经网络模型，所述参考数字高程模型的精度高于所述SRTM数字高程模型；

S3：利用所述人工神经网络模型和Landsat 8卫星遥感多光谱图像数据，对S1中的SRTM数字高程模型执行改进；

选取多种土地覆盖类型的预定区域，并分别建立多个所述人工神经网络模型；

所述土地覆盖类型至少包括植被覆盖、建筑覆盖、水体覆盖；

在对S1中的SRTM数字高程模型数据进行改进前，将待改进区域划分为多个网格，对每个网格执行土地覆盖类型判断，并根据所述土地覆盖类型选择对应的所述人工神经网络模型对每个网格执行改进；

根据 、 和 对每个网格执行土地覆盖类型判断，当 大于第一预定值，则判断所述土地覆盖类型为植被覆盖，当 大于第二预定值，则判断所述土地覆盖类型为建筑覆盖，当 大于第三预定值，则判断所述土地覆盖类型为水体覆盖；其中，、 、 和 分别为Landsat 8多光谱图像数据中的近红外波段、红波段、短波红外波段和绿波段的反射率值；NDVI为归一化植被指数，NDBI为归一化建筑指数，NDWI为归一化水体指数；

对所述人工神经网络模型开展评估，当 处于第一预定范围、r处于第二预定范围，且Bias处于第三预定范围，则将所述人工神经网络模型用于SRTM数字高程模型的改进；其中，上式中， 为网格 处改进后的SRTM数字高程模型数据， 为网格 处参考数字高程模型数据， 和 分别代表改进后的SRTM数字高程模型数据和参考数字高程模型数据的平均值，为网格数量； 为均方根误差、r为相关性系数、 为偏差。

2. 如权利要求1所述的提高数字高程模型精度的方法，其特征在于，Landsat 8卫星遥感多光谱图像数据为Landsat 8卫星的11个波段数据，SRTM数字高程模型数据和参考数字高程模型数据均为高程值。

3.如权利要求1所述的提高数字高程模型精度的方法，其特征在于，所述人工神经网络模型由ANN模型训练得到。

4.如权利要求1所述的提高数字高程模型精度的方法，其特征在于，所述参考数字高程模型为WorldDEM。

5.提高数字高程模型精度的装置，其特征在于，包括：

处理器；

存储器，其存储有可执行指令；

其中，所述处理器被配置为执行所述可执行指令，以执行权利要求1 4任一所述的提高~数字高程模型精度的方法。

说明书

提高数字高程模型精度的方法及装置

技术领域

[0001] 本发明涉及勘察测绘相关技术领域。更具体地说，本发明涉及一种提高数字高程模型精度的方法及装置。

背景技术

[0002] 数字高程模型（Digital Elevation Model；DEM）在现代地质学、水文学、生态学、气候学中有着广泛的应用。传统获得数字高程模型的方法是通过现场人力勘测；这种方法，特别是对于高植被覆盖率的偏远地区而言，不仅需要耗费大量的人力和物力，不切实际的高成本和低效率也影响了它的广泛取得和应用。基于卫星遥感技术（Remote Sensing）的数字高程模型一定程度上解决了上述的问题，但是目前仍然存在很多的挑战和难题，例如：开源数据的低精度、商业数据的高成本等。

[0003] SRTM（Shuttle Radar Topography Mission）是现在使用最广，整体精度最高的开源数字高程模型。SRTM使用双雷达天线来获取干涉雷达数据，处理成数字地形数据后，提供o o了覆盖全球的（56S‑60N），空间分辨率 92m的数字高程模型。然而，由于SRTM传感器使用的~
5.6cm波长不能够较好地穿透树冠，同时受限于 92m的空间分辨率，SRTM的精度普遍较低。
~
研究表明，在开阔地区，SRTM的垂向误差在 10m，而在森林地带，SRTM的垂向误差可以达到~ ~
20m。

[0004] NEXTMap® World 30™是由Intermap公司研发的商业数字高程模型。该模型通过数据融合技术集合了各类开源数据，提供了覆盖全球范围的，空间分辨率30m的高程数据。虽然NEXTMap® World 30™价格较低（0.15US$/km2），但是该数据精度同经简单降噪处理后的SRTM接近，垂向误差在 12m。GeoElevation10是由空中客车防务航天公司研发销售的~
另一商业数字高程模型。该模型推导于TerraSAR‑X雷达卫星数据，摆脱了地面控制点的限制。GeoElevation10的空间分辨率为10m，垂向误差控制在5‑10m。虽然该数据精度较高，但
2
是售价也较高：30€/km ，最小购买面积500km2。如此高的成本已经超出了很多科研项目的预算，也直接限制了该数据在大尺度区域内的应用。

[0005] 因此，亟需设计能够一定程度克服上述技术问题的技术方案。

发明内容

[0006] 本发明的一个目的是提供一种提高数字高程模型精度的方法及装置，成本可控，能够有效地、大面积和大幅度地提高数字高程模型精度。

[0007] 为了实现本发明的这些目的和其它优点，根据本发明的一个方面，本发明提供了提高数字高程模型精度的方法，包括：S1：获取SRTM数字高程模型和Landsat 8卫星遥感多光谱图像数据；S2：获取预定区域的参考数字高程模型，并提取预定区域的SRTM数字高程模型和Landsat 8卫星遥感多光谱图像数据，以预定区域的SRTM数字高程模型数据和Landsat 8卫星遥感多光谱图像数据为输入，以预定区域的参考数字高程模型数据为输出，训练获得人工神经网络模型，所述参考数字高程模型的精度高于所述SRTM数字高程模型；S3：利用所述人工神经网络模型和Landsat 8卫星遥感多光谱图像数据，对S1中的SRTM数字高程模型执行改进。

[0008] 进一步地，选取多种土地覆盖类型的预定区域，并分别建立多个所述人工神经网络模型。

[0009] 进一步地，所述土地覆盖类型至少包括植被覆盖、建筑覆盖、水体覆盖。

[0010] 进一步地，在对S1中的SRTM数字高程模型数据进行改进前，将待改进区域划分为多个网格，对每个网格执行土地覆盖类型判断，并根据所述土地覆盖类型选择对应的所述人工神经网络模型对每个网格执行改进。

[0011] 进一步地，根据 、  和  对每个网格执行土地覆盖类型判断，当 大于第一预定值，则判断所述土地覆盖类型为植被覆盖，当  大于第二预定值，则判断所述土地覆盖类型为建筑覆盖，当 大于第三预定值，则判断所述土地覆盖类型为水体覆盖；其中，

[0012]

[0013] 、  、 和 分别为Landsat 8多光谱图像数据中的近红外波段、红波段、短波红外波段和绿波段的反射率值。

[0014] 进一步地，还包括：对所述人工神经网络模型开展评估，当  处于第一预定范围、r处于第二预定范围，且Bias处于第三预定范围，则将所述人工神经网络模型用于SRTM数字高程模型的改进；其中，

[0015]

[0016] 上式中，  为网格 i处改进后的SRTM数字高程模型数据，  为网格 i处参考数字高程模型数据，  和  分别代表改进后的SRTM数字高程模型数据和参考数字高程模型数据的平均值， n为网格数量。

[0017] 进一步地，Landsat 8卫星遥感多光谱图像数据为Landsat 8卫星的11个波段数据，SRTM数字高程模型数据和参考数字高程模型数据均为高程值。

[0018] 进一步地，所述人工神经网络模型由ANN模型训练得到。

[0019] 进一步地，所述参考数字高程模型为WorldDEM。

[0020] 根据本发明的另一个方面，提供了提高数字高程模型精度的装置，包括：处理器；存储器，其存储有可执行指令；其中，所述处理器被配置为执行所述可执行指令，以执行所述的提高数字高程模型精度的方法。

[0021] 本发明至少包括以下有益效果：

[0022] 本发明将Landsat 8卫星遥感的多光谱图像数据和人工神经网络的模式识别功能有机地结合到一起，能够对现有的数字高程模型进行修正，有效地、大面积和大幅度地提高数字高程模型的精度，并且成本可控。

[0023] 本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。

附图说明

[0024] 图1为本发明的流程图；

[0025] 图2为本发明的各类土地覆盖类型的示意图；

[0026] 图3为本发明提高数字高程模型精度的效果图。

具体实施方式

[0027] 下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

[0028] 应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。

[0029] 本申请的实施例提供了提高数字高程模型精度的方法，包括：

[0030] S1：获取SRTM数字高程模型和Landsat 8卫星遥感多光谱图像数据；数字高程模型（Digital Elevation Model，简称DEM）是对地球表面地形地貌的一种离散的数学表达；DEM表示区域D上的三维向量有限序列，用函数的形式描述为：Vi=Xi，Yi，Zi；i=1，2……n，Xi，Yi是平面坐标，Zi是（Xi，Yi）对应的高程值；SRTM即是一种开源数字高程模型，但精度不高；Landsat 8卫星具有OLI陆地成像仪和热红外传感器，Landsat 8卫星遥感多光谱图像数据即为OLI陆地成像仪和热红外传感器获取的地表反射率数据，OLI陆地成像仪包括9个波段，热红外传感器TIRS包括2个单独的热红外波段，具体为Band 1 Coastal（海岸波段）、Band 2 Blue（蓝波段）、Band 3 Green（绿波段）、Band 4 Red（红波段）、Band 5 NIR（近红外波段）、Band 6 SWIR 1（短波红外1）、Band 7 SWIR 2（短波红外2）、Band 8 Pan（全色波段）、Band 9 Cirrus（卷云波段）、Band 10 TIRS 1（热红外1）、Band 11 TIRS 2（热红外2）；

[0031] S2：获取预定区域的参考数字高程模型，并提取预定区域的SRTM数字高程模型和Landsat 8卫星遥感多光谱图像数据，以预定区域的SRTM数字高程模型数据和Landsat 8卫星遥感多光谱图像数据为输入，以预定区域的参考数字高程模型数据为输出，训练获得人工神经网络模型，所述参考数字高程模型的精度高于所述SRTM数字高程模型；参考数字高程模型为高精度的数字高程模型，可选各商业数字高程模型；参考数字高程模型无需获取所有区域，只需要获取面积更小的预定区域即可，预定区域可选土地覆盖类型丰富的区域；同样提取预定区域内的SRTM数字高程模型数据、Landsat 8卫星遥感多光谱图像数据和参考数字高程模型数据，训练获得人工神经网络模型，SRTM数字高程模型数据和参考数字高程模型数据可选为各坐标的高程值；可选地，预定区域的部分数据作为训练集，进行人工神经网络模型的训练，部分数据作为测试集，用于检验人工神经网络模型；

[0032] S3：利用所述人工神经网络模型和Landsat 8卫星遥感多光谱图像数据，对S1中的SRTM数字高程模型执行改进；即将S1中的SRTM数字高程模型各坐标的高程值和Landsat 8卫星遥感多光谱图像数据输入S2得到的人工神经网络模型，得到改进的高程值，实现对SRTM数字高程模型进行改进、修正，使得SRTM数字高程模型所有区域的精度均能够达到、接近参考数字高程模型的精度，而无需购买所有区域的参考数字高程模型，从而降低了成本；可选地，改进、修正是对各坐标的高程值进行改进、修正；比较图3（b）、（c）、（d）可知，经过本申请的改进、修正，能够明显提升SRTM数字高程模型的精度和细节，接近参考数字高程模型的水平。

[0033] 在另一些实施例中，选取多种土地覆盖类型的预定区域，并分别建立多个所述人工神经网络模型；通过细分不同的土地覆盖类型，提升对SRTM数字高程模型修正、改进效果。

[0034] 在另一些实施例中，如图2所示，所述土地覆盖类型至少包括植被覆盖、建筑覆盖、水体覆盖；此三种土地覆盖类型包含了大部分区域，通过以上实施例的方法建立植被覆盖人工神经网络模型、建筑覆盖人工神经网络模型、水体覆盖人工神经网络模型，可以对三种土地覆盖类型进行改进、修正。

[0035] 在另一些实施例中，在对S1中的SRTM数字高程模型数据进行改进前，将待改进区域划分为多个网格，对每个网格执行土地覆盖类型判断，并根据所述土地覆盖类型选择对应的所述人工神经网络模型对每个网格执行改进；这里，每个网络包括若干坐标，将每个网格范围内的SRTM数字高程模型数据高程值视为一致，可降低计算量；可选地，选取网格内各坐标高程值的平均值或中位值作为网格的高程值，Landsat 8卫星遥感多光谱图像数据则选取占据面积最大的反射率值，并输入人工神经网络模型；判断每个网格的土地覆盖类型，对每个网格内的SRTM数字高程模型高程值分别利用人工神经网络模型进行改进和修正，然后合并为一个整体的改进后的数字高程模型；网格数量越多，越精细，可根据实际精度需求选定网格数量。

[0036] 在另一些实施例中，根据  、 和  对每个网格执行土地覆盖类型判断，当  大于第一预定值，则判断所述土地覆盖类型为植被覆盖，当 大于第二预定值，则判断所述土地覆盖类型为建筑覆盖，当  大于第三预定值，则判断所述土地覆盖类型为水体覆盖；其中，

[0037]

[0038] 、  、  和 分别为Landsat 8多光谱图像数据中的近红外波段、红波段、短波红外波段和绿波段的反射率值；NDVI为归一化植被指数，NDBI为归一化建筑指数，NDWI为归一化水体指数，  、  和 的取值范围均为[‑1，1]，且数值越高代表该区域的土地覆盖分别为植被、建筑和水体占主导；第一预定值、第二预定值、第三预定值可根据精度需要，利用经验或反复试验确定，当 、 和  分别大于第一预定值、第
二预定值、第三预定值，即可基本判断当前网格属于哪种土地覆盖类型，进而选用对应的人工神经网络模型。

[0039] 在另一些实施例中，还包括：对所述人工神经网络模型开展评估，当  处于第一预定范围、r处于第二预定范围，且Bias处于第三预定范围，则将所述人工神经网络模型用于SRTM数字高程模型的改进；其中，

[0040]

[0041] 上式中，  为网格i处改进后的SRTM数字高程模型数据，  为网格 i处参考数字高程模型数据，  和  分别代表改进后的SRTM数字高程模型数据和参考数字高程模型数据的平均值， n为网格数量；在上述实施例中，对得到的人工神经网络模型进行评估，评估的数据包括通过人工神经网络模型产生的改进后的SRTM数字高程模型数据和参考数字高程模型数据，这些数据可以是未用于人工神经网络模型的训练；当均方根误差 、相关性系数 r、偏差  均满足条件时，表明人工神经网络模型能够满足对SRTM数字高程模型修正和改进的要求；RMSE：[0，+∞）；r：[‑1,+1]；Bias：(‑∞，+∞)；RMSE越小说明改进后的SRTM数字高程模型数据和参考数字高程模型数据越接近；r绝对值越接近1说明改进后的SRTM数字高程模型数据和参考数字高程模型数据之间的线性关系越强；Bias越接近1说明改进后的SRTM数字高程模型数据和参考数字高程模型数据越接近；具体的第一预定范围、第二预定范围、第三预定范围可根据精度需求，利用经验和反复试验确定。

[0042] 在另一些实施例中，Landsat 8卫星遥感多光谱图像数据为Landsat 8卫星的11个波段数据，SRTM数字高程模型数据和参考数字高程模型数据均为高程值；即将每个网格的高程值视为一致，对每个网格的高程值进行修正和改进，最终将所有网格的改进合并至一个改进的数字高程模型。

[0043] 在另一些实施例中，所述人工神经网络模型由ANN模型训练得到；ANN模型结构形式通常由输入层、隐藏层和输出层组成，输入项为SRTM地形数据、Landsat 8卫星遥感数据的11个波段，输出项为参考数字高程模型；即采用的ANN将包含12个输入神经元和1个输出神经元，并默认包含10个隐藏神经元。

[0044] 在另一些实施例中，所述参考数字高程模型为WorldDEM，其是目前全球精度最高的卫星遥感数字高程模型，精度高于SRTM。

[0045] 本申请的实施例还提供了提高数字高程模型精度的装置，包括：处理器；存储器，其存储有可执行指令；其中，所述处理器被配置为执行所述可执行指令，以执行所述的提高数字高程模型精度的方法；本实施例可在云服务器或本地服务器中配置相关程序，获取预定区域的参考数字高程模型，并提取预定区域的SRTM数字高程模型和Landsat 8卫星遥感多光谱图像数据，以预定区域的SRTM数字高程模型数据和Landsat 8卫星遥感多光谱图像数据为输入，以预定区域的参考数字高程模型数据为输出，训练获得人工神经网络模型；再利用所述人工神经网络模型和Landsat 8卫星遥感多光谱图像数据，对SRTM数字高程模型执行修正、改进。

[0046] 这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明提高数字高程模型精度的方法的应用、修改和变化对本领域的技术人员来说是显而易见的。

[0047] 尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。