一种基于粒子群优化随机森林的数字高程模型高程误差修正方法技术

本发明专利技术公开了一种基于粒子群优化随机森林的数字高程模型高程误差修正方法，属于遥感技术领域。本发明专利技术使用粒子群优化的随机森林方法进行修正，以进一步提高数字高程模型修正后的精度，选用SRTM作为试验所用数字高程模型，ICESat

【技术实现步骤摘要】
一种基于粒子群优化随机森林的数字高程模型高程误差修正方法


[0001]本专利技术涉及一种基于粒子群优化随机森林的数字高程模型高程误差修正方法，属于遥感


技术介绍

[0002]数字高程模型作为地表高程的数字化表达，被广泛应用于地貌、水文、测绘、灾害监测和控制等领域。但是数字高程模型受观测手段、地形条件、植被覆盖等因素的影响，其高程存在不可忽略的误差，且在不同区域高程精度往往差异较大。
[0003]对于数字高程模型所存在的高程误差，一些学者尝试利用各类精度更高的高程数据对数字高程模型高程误差进行修正，如高精度GPS测量点、机载激光雷达高程数据、高精度DEM数据。但是，以上高程数据受到分布区域有限、获取和制作难度大等因素的影响，难以对大范围、任一区域的SRTM进行高程误差修正。ICESat卫星测高数据因其覆盖全球、测高精度高等优势，被逐步应用于数字高程模型修正中，但ICESat在2009年失效，其数据也相应停止更新，无法实现更具现势性的SRTM修正。目前，ICESat
‑
2测高卫星仍在运行，可以提供近全球范围内高精度的测高数据，Magruder等基于ICESat
‑
2数据，结合Landsat8影像，采用多项式回归方法建立数字高程模型高程误差修正模型。但是，由于数字高程模型高程误差与其影响因素之间往往是复杂的非线性关系，简单数学表达的多项式回归方程难以充分表达这种关系，这就造成了应用此种方法修正的数字高程模型高程精度仍存在较大的局限性。
[0004]随机森林作为一种可用于解决非线性回归问题的机器学习算法，具有精度高、抗噪声能力强、不易发生过拟合的优势，但该方法精度会受到所设定超参数的影响，因此本专利技术通过融合粒子群算法寻找随机森林的最优超参数组合值，以粒子群优化随机森林的方法对数字高程模型进行高程误差的修正。

技术实现思路

[0005]为了实现更高精度数字高程模型修正结果，本专利技术提供了一种基于粒子群优化随机森林的数字高程模型高程误差修正方法。
[0006]本专利技术为实现上述目的所采用的技术方案是：
[0007]一种基于粒子群优化随机森林的数字高程模型高程误差修正方法，包括以下步骤：
[0008]a、从测高卫星数据中提取参考高程控制点，计算相对于参考高程控制点的数字高程模型高程误差及提取参考高程控制点对应的经纬度、地形参数和地表覆盖类型参数；
[0009]b、构建基于粒子群优化随机森林的数字高程模型高程误差修正模型；
[0010]c、用参考高程控制点处的经纬度、地形参数和地表覆盖参数作为修正模型输入数据，高程误差作为修正模型目标数据，建立训练模型的训练集；
[0011]d、用训练集对修正模型进行训练，将数字高程模型应用于训练所得修正模型中，
进行高程误差的修正。
[0012]所述步骤a中，提取的地形参数为数字高程模型的坡度Sl、坡向As和地形起伏度Re，提取的地表覆盖类型参数来自全球地表覆盖数据Gl；对于参考高程控制点对应地形参数的计算，采用双线性插值法在参考高程控制点处进行提取；对于地表覆盖类型参数则在参考高程控制点处直接进行提取。
[0013]所述步骤b中，高程误差修正模型为：
[0014][0015]式中，H
corrected
为修正后数字高程模型的高程，H
original
为原始数字高程模型高程，H
error
为预测的数字高程模型高程误差，PSO为粒子群算法，RF为随机森林算法；Lat和Lon分别为纬度和经度，Sl、As、Re、Gl分别为坡度、坡向、地形起伏度和地表覆盖类型参数。通过PSO算法的参数寻优，利用训练集训练得到最优参数组合的RF高程误差模型，根据每个SRTM像元的响应变量[Lat,Lon,Sl,As,Re,Gl]，用于SRTM高程误差结果H
error
的预测中，再由求得的高程误差，结合原始SRTM高程H
original
得到修正后的SRTM高程H
corrected
。
[0016]所述步骤d中，模型训练和修正的具体流程如图1所示：首先将原始训练集随机分为5组，其中4组用于随机森林模型的训练，1组用于模型精度验证，其中随机森林模型为：
[0017]H
error
‑
RF
＝f
RF
(Lat,Lon,Sl,As,Re,Gl)
[0018]验证评价指标采用均方差回归损失(MSE)：
[0019][0020]式中，N为用于验证的数据个数，H
error
‑
RF
为随机森林模型所预测的高程误差，为数字高程模型相对于参考高程控制点的高程误差。依次将各组数据用于精度验证，最终将5次精度验证结果的均值作为模型的适应度函数值，适应度函数值越小表示模型精度越高。
[0021]然后确定影响随机森林模型精度的超参数(决策树个数和节点划分可选择特征变量数量最大值)的解空间范围，通过粒子群算法设定的粒子在解空间中速度和位置的迭代更新，比较不同超参数组合下适应度函数值，搜索适应度函数值最小的超参数组合，将此超参数组合作为随机森林模型的最优超参数组合，用整个训练集训练最优参数组合下的随机森林模型。
[0022]最后由训练得到的模型，根据数字高程模型每个像元对应的[Lat,Lon,Sl,As,Re,Gl]，预测像元对应的高程误差结果H
error
，加上像元原始高程H
original
，即可得到修正后的高程H
corrected
，完成对数字高程模型的高程误差修正。
[0023]本专利技术的有益效果：本专利技术使用粒子群优化的随机森林方法进行修正，以进一步提高数字高程模型修正后的精度，选用SRTM作为试验所用数字高程模型，ICESat
‑
2强光束地表光子数据作为试验所用参考高程控制点，Globeland30作为试验所用全球地表覆盖数据，NEON发布的机载LIDAR DTM作为试验所用验证数据，通过对本专利技术提出的方法(PSO
‑
RF)和基于多项式回归的修正方法(PR)进行试验，以均方根误差(RMSE)作为验证指标，结果如
图2所示：本专利技术提出的方法可以有效减小SRTM的高程误差，修正后的SRTM相对于修正前高程误差减小了42％
‑
46％，且修正精度优于基于多项式回归的修正方法。
附图说明
[0024]图1是数字高程模型高程误差修正流程图。
[0025]图2是三条测线的原始SRTM、PR修正的SRTM和PSO
‑
RF修正的SRTM高程精度评价结果。
具体实施方式
[0026]以下结合实施例和附图进一步解释本专利技术的具体实施方式，但不用于限定本专利技术。
[0027]本专利技术实施的实现过程是采用计算机实现基于粒子群优化随机森林本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于粒子群优化随机森林的数字高程模型高程误差修正方法，其特征在于，该方法包括以下步骤：a、从测高卫星数据中提取参考高程控制点，计算相对于参考高程控制点的数字高程模型高程误差及提取参考高程控制点对应的经纬度、地形参数和地表覆盖类型参数；b、构建基于粒子群优化随机森林的数字高程模型高程误差修正模型；c、用参考高程控制点处的经纬度、地形参数和地表覆盖参数作为修正模型输入数据，高程误差作为修正模型目标数据，建立训练模型的训练集；d、用训练集对修正模型进行训练，将数字高程模型应用于训练所得修正模型中，进行高程误差的修正。2.根据权利要求1所述的一种基于粒子群优化随机森林的数字高程模型高程误差修正方法，其特征在于，所述步骤a中，提取的地形参数为数字高程模型的坡度Sl、坡向As和地形起伏度Re，提取的地表覆盖类型参数来自全球地表覆盖数据Gl；对于参考高程控制点对应地形参数的计算，采用双线性插值法在参考高程控制点处进行提取；对于地表覆盖类型参数则在参考高程控制点处直接进行提取。3.根据权利要求1或2所述的一种基于粒子群优化随机森林的数字高程模型高程误差修正方法，其特征在于，所述步骤b中，高程误差修正模型为：式中，H
corrected
为修正后数字高程模型的高程，H
original
为原始数字高程模型高程，H
error
为预测的数字高程模型高程误差，PSO为粒子群算法，RF为随机森林算法；Lat和Lon分别为纬度和经度，Sl、As、Re、Gl分别为坡度、坡向、地形起伏度和地表覆盖类型参数；通过PSO算法的参数寻优，利用训练集训练得到最优参数组合的RF高程误差模型，根据每个SRTM像元的响应变量[Lat,Lon,Sl,As,Re,Gl]，用于SRTM高程误差结果H
error
的预测中，再由求得的高程误差，结合原始SRTM高程H
original
得到修正后的SRTM高程H
corrected
。4.根据权利要求1或2所述的一种基于粒子群优化随机森林的数字高程模型高程误差修正方法，其特征在于，所述步骤d中，模型训练和修正的具体流程为：首先将原始训练集随机分为5组，其中4组用于随机森林模型的训练，1组用于模型精度验证，其中随机森林模型为：H
error
‑
RF
＝f
RF
(Lat,Lon,Sl,As,Re,Gl)验证评价指标采用均方差回归损失MSE：式中，N为用于验证的数...

【专利技术属性】
技术研发人员：张立华，刘翔，贾帅东，戴泽源，
申请(专利权)人：中国人民解放军海军大连舰艇学院，
类型：发明
国别省市：