.png){kind=icon}
返回
Multi-source data joint processing framework for DEM calibration and fusion
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jag.2025.104484.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高精度数字高程模型(DEMs)对于遥感与地理空间分析至关重要，但将多源数据集成到大型复杂地形中仍具挑战性。为应对这些挑战，本研究提出多源数据联合处理(MDJP)框架。该框架通过基于深度学习的校准和空间自适应融合技术，建立了一种系统化的方法，用于校正不同质量的DEM误差并集成多源数据，从而提升大型复杂区域中DEM的精度与一致性。在模型校准方面，本研究提出的DEM校准模型(DemFormer)在堆叠框架中结合了轻量级Transformer模块与袋装决策树网络，专门用于增强DEM高程误差预测的稳定性与准确性。在融合方面，本研究的DEM融合模型(DemFusion)采用空间自相关分析与KD-Tree聚类计算最优融合权重，有效整合了来自多个DEM源互补的高程信息。本研究采用四种广泛使用的全球DEM进行MDJP框架评估—航天飞机雷达地形任务(SRTM)、先进星载热发射和反射辐射计全球数字高程模型(ASTER GDEM)、TerraSAR-X数字高程测量附加模块(TanDEM-X)以及先进陆地观测卫星世界3D-30 m(AW3D30)，分辨率均为1弧秒(约30 m)。冰、云和陆地高程卫星-2(ICESat-2)高程数据作为独立参考数据集进行评估。在广东省(中国)和澳大利亚北部地区的实验结果表明，DemFormer模型使TanDEM-X、AW3D30、SRTM和ASTER的均方根误差(RMSE)分别降低了18.38%、17.28%、54.53%和65.24%。此外，DemFusion模型进一步优化了结果，融合后的DEM在广东省和澳大利亚北部地区的精度均优于其他DEM。这些发现强调了本研究方法的有效性，并为DEM校准与融合建立了新的基准，对地理空间分析与环境监测具有重要启示意义。
Keyword:
Digital Elevation Model (DEM)
Large and complex region
Deep learning
DEM accuracy enhancement
期刊
IF:
8.6
论文数:
5.3K
被引数:
2.4W
机构
引用论文
.png){kind=icon}
The Ice, Cloud, and Land Elevation Satellite-2 mission: A global geolocated photon product derived from the Advanced Topographic Laser Altimeter System冰，云和陆地高程卫星-2任务: 从高级地形激光测高仪系统获得的全球地理定位光子产品
OAAI
OAAI分享收藏Performance evaluation of GEDI and ICESat-2 laser altimeter data for terrain and canopy height retrievalsGEDI和ICESat-2激光高度计数据用于地形和冠层高度检索的性能评估OAAI
OAAI分享收藏Novel Approach for Ranking DEMs: Copernicus DEM Improves One Arc Second Open Global TopographyDEM排名的新颖方法: 哥白尼DEM改善了一弧秒开放的全球地形
OAAI
OAAI分享收藏Generation of high-quality digital elevation models by assimilation of remote sensing-based DEMs
PREAI
分享收藏
查看更多内容