基于随机森林回归模型的数字高程模型改正方法和装置

1.本发明涉及星载激光测高改正技术领域，尤其是涉及基于随机森林回归模型的数字高程模型改正方法和装置。


背景技术：

2.全球数字高程模型是球科学研究与应用的重要组成部分之一，其高程精度提升问题，一直受到了国内外研究学者的广泛关注。其中，采用具有测距精度高、覆盖范围广等特点的星载激光测高技术，对全球高程模型的高程精度进行提升的研究，是解决该问题的重要策略之一。在以往的研究中，主要包含两种方法：1)以星载激光测高的足印高程作为高程控制点，在数字高程模型的生产过程中，辅助主数据源以提升其精度；2)以星载激光高程的足印高程作为高程参考，直接对已生成的数字高程模型的高程进行修正，以提升其精度。
3.其中，第一种方法的数据处理步骤繁杂且数据处理量较大，特别是在全球区域内，同时由于数字高程模型存在数据源多样而需混合采用不同的修正策略，导致处理量进一步增加；不同于第一种方法，第二种方法的数据处理灵活，近年来受到学界的广泛青睐。关于第二种方法的以往研究主要采用icesat卫星的激光测高数据，由于受限于该卫星的探测方式、分辨率等因素，这些研究更侧重于对典型的区域，如植被，极地等进行数字高程模型的高程改正。
4.随着星载激光测高技术的发展，icesat-2卫星采用了不同于icesat卫星的波形能量检测技术的新一代的星载激光测高技术——单光子检测技术，将有望进一步发挥星载激光测高技术在该领域的应用潜力。然而，由于该卫星发射较晚，目前现有的数字高程模型的高程改正方法仅侧重于对地面沿轨附近区域(30m)的部分进行修正。


技术实现要素：

5.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于随机森林回归模型的数字高程模型改正方法和装置，以期突破以往方法在地面沿轨邻近区域对数字高程模型进行高程改正的局限性，从而进一步提升星载激光测高技术在该领域的应用潜力。
6.本发明的目的可以通过以下技术方案来实现：
7.一种基于随机森林回归模型的数字高程模型改正方法，包括：将数字高程模型载入预先构建并训练好的高程改正回归模型中，对数字高程模型中的高程进行修改，得到改正后的数字高程模型；
8.所述高程改正回归模型基于随机森林算法构建，
9.所述高程改正回归模型的训练过程包括：从卫星足印地形高程数据中选取用于参考的地理位置，获取数字高程模型，从该数字高程模型中，选取与所述地理位置的距离在第一距离范围以内区域的高程数据，并与卫星足印地形高程数据进行高程比较，得到高程差值作为数字高程模型的高程改正量；
10.采用高程改正量和根据所述数字高程模型构建的评估属性，对基于随机森林算法构建的高程改正回归模型进行训练，所述评估属性包括数字高程模型所分布区域内的地表覆盖因素、地形特征因素、空间分布因素以及模型的数据源质量因素。
11.进一步地，所述地表覆盖因素为采用全球地表覆盖数据表征数字高程模型所分布区域内的地表。
12.进一步地，所述地形特征因素为在预设的第一窗口内数字高程模型的坡度、粗糙度、坡向、曲率和高程统计值。
13.进一步地，所述空间分布因素为以预设的第一区域内数字高程模型的平面地理坐标在x和y方向的最小值，以及高程最小值作为零点坐标参考，计算出的数字高程模型各个像素点相对该零点坐标的三维坐标。
14.进一步地，所述模型的数据源质量因素为根据数字高程模型附带的质量产品文件获取的数据源质量。
15.进一步地，所述第一距离的取值在10-20m范围以内。
16.进一步地，所述对数字高程模型中的高程进行修改具体为：
17.对数字高程模型中坡度小于25度的部分进行高程修改。
18.本发明还提供一种基于随机森林回归模型的数字高程模型改正装置，包括：
19.模型构建和训练模块，被配置为，基于随机森林算法构建高程改正回归模型；
20.所述高程改正回归模型的训练过程包括：从卫星足印地形高程数据中选取用于参考的地理位置，获取数字高程模型，从该数字高程模型中，选取与所述地理位置的距离在第一距离范围以内区域的高程数据，并与卫星足印地形高程数据进行高程比较，得到高程差值作为数字高程模型的高程改正量；
21.采用高程改正量和根据所述数字高程模型构建的评估属性，对基于随机森林算法构建的高程改正回归模型进行训练，所述评估属性包括数字高程模型所分布区域内的地表覆盖因素、地形特征因素、空间分布因素以及模型的数据源质量因素；
22.数字高程模型改正模块，将数字高程模型载入训练好的高程改正回归模型中，对数字高程模型中的高程进行修改，得到改正后的数字高程模型。
23.进一步地，所述地表覆盖因素为采用全球地表覆盖数据表征数字高程模型所分布区域内的地表；
24.所述地形特征因素为在预设的第一窗口内数字高程模型的坡度、粗糙度、坡向、曲率和高程统计值；
25.所述空间分布因素为以预设的第一区域内数字高程模型的平面地理坐标在x和y方向的最小值，以及高程最小值作为零点坐标参考，计算出的数字高程模型各个像素点相对该零点坐标的三维坐标；
26.所述模型的数据源质量因素为根据数字高程模型附带的质量产品文件获取的数据源质量。
27.进一步地，所述第一距离的取值在10-20m范围以内；
28.所述对数字高程模型中的高程进行修改具体为：
29.对数字高程模型中坡度小于25度的部分进行高程修改。
30.与现有技术相比，本发明具有以下优点：
31.本发明提出了一种基于随机森林回归模型的数字高程模型改正方法，以期突破以往方法在地面沿轨邻近区域对数字高程模型进行高程改正的局限性。通过分别使用srtm产品和icesat-2卫星的atl08产品作为数字高程模型实验数据和星载激光测高实验数据，并以from-glc10产品和gfcc30tc产品作为辅助数据，以及采用机载lidar数据作为高程精度验证数据，对所提出的方法进行验证。实验结果表明，经过本发明所提出的方法，高程改正后的srtm产品在平地、丘陵、山地区域内的精度均明显提升，精度提升的比例29-42％。
附图说明
32.图1为本发明实施例中提供的一种基于随机森林回归模型的数字高程模型改正方法的流程示意图；
33.图2为本发明实施例中提供的一种提取结果分析示意图。
具体实施方式
34.为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
35.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
36.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
37.在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
38.需要说明的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
39.此外，术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
40.实施例1
41.本实施例提供一种基于随机森林回归模型的数字高程模型改正方法，包括：将数字高程模型载入预先构建并训练好的高程改正回归模型中，对数字高程模型中的高程进行修改，得到改正后的数字高程模型；
42.高程改正回归模型基于随机森林算法构建，
43.高程改正回归模型的训练过程包括：从卫星足印地形高程数据中选取用于参考的地理位置，获取数字高程模型，从该数字高程模型中，选取与地理位置的距离在第一距离范围以内区域的高程数据，并与卫星足印地形高程数据进行高程比较，得到高程差值作为数字高程模型的高程改正量，第一距离的取值在10-20m范围以内；
44.采用高程改正量和根据数字高程模型构建的评估属性，对基于随机森林算法构建的高程改正回归模型进行训练，评估属性包括数字高程模型所分布区域内的地表覆盖因素、地形特征因素、空间分布因素以及模型的数据源质量因素。
45.作为一种优选的实施方式，地表覆盖因素为采用全球地表覆盖数据表征数字高程模型所分布区域内的地表。
46.相当于，地表覆盖因素可以采用开源的全球地表覆盖数据进行表征，这些数据主要包括了globeland30、from-glc10等。特别地，作为地表覆盖影响因素中重要的一类地表，植被覆盖对数字高程模型的高程精度的影响程度需要进一步进行评估。
47.作为一种优选的实施方式，地形特征因素为在预设的第一窗口内数字高程模型的坡度、粗糙度、坡向、曲率和高程统计值。
48.相当于，地形特征因素主要可以以特定窗口内(如3
×
3像素)的坡度、粗糙度(高程变异系数)、坡向、曲率、高程统计值(高程最小值、高程最大值、高程中位数、高程均值等)，对数字高程模型的高程精度的影响程度进行评估。
49.作为一种优选的实施方式，空间分布因素为以预设的第一区域内数字高程模型的平面地理坐标在x和y方向的最小值，以及高程最小值作为零点坐标参考，计算出的数字高程模型各个像素点相对该零点坐标的三维坐标。
50.相当于，空间分布可以以特定区域内(如1
°×1°
经纬度)的数字高程模型的平面地理坐标在x和y方向的最小值，以及高程最小值作为零点坐标参考，计算出模型各个像素点的相对该零点坐标的三维坐标作为空间分布对数字高程模型的高程精度的影响程度的评估属性。
51.作为一种优选的实施方式，模型的数据源质量因素为根据数字高程模型附带的质量产品文件获取的数据源质量。
52.相当于，数字高程模型的数量源质量因素则可以以数字高程模型附带的质量产品文件作为评估属性。
53.本实施例中，在构建完上述评估属性后，采用高质量的icesat-2(ice,cloud and land elevation satellite)卫星足印地形高程的地理位置为参考，从数字高程模型中，遴选出离这些地理高程最近距离(《15m)的部分，并将该部分高程与icesat-2卫星足印地形高程进行比较，以两者的高程差值作为数字高程模型的高程改正量。在这个过程中，高质量的icesat-2卫星足印地形高程可以通过一种基于评估标签的星载单光子激光测高高程控制点提取方法，即文献a method of extracting high-accuracy elevation control points from icesat-2 altimetry data(li b.,xie h.,tong x.,et al.photogrammetric engineering&remote sensing,2021b,84(9):579
–
589)进行处理获得。
54.最后，将上述评估属性与高程改正量，采用随机森林算法进行训练，获得数字高程
模型的高程改正回归模型，并通过该改正回归模型，对其他数字高程模型剩余部分进行高程改正。考虑到高质量的icesat-2卫星足印地形高程的分布区域为坡度小于25度，为了保证数字高程模型高程改正的准确性，只对数字高程模型剩余部分中满足坡度小于25度的部分，进行高程改正。
55.综上所示，基于上述评估标签，本实施例所提出的基于随机森林回归模型的数字高程模型高程改正方法的流程图如图1所示。
56.本实施例还提供一种基于随机森林回归模型的数字高程模型改正装置，包括：
57.模型构建和训练模块，被配置为，基于随机森林算法构建高程改正回归模型；
58.高程改正回归模型的训练过程包括：从卫星足印地形高程数据中选取用于参考的地理位置，获取数字高程模型，从该数字高程模型中，选取与地理位置的距离在第一距离范围以内区域的高程数据，并与卫星足印地形高程数据进行高程比较，得到高程差值作为数字高程模型的高程改正量；
59.采用高程改正量和根据数字高程模型构建的评估属性，对基于随机森林算法构建的高程改正回归模型进行训练，评估属性包括数字高程模型所分布区域内的地表覆盖因素、地形特征因素、空间分布因素以及模型的数据源质量因素；
60.数字高程模型改正模块，将数字高程模型载入训练好的高程改正回归模型中，对数字高程模型中的高程进行修改，得到改正后的数字高程模型。
61.各模块均可包括存储器和处理器，存储器存储有计算机程序，处理器调用计算机程序执行如上所示的配置方法的步骤。
62.地表覆盖因素为采用全球地表覆盖数据表征数字高程模型所分布区域内的地表；
63.地形特征因素为在预设的第一窗口内数字高程模型的坡度、粗糙度、坡向、曲率和高程统计值；
64.空间分布因素为以预设的第一区域内数字高程模型的平面地理坐标在x和y方向的最小值，以及高程最小值作为零点坐标参考，计算出的数字高程模型各个像素点相对该零点坐标的三维坐标；
65.模型的数据源质量因素为根据数字高程模型附带的质量产品文件获取的数据源质量。
66.第一距离的取值在10-20m范围以内；
67.对数字高程模型中的高程进行修改具体为：
68.对数字高程模型中坡度小于25度的部分进行高程修改。
69.实验结果与讨论：
70.为了验证本实施例所提出的方法，本实施例选择了新西兰北奥克兰及其附近的陆地区域(经度：东经174
°‑
175
°
；纬度：南纬36
°‑
37
°
)作为研究区域。研究区域内以srtm产品和icesat-2卫星的atl08产品作为数字高程模型实验数据和星载激光测高实验数据。srtm产品的空间分辨率为30m，可提供覆盖北纬60度至南纬56度之间的所有全球陆地区域。在atl08产品中，沿轨距离间隔的长度为100m，位于非水域的每个沿轨距离间隔内中心位置的最佳拟合地形高程(简称“地形高程”)作为数字高程模型的高程改正参考。在构建评估属性过程中，from-glc10产品和gfcc30tc产品作为辅助数据以生成地表覆盖评估属性。约占研究区域陆地面积一半分布比例的机载lidar数据，作为高程精度验证数据，其垂直精度优于
10cm，点密度约为12pts/m2。
71.依据本实施例所提出的方法，对研究区域的srtm产品的高程进行高程改正，并以研究区域内的机载lidar数据对改正结果进行验证分析，结果如图2所示所示。
72.从图2可以看出，经过本实施例所提出的方法，高程改正后的srtm产品在平地、丘陵、山地区域内的精度均明显提升，精度提升的比例29-42％。
73.结论：
74.本实施例提出了一种基于随机森林回归模型的数字高程模型高程改正方法，以期突破以往方法在地面沿轨邻近区域对数字高程模型进行高程改正的局限性。通过分别使用srtm产品和icesat-2卫星的atl08产品作为数字高程模型实验数据和星载激光测高实验数据，并以from-glc10产品和gfcc30tc产品作为辅助数据，以及采用机载lidar数据作为高程精度验证数据，对所提出的方法进行验证。实验结果表明，经过本实施例所提出的方法，高程改正后的srtm产品在平地、丘陵、山地区域内的精度均明显提升，精度提升的比例29-42％。
75.以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。