基于PSO-DBN模型的植被山区SRTMDEM校正方法

本发明涉及一种srtm dem校正方法，尤其涉及一种基于pso-dbn模型的植被山区srtm dem校正方法。

背景技术：

1、数字高程模型(dem)是一种用于表示地表高程的数学模型，在地理信息系统和遥感领域中被广泛应用作为重要数据源，主要用于地形调查，水文模拟，森林资源管理，灾害评估等领域。dem产品主要有两种获取方式：第一种是通过光学传感器获取。通过这种方式获得的dem产品包括aster(advanced spaceborne thermal emission and reflectionradiometer)dem、alos(advanced land observing satellite)aw3d30(world 3d-30m)dem等。这些dem因传感器具有最低点视图，可以更准确地捕捉陡峭的斜坡，但易受云层、薄雾、纹理缺少等因素干扰(mukul,m.；srivastava,v.；mukul,m.accuracy analysis of the2014–2015global shuttle radar topography mission(srtm)1arc-sec c-band heightmodel using international global navigation satellite system service(igs)network.jearth syst sci 2016,125,909–917,doi:10.1007/s12040-016-0716-8.)。第二种是通过合成孔径雷达干涉测量(insar)获取。insar dem具有全天候、穿透能力强、精度高、速度快等特点，但受限于雷达侧视成像模式，仍有空隙和异常，如srtm(shuttle radartopography mission)dem、tandem-x dem和copernicus dem。

2、srtm dem是首个近全球高空间分辨率的dem产品，其数据具有可公开获取、精度高、更新及时、覆盖范围广的优点，因此已成为许多研究者和应用者首选的dem数据源之一。然而，由于受到雷达侧视成像和波段穿透性等因素的影响，srtm dem在林区垂直误差大、精度低(li,h.；zhao,j.；yan,b.；yue,l.；wang,l.global dems vary from one to another:an evaluation of newly released copernicus,nasa and aw3d30 dem on selectedterrains of china using icesat-2 altimetry data.international journal ofdigital earth 2022,15,1149–1168,)。提高植被覆盖区srtm dem的垂直精度对于森林树高的计算、森林生物量估算及森林碳储量监测等应用具有重要意义。近些年来，融合多源高程数据来校正srtm dem的误差成为主流方法，根据融合的高程数据的不同，可分为面面数据融合和点面数据融合。面面数据融合指的是将srtm dem与多种高精度dem融合。如采用垂直分辨率为1m的高精度dem数据和前馈神经网络(feedforward neural network,fnn)，生成训练模型校正srtm dem(wendi,d.；liong,s.-y.；sun,y.；doan,c.d.an innovativeapproach to improve srtm dem using multispectral imagery and artificialneural network:an innovative approach to improve srtm.j.adv.model.earthsyst.2016,8,691–702)。融合aster dem和srtm dem数据来提高缺少参考数据的山区地形精度(pham,h.t.；marshall,l.；johnson,f.；sharma,a.a method for combining srtmdem and aster gdem2 to improve topography estimation in regions withoutreference data.remote sensing of environment 2018,210,229–241,doi:10.1016/j.rse.2018.03.026.)。面面数据融合方法需要高精度dem控制数据作为基准。因此，由于调查成本昂贵且仅适用于实验区土地覆盖类型相似的地方，使得面面数据融合方法不适用于大范围误差校正。点面数据融合指的是融合高精度高程控制点数据与srtm dem数据，以提升srtm dem的精度。常用的一种方法是建立植被、地形等影响因素与srtm dem误差之间的回归模型。然而这些模型只能简单地拟合特定形式的函数，并不能很好的反映影响因素和误差之间存在的非线性关系。另一种方法是采用机器学习校正srtm dem。如集成多种机器学习算法来提高srtm dem的精度(ouyang,z.；zhou,c.；xie,j.；zhu,j.；zhang,g.；ao,m.srtm dem correction using ensemble machine learning algorithm.remotesensing 2023,15,3946,doi:10.3390/rs15163946.)。使用srtm dem减去随机森林(rf)模拟的森林高度，来校正林区srtm dem(hawker,l.；uhe,p.；paulo,l.；sosa,j.；savage,j.；sampson,c.；neal,j.a 30m global map of elevation with forests and buildingsremoved.environ.res.lett.2022,17,024016)。

3、目前人工神经网络作为机器学习的主流算法已被广泛用于林区srtm dem的校正。li,y.提出一种基于反向传播神经网络(bp-ann)校正林区dem的方法，考虑高程空间自相关，从不同森林类型的dem中去除植被偏置(li,y.；li,l.；chen,c.；liu,y.correction ofglobal digital elevation models in forested areas using an artificial neuralnetwork-based method with the consideration of spatialautocorrelation.international journal of digital earth 2023,16,1568–1588)。然而，使用ann算法可能会遇到梯度消失或者梯度爆炸的问题，由此产生的模型常常存在鲁棒性不足和泛化能力较差的问题。dbn神经网络是一种由多层受限玻尔兹曼机(rbm)组成的深度神经网络，它能够通过无监督的逐层预训练的方法来初始化网络的权重参数，从而避免了随机初始化可能导致的梯度消失或梯度爆炸的问题(chen,y.；zhao,x.；jia,x.spectral–spatial classification of hyperspectral data based on deep beliefnetwork.ieeej.sel.top.appl.earth observations remote sensing 2015,8,2381–2392.)。岳林蔚(岳林蔚；沈焕锋；袁强强；刘修国；基于深度置信网络的多源dem点面融合模型.武汉大学学报(信息科学版)2021,1090–1097,doi:10.13203/j.whugis20190238.)提出一种基于深度置信网络(deep belief networks,dbn)的点面融合模型，在dbn的框架下考虑地形坡度、地表覆盖和空间位置信息等因素对dem高程误差的影响，建立dem误差校正模型，用于提升数据精度，解决数据空洞、噪声、异常值等问题。但是dbn模型本身受参数影响较大，如不适当的网络参数会导致学习收敛于局部最优解。而且，dbn的层数和节点数也需要人为地设定，这可能会导致模型过拟合。

技术实现思路

1、本发明要解决的技术问题是克服现有技术的不足，提供一种能够提升数据精度的基于pso-dbn模型的植被山区srtm dem校正方法。

2、为解决上述技术问题，本发明提出的技术方案为：一种基于pso-dbn模型的植被山区srtm dem校正方法，包括以下步骤：

3、1)对获取的原始数据进行预处理，所述原始数据包括预设林区的原始srtm dem数据、预设区域的icesat-2atl08数据、landsat-8源数据、globeland30数据、glc_fcs30数据；

4、2)使用dbn网络结构对原始数据进行训练，输入数据是包括经度、纬度、坡度、坡向、ndvi、土地覆盖类型在内的6个与地形和植被相关的误差影响因素，这也是dbn的输入层；将icesat-2 atl08与srtm dem的高程误差值作为输出层数据；在训练过程中使用pso优化dbn的超参数，得到pso-dbn模型算法；

5、3)使用pso-dbn模型算法校正预设林区的srtm dem。

6、上述的基于pso-dbn模型的植被山区srtm dem校正方法，优选的，所述预处理包括统一icesat-2 atl08与srtm dem的平面基准和高程基准，剔除srtm dem与高程控制点的误差绝对值大于50m的高程点，结合srtm dem数据中存储的激光点属性信息进行精细化筛选，剔除地形、植被覆盖因素中存在的空洞和异常值。

7、上述的基于pso-dbn模型的植被山区srtm dem校正方法，优选的，所述步骤2)中使用dbn网络结构对原始数据进行训练包括贪婪预训练和整体微调；所述贪婪预训练包括以下步骤：

8、①建立2个rbm网络结构；rbm是由可见层(第一层)和隐藏层(第二层)组成的双层神经网络，用于无监督学习和特征提取；

9、②多组rbm通过逐层贪婪预训练方法优化rbm的节点权重；

10、i将输入数据输入rbm1的可见层中，生成一个向量v，再通过权值w1传递至隐藏层，得到h1层的值；

11、ii使用当前层的隐藏层h1作为输入，再次进行反向传播，更新隐藏层h1到可见层v之间的权重w1，再将rbm1的隐藏层h1作为下一层rbm2的可见层；

12、iii重复上述步骤，进行逐层的预训练操作，直到所有层都被预训练完成。

13、上述的基于pso-dbn模型的植被山区srtm dem校正方法，优选的，所述整体微调是从rbm网络结构的bp层开始依次向前，使用监督学习方法将训练数据的标签与网络输出进行比较，计算误差；根据误差信息，采用梯度下降算法调整dbn的权重和偏置项，以获取当前数据与网络模型下的最优参数。

14、上述的基于pso-dbn模型的植被山区srtm dem校正方法，优选的，所述训练过程中使用pso优化dbn的超参数包括以下步骤：

15、a在训练dbn网络之前，定义pso的搜索空间和参数；

16、b选择均方根误差rmse作为模型的适应度函数，利用公式(1)计算各个粒子的位置对应的适应度值，即当前隐藏层节点数和学习率构成的dbn模型的预测结果的误差rmse；

17、

18、式中n为样本总数目；p、q分别为当前超参数下dbn模型的误差预测值、srtm dem与对应控制点的高程误差值。

19、c比较各粒子的适应度值ffitness和自身个体极值pbest的大小；若粒子当前的适应度值ffitness小于个体极值pbest，则将其赋给个体极值pbest，反之保持pbest不变；然后比较粒子群中所有粒子的个体极值pbest与群体极值gbest，若存在个体极值pbest小于群体极值gbest，则将其赋给群体极值gbest，反之保持gbest不变。

20、d在每次迭代中，粒子通过跟踪个体极值pbest和群体极值gbest更新个体速度和位置，进而不断更新dbn的超参数。粒子每更新一次位置，就计算一次适应度值，并且通过比较新粒子的适应度值和个体极值、群体极值的适应度值，来更新个体极值pbest和群体极值gbest位置，从而得到dbn网络超参数的全局最优解；

21、粒子的速度和位置更新方程分别如公式(2)和(3)所示：

22、

23、

24、其中ω代表粒子的惯性权值，用于调节解空间的搜索范围；c1、c2是学习因子，用来调节学习的步长；r1与r2是随机数，其值范围为[0,1]；i表示第i个粒子,m代表变量的维度,t为迭代次数；是粒子i第t次迭代的第m维的速度；是个体最优值的坐标，由粒子i在第t次迭代的第m维找到；是全局最优解的位置，由整个粒子群在第t次迭代的第m维找到。

25、与现有技术相比，本发明的优点在于：本发明的基于pso-dbn模型的植被山区srtmdem校正方法，即利用粒子群算法(particle swarm optimization,pso)来寻找最优的dbn模型超参数组合，包括隐藏层神经元个数、学习率，以提升dbn网络模型的性能。实验结果表明，经本发明的校正方法校正之后，srtm dem平均误差(me)和均方根误差(rmse)能够分别下降了93.5％-96.0％和21.5％-23.5％，地形复杂区的精度提升超过了26.1％。在阔叶林区，pso-dbn和dbn校正的srtm dem的精度分别提升26.2％和15.3％；针叶林区，分别为14.8％和5.8％。