CN108038086B - 一种基于像素尺度的dem数据误差评价与校正方法 - Google Patents

一种基于像素尺度的dem数据误差评价与校正方法 Download PDF

Info

Publication number
CN108038086B
CN108038086B CN201711463078.7A CN201711463078A CN108038086B CN 108038086 B CN108038086 B CN 108038086B CN 201711463078 A CN201711463078 A CN 201711463078A CN 108038086 B CN108038086 B CN 108038086B
Authority
CN
China
Prior art keywords
data
error
dem
point data
dem data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711463078.7A
Other languages
English (en)
Other versions
CN108038086A (zh
Inventor
赵尚民
章诗芳
关瑜晴
贾蓓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taiyuan University of Technology
Original Assignee
Taiyuan University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN201711463078.7A priority Critical patent/CN108038086B/zh
Publication of CN108038086A publication Critical patent/CN108038086A/zh
Application granted granted Critical
Publication of CN108038086B publication Critical patent/CN108038086B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/18Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于像素尺度的DEM数据误差评价与校正方法,通过充分利用DEM数据误差与地表形态特征数据间的关系,将基于原始DEM数据与高精度高程点数据得到的误差点数据进行分类,得到建模点和检核点两种数据,基于建模点数据的高程误差与地表形态特征数据建立回归模型,利用回归模型建立DEM数据误差与地表形态特征数据间的定量关系,进而定量获得基于像素尺度的DEM数据的误差分布,并基于检核点数据对原始DEM数据进行校正,最终实现对原始DEM数据的误差评价与精度校正,从而提高了DEM数据应用的可靠性,具有很好的推广前景。

Description

一种基于像素尺度的DEM数据误差评价与校正方法
技术领域
本发明涉及遥感技术与测绘学技术领域,更具体的说是涉及一种基于像素尺度的DEM数据误差评价与校正方法。
背景技术
目前,随着DEM数据的快速发展和精度的不断提高,其应用领域也在不断拓展和深化,Miller于1958年提出DEM时,主要用于高速公路的自动设计,到现在广泛应用于测绘、水文、气象、地貌、地质、土壤、土地利用、工程建设、通讯和军事等国民经济和国防建设以及人文和自然科学领域,DEM数据应用的可靠性取决于它的精度情况。
但是,传统的DEM数据精度评价主要依赖于更高精度的DEM数据或采样点获取实验区的DEM整体误差特征,而由于地表特征的差异,DEM数据在不同位置的误差情况是不同的,这样就会造成实验区DEM整体误差的增大,从而使DEM数据在应用时的可靠性下降。
因此,如何减小DEM数据处理时的误差保证其精度,是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于像素尺度的DEM数据误差评价与校正方法,通过建立DEM数据点误差与地表形态特征数据间的回归模型,获取DEM数据在像素尺度上的误差分布,进而获得经过校正的DEM数据,从而使其精度得到大幅度的提高。
为了实现上述目的,本发明采用如下技术方案:
一种基于像素尺度的DEM数据误差评价与校正方法,所述误差评价与校正方法基于区域内的原始DEM数据、高程点数据以及地表形态特征数据来进行,包括以下步骤:
步骤1:根据原始DEM数据和高程点数据,以高程点数据作为控制点,通过将二者相减得到误差点数据,作为DEM数据精度评价与误差校正的基础数据。
步骤2:将误差点数据通过交叉验证方式或随机采样方式分为两类,分别为检核点数据和建模点数据,建模点数据用来建立高程误差分布与地表形态特征数据之间的回归方程,检核点用来评价原始DEM数据与校正后的高程数据间的精度,从而得到校正的效果。
步骤3:将建模点数据与地表特征数据进行叠加,得到具有高程误差值与地表形态特征值属性的建模点数据。
步骤4:基于具有高程误差值与地表形态特征值属性的建模点数据,建立高程误差值与地表形态特征值之间的回归方程,用以表示DEM数据误差与地表形态特征数据之间的定量关系。
步骤5:基于地表形态特征数据和回归方程,将地表形态特征数据以原始高程点数据的像素为尺度进行重新采样,获得像素尺度的原始DEM数据误差分布。
步骤6:将基于像素尺度的原始DEM数据误差分布与原始DEM数据进行叠加,获得经过校正的原始DEM数据。
步骤7:基于检核点数据,分别对原始DEM数据和经过校正的原始DEM数据进行精度评价和对比,获得校正后的精度提高量。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于像素尺度的DEM数据误差评价与校正方法,通过建立DEM数据点位误差与地表形态特征间的回归模型,获取DEM数据在像素尺度上的误差分布,从而对原始DEM数据进行校正,并最终实现对原始DEM数据的误差评价与精度校正。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的误差评价与校正流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种基于像素尺度的DEM数据误差评价与校正方法,通过建立DEM数据误差与地表特征数据间的回归模型,进而获得DEM数据在像素尺度上的误差分布,进而获得经过校正的DEM数据,从而使其精度得到大幅度提高。
DEM即数字高程模型,它是用一组有序数值阵列形式表示地面高程的一种实体地面模型,通过有限的地形高程数据实现对地面地形的数字化模拟。
结合附图1,在本发明的一具体实施例中,以陕北高原为实验区,其地表形态特征数据包括地形特征(海拔、坡度、坡向和起伏度)、NDVI(植被覆盖指数)和土地利用数据;STRM DEM数据作为原始DEM数据;将ICESat/GLA14数据作为高程点数据;其具体实施方法为:
步骤1:误差点获取,将ICESat/GLA14数据进行处理,获得具有较高精度和质量的ICESat/GLA14高程点数据,用ICESat/GLA14数据点的高程值减去对应位置的STRM DEM数据高程值,从而得到误差点数据,共计有245337个点的数据。
步骤2:误差点分类,按照交叉验证方式将误差点分为两类,分别为检核点117831个,建模点127506个。
在实现过程中,还可以通过随机采样方式将误差点分为检核点和建模点两类。但不限于本发明中提到的交叉验证方式和随机采样方式,还可以为其他合理的方式。
步骤3:建模点数据处理,将建模点数据与地表形态特征数据进行叠加,得到具有高程误差值与地表形态特征值属性的建模点数据。
步骤4:回归模型建立,基于具有高程误差值与地表形态特征值属性的建模点数据,通过对回归系数的判断,确定高程误差与地表形态特征数据之间的回归模型,在本实验区中确定的回归模型为多元线性回归模型,以此来定量表达高程误差与地表形态特征数据间的回归关系。
步骤5:基于像素尺度的STRM DEM数据误差分布,将地表形态特征数据按照STRMDEM数据的像素大小(30m)进行采样,并基于回归模型和地表特征数据,获得30m像素的STRMDEM误差分布。
步骤6:STRM DEM校正数据的获得,将STRM DEM数据与STRM DEM误差分布数据进行叠加,得到经过校正后的STRM DEM数据。
步骤7:STRM DEM校正数据的精度评价,基于检核点数据,分别对STRMDEM数据与校正后的STRM DEM数据精度进行评价,结果表明:与STRMDEM数据相比,校正后的STRM DEM数据的均方根误差(RMSE)由20.6m提高到9.4m。
综上所述,本发明提供一种基于像素尺度的DEM数据误差评价与校正方法,通过充分利用DEM数据误差与地表特征数据间的关系,将误差点数据分为建模点和检核点两种数据,利用建模点的高程误差与地表特征数据建立回归模型,并利用回归模型建立DEM数据误差与地表形态特征数据将的定量关系,进而定量获取基于像素尺度的DEM数据的误差分布,从而对原始DEM数据进行校正,并基于检核点的数据最终实现对原始DEM数据的误差评价和精度校正。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (2)

1.一种基于像素尺度的DEM数据误差评价与校正方法,其特征在于,所述误差评价与校正方法基于区域内的原始DEM数据、高程点数据以及地表形态特征数据进行,包括以下步骤:
步骤1:根据原始DEM数据和高程点数据,以高程点数据作为控制点,得到误差点数据;
步骤2:将误差点数据分为两类,分别为检核点数据和建模点数据;
步骤3:将建模点数据与地表形态特征数据进行叠加,得到具有高程误差值与地表形态特征值属性的建模点数据;
步骤4:基于具有高程误差值与地表形态特征值属性的建模点数据,建立高程误差值与地表形态特征值之间的回归方程;
步骤5:基于地表形态特征数据和回归方程,将地表形态特征数据以原始DEM数据的像素为尺度进行重新采样,获得像素尺度的原始DEM数据误差分布;
步骤6:将基于像素尺度的原始DEM数据误差分布与原始DEM数据进行叠加,获得经过校正的原始DEM数据;
步骤7:基于检核点数据,分别对原始DEM数据和经过校正的原始DEM数据进行精度评价和对比,获得校正后的精度提高量。
2.根据权利要求1所述的一种基于像素尺度的DEM数据误差评价与校正方法,其特征在于,所述步骤2中的误差点数据通过交叉验证方式或随机采样方式分为检核点数据和建模点数据。
CN201711463078.7A 2017-12-28 2017-12-28 一种基于像素尺度的dem数据误差评价与校正方法 Active CN108038086B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711463078.7A CN108038086B (zh) 2017-12-28 2017-12-28 一种基于像素尺度的dem数据误差评价与校正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711463078.7A CN108038086B (zh) 2017-12-28 2017-12-28 一种基于像素尺度的dem数据误差评价与校正方法

Publications (2)

Publication Number Publication Date
CN108038086A CN108038086A (zh) 2018-05-15
CN108038086B true CN108038086B (zh) 2021-08-10

Family

ID=62097749

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711463078.7A Active CN108038086B (zh) 2017-12-28 2017-12-28 一种基于像素尺度的dem数据误差评价与校正方法

Country Status (1)

Country Link
CN (1) CN108038086B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111322978B (zh) * 2019-11-08 2021-02-02 北京航空航天大学 一种非理想平面装配偏差的计算方法
CN111812600B (zh) * 2020-06-29 2023-09-08 中南林业科技大学 一种自适应地形相关的srtm-dem校正方法
CN116518916A (zh) * 2023-01-19 2023-08-01 昆明理工大学 一种基于卫星测高数据评价dem精度的方法、系统及计算机

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103063200A (zh) * 2012-11-28 2013-04-24 国家测绘地理信息局卫星测绘应用中心 高分辨率光学卫星正射纠正影像生成方法
CN103295202A (zh) * 2013-06-07 2013-09-11 中国科学院新疆生态与地理研究所 一种面向高山地区的遥感影像几何纠正方法
CN105929398A (zh) * 2016-04-20 2016-09-07 中国电力工程顾问集团中南电力设计院有限公司 结合外控点的InSAR高精度高分辨率DEM获取方法
CN106059409A (zh) * 2016-05-27 2016-10-26 北京航空航天大学 一种无位置传感器无刷直流电机转子换相误差校正方法及控制系统
CN206038069U (zh) * 2016-08-31 2017-03-22 王培宇 超声波燃气表

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103063200A (zh) * 2012-11-28 2013-04-24 国家测绘地理信息局卫星测绘应用中心 高分辨率光学卫星正射纠正影像生成方法
CN103295202A (zh) * 2013-06-07 2013-09-11 中国科学院新疆生态与地理研究所 一种面向高山地区的遥感影像几何纠正方法
CN105929398A (zh) * 2016-04-20 2016-09-07 中国电力工程顾问集团中南电力设计院有限公司 结合外控点的InSAR高精度高分辨率DEM获取方法
CN106059409A (zh) * 2016-05-27 2016-10-26 北京航空航天大学 一种无位置传感器无刷直流电机转子换相误差校正方法及控制系统
CN206038069U (zh) * 2016-08-31 2017-03-22 王培宇 超声波燃气表

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DEM数据在黄土高原典型地貌区的误差分布;赵尚民 等;《测绘科学》;20160228;第41卷(第2期);第67-70页 *
Using MLR to model the vertical error distribution of ASTER GDEM V2 data based on ICESat/GLA14 data in the Loess Plateau of China;Zhao S 等;《Z. Geomorphol》;20161231;第61卷;第9-26页 *

Also Published As

Publication number Publication date
CN108038086A (zh) 2018-05-15

Similar Documents

Publication Publication Date Title
Moudrý et al. On the use of global DEMs in ecological modelling and the accuracy of new bare-earth DEMs
Chen et al. A multiresolution hierarchical classification algorithm for filtering airborne LiDAR data
Jasiewicz et al. A new GRASS GIS toolkit for Hortonian analysis of drainage networks
Drăguţ et al. Automated object-based classification of topography from SRTM data
CN103363962B (zh) 一种基于多光谱影像的湖泊水储量遥感估算方法
CN108038086B (zh) 一种基于像素尺度的dem数据误差评价与校正方法
CN107330898B (zh) 植被垂直带定量刻划计算方法和系统
CN111340723B (zh) 一种地形自适应的机载LiDAR点云正则化薄板样条插值滤波方法
CN110134907B (zh) 一种降雨缺失数据填补方法、系统及电子设备
Newman et al. Comparing the effects of classification techniques on landscape-level assessments: pixel-based versus object-based classification
CN111091079A (zh) 基于tls的高寒脆弱区植被优势单株结构参数测定方法
Zhao et al. A comparison of LiDAR filtering algorithms in vegetated mountain areas
CN105893590B (zh) 一种用于数字地形分析建模知识案例化自动处理方法
CN112329265A (zh) 卫星遥感降水精细化空间估算方法及系统
Józsa et al. An evaluation of EU-DEM in comparison with ASTER GDEM, SRTM and contour-based DEMs over the Eastern Mecsek Mountains
CN114120101A (zh) 一种土壤水分多尺度综合感知方法
Paul et al. Evaluating sampling efforts of standard laboratory analysis and mid-infrared spectroscopy for cost effective digital soil mapping at field scale
CN113158899B (zh) 基于遥感夜光暗目标增强技术的村镇发展状态测度方法
Villoslada et al. Reindeer control over shrubification in subarctic wetlands: spatial analysis based on unoccupied aerial vehicle imagery
CN111539297B (zh) 一种高分辨率遥感影像道路信息半自动提取方法
CN113269030A (zh) 石漠化演变的遥感监测方法
Ayana et al. Land use change analysis using remote sensing and Markov modeling in Fincha watershed, Ethiopia
Pan et al. Remote sensing inversion of soil organic matter by using the subregion method at the field scale
CN110222742B (zh) 基于分层多回波的点云分割方法、装置、存储介质及设备
CN114882191B (zh) 数字高程模型生成方法、电子设备及计算机可读存储装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant