-
公开(公告)号:CN117332820A
公开(公告)日:2024-01-02
申请号:CN202311456586.8
申请日:2023-11-03
Applicant: 中南林业科技大学
IPC: G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 一种基于特征增强集成学习框架的SRTM DEM校正方法,包括以下步骤:1)通过FEB模块扩展特征数量;2)通过FRB模块增强特征;3)通过深度森林变体算法对SRTM DEM进行校正;增强的特征XB首先压缩成一个一维特征向量,称为XC={N×40},深度森林变体算法基于XC预测高程误差,并通过从原始SRTM DEM中减去预测误差来改进SRTM DEM精度;所述深度森林变体算法为通过自适应提升算法训练深度森林,自适应提升算法中对拟合质量和特征重要性进行自适应加权。本发明所提出的校正方法与五种传统典型的SRTM DEM校正算法相比可以增强SRTM DEM在复杂地形和植被条件下的精度。
-
公开(公告)号:CN117473215A
公开(公告)日:2024-01-30
申请号:CN202311383585.5
申请日:2023-10-24
Abstract: 本申请适用于获取地表数字高程模型技术领域,提供了一种基于重复轨道InSAR的DEM高频更新方法及设备,该方法包括:获取多个重复轨道SAR影像数据;解缠获取解缠相位矩阵;基于多轨道解缠相位矩阵构建观测方程组,获取观测方程组的初始解;对初始解进行稳健估计得到稳健权重矩阵;计算后验方差矩阵;利用后验方差矩阵对稳健权重矩阵更新得到权重矩阵,判断后验方差矩阵中元素是否相等,若是,权重矩阵作为最优权重矩阵,否则,权重矩阵作为初始权重矩阵,返回对初始解进行稳健估计得到稳健权重矩阵的步骤;利用最优权重矩阵估计第T个时刻的地形残差,与参考DEM相加,得到当前的DEM。该方法能够解决DEM更新准确性低的问题。
-
公开(公告)号:CN110310308A
公开(公告)日:2019-10-08
申请号:CN201910528152.1
申请日:2019-06-18
Applicant: 中南林业科技大学
Abstract: 近年来,所有的图像配准算法都是基于整景图像信息的配准,这样会花费大量的时间,特别是对于数据量巨大的遥感影像。这里提出一种新的基于子图的图像配准算法,这种算法在保证亚像素配准精度的前提下可以极大程度地减少配准时间。这个算法的中心思想是具有全局变换的图像对的变换模型通常与从原始图像划分的子图像的变换模型一致,反之亦然。因此,这个算法首先把参考图像划分为相同大小的子图,然后对每个子图进行小波分解,提取小波系数和最大的子图作为新的参考图像,接着利用小波变换和矩阵乘法离散傅里叶变换对待配准图像和参考子图。本发明和整个图配准一样能达到亚像素配准精度,且可以大量地缩短计算时间。
-
公开(公告)号:CN117745959A
公开(公告)日:2024-03-22
申请号:CN202311214770.1
申请日:2023-09-20
Abstract: 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:1)对获取的原始数据进行预处理;2)使用DBN网络结构对原始数据进行训练;在训练过程中使用PSO优化DBN的超参数,得到PSO‑DBN模型算法;3)使用PSO‑DBN模型算法校正预设林区的SRTM DEM。经本发明的基于PSO‑DBN模型的植被山区SRTM DEM校正方法校正之后,SRTM DEM平均误差和均方根误差能够分别下降了93.5%‑96.0%和21.5%‑23.5%,地形复杂区的精度提升超过了26.1%。
-
公开(公告)号:CN111812600B
公开(公告)日:2023-09-08
申请号:CN202010607023.4
申请日:2020-06-29
Applicant: 中南林业科技大学
Abstract: 一种自适应地形相关的SRTM‑DEM校正方法,包括以下步骤:1)构建与地理位置相关的线性模型来对全球趋势误差进行建模,即ftrend(E,N)=a0+a1sinE+a2cos(90°‑N) (1);2)基于BIC的局部地形误差校正模型的构建将与地形有关的误差fterrain构造为fterrain(S,A,Z)=a3H+fTF(S,A) (2);3)构建自适应地形相关的SRTMDEM校正模型ΔH=ftrend(E,N)+fterrain(S,A,H)+Δh+δ (4);4)利用模型参数的稳健估计值。相对于传统的SHM和MLE校正方法,本发明的校正方法的精度更高。
-
公开(公告)号:CN111812600A
公开(公告)日:2020-10-23
申请号:CN202010607023.4
申请日:2020-06-29
Applicant: 中南林业科技大学
Abstract: 一种自适应地形相关的SRTM-DEM校正方法,包括以下步骤:1)构建与地理位置相关的线性模型来对全球趋势误差进行建模,即ftrend(E,N)=a0+a1sinE+a2cos(90°-N)(1);2)基于BIC的局部地形误差校正模型的构建将与地形有关的误差fterrain构造为fterrain(S,A,Z)=a3H+fTF(S,A)(2);3)构建自适应地形相关的SRTMDEM校正模型ΔH=ftrend(E,N)+fterrain(S,A,H)+Δh+δ(4);4)利用模型参数的稳健估计值。相对于传统的SHM和MLE校正方法,本发明的校正方法的精度更高。
-
公开(公告)号:CN116797750A
公开(公告)日:2023-09-22
申请号:CN202310711266.6
申请日:2023-06-15
IPC: G06T17/05 , G06V10/774 , G06V10/82 , G06N3/0985 , G06N5/01 , G06N20/20
Abstract: 本发明中的基于深度学习的DEM误差校正方法,包括以下步骤:S10、获取输入参数;S20、将输入参数依次输入至两个以上的基学习器中,对每个基学习器以交叉验证的方式进行训练,获得每个基学习器中输入参数与输出结果之间的对应组数的初步预测结果,并将所有基学习器的所有初步预测结果组成新特征矩阵;S30、将新特征矩阵输入至元学习器中,通过元学习器训练融合所有的初步预测结果,获得最终预测结果。本发明中通过将具有不同算法结构的多个基学习器和元学习器进行融合,能够充分结合不同基学习器和元学习器的优势,同时最小化它们的劣势,使得在提升表现的同时降低了过拟合的可能性,因而具有更强的非线性拟合能力和泛化能力。
-
公开(公告)号:CN116740296A
公开(公告)日:2023-09-12
申请号:CN202310779189.8
申请日:2023-06-28
Abstract: 一种基于最小二乘配置的TanDEM‑XDEM误差校正方法,包括以下步骤:1)由TanDEM‑X/TerraSAR‑X数据生成TanDEM‑XDEM数据,获取ICESat‑2数据;2)将DEM任意一点的误差分为系统误差和随机误差,并建立基于最小二乘配置的误差校正模型;L=BX+GY+Δ;(1)3)由原始的TanDEM‑XDEM减去步骤2)得到的误差估计值,便可得到校正后的DEM。本发明的方法,可以同时校正TanDEM‑XDEM的系统误差和随机误差。结果表明,经过本发明方法校正后的TanDEM‑XDEM在该区域的平均误差绝对值由2.019m减少到了0.058m;均方根误差由6.141m降低到了3.851m,精度提高了37.3%。
-
-
-
-
-
-
-