【技术实现步骤摘要】
本专利技术涉及一种dem校正方法，尤其涉及一种基于特征增强集成学习框架的dem校正方法。
技术介绍
1、数字高程模型(dem)已被广泛用于地形学、水文学和生态学等各种应用。dem产品的精确度对于这些应用非常重要。传统方法主要通过大地测量技术(如水准测量和gnss)以及地基或航空激光雷达来生成精确的dem产品。然而，由于勘测成本高昂，这些产品目前仅在有限的范围内或地球的某些局部区域可用。为了生成近全球范围或全球覆盖的dem产品，基于空间的雷达遥感技术更具有优势，因为它们具有大范围、低成本和高空间分辨率等传统技术所不具备的特点。例如，srtm(shuttle radar topography mission)dem覆盖了地球陆地表面的80％(从北纬60°到南纬57°)，该产品是2000年2月11日至22日期间由航天激光雷达传感器(srtm)获取得到的。全球范围的srtm dem已成为迄今为止最受欢迎的dem产品之一，用于科学应用。然而，由于雷达微波的植被透射能力和特殊成像模式，空间雷达衍生的dem产品通常包含一些植被偏差，地形误差和全局误差。这在很大程度上限制了由空间雷达衍生的dem的实际应用。
2、在过去的几十年里，已经开发了多种方法用于校正基于空间雷达派生的dem。其中大多数方法借助精确的参考高程数据集的辅助，使用数学拟合函数、机器学习或深度学习算法来拟合和进一步消除dem误差，而参考高程数据通过基于地面的测地学测量技术(例如水准测量和全球定位系统(gnss))、机载激光雷达和卫星激光测高仪获得。理论上，除了辅助参考
3、尽管在校正dem上取得了较大的进展，但由于机器学习算法和深度学习算法的一些固有缺点，迄今为止，准确校正全球范围内dem仍然是一个待解决的问题。例如，人工神经网络(ann)和深度神经网络(dnn)算法需要大量的训练样本，学习性能取决于许多超参数的经验定义。在这方面，收集训练样本和仔细调整超参数需要高成本。此外，集成学习模型(如随机森林)在数据集包含大量噪声或异常值时容易过拟合。
技术实现思路
1、本专利技术要解决的技术问题是克服现有技术的不足，提供一种能够提高dem准确度的基于特征增强集成学习框架的srtmdem校正方法。
2、为解决上述技术问题，本专利技术提出的技术方案为：一种基于特征增强集成学习框架的dem校正方法，包括以下步骤：
3、1)通过feb模块扩展特征数量；
4、2)通过frb模块增强特征；
5、所述frb模块是一个cnn，包括多个卷积和池化层以及一个通道注意力机制，用于提取有效的特征以进行srtmdem校正，并增强提取特征的表征能力；
6、3)通过深度森林变体算法对dem进行校正；
7、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srtmdem中减去预测误差来改进srtmdem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。
8、上述的基于特征增强集成学习框架的srtmdem校正方法，优选的，所述步骤3)通过深度森林变体对dem进行校正包括以下步骤：
9、①假设当前数据集包括{(x1,y1),(x2,y2),(x3,y3)…,(xn,yn)}，其中xn表示特征向量，xn∈xc，yn是srtm dem高程误差，n是训练样本的数量，基于adaboost目标函数z(x)，将多个深度森林聚合到一个增强的深度森林中，称为深度森林变体算法，用addeepforest表示；
10、
11、t表示深度森林的数量，zt(x)表示深度森林的预测模型，ωt表示每个深度森林的权重；在训练开始时，每个训练样本被随机分配一个权重α，因此得到加权数据集；
12、②在加权数据集上训练一个深度森林，并计算当前总预测损失∈t；
13、
14、lossi表示深度森林在每次训练迭代中的预测损失，计算公式如下，
15、
16、以ytrue作为真实高程误差和作为预测高程误差，然后根据总预测损失∈t确定当前深度森林的权重ωt；
17、
18、③更新随后训练样本迭代的权重αi+1，
19、
20、在迭代t次后，通过加权投票将所有深度森林的预测结果聚合起来，得到增强深度森林的预测函数addeepforest(x)，最终输出预测的高程误差；
21、
22、上述的基于特征增强集成学习框架的srtm dem校正方法，优选的，所述feb模块包括三个全连接层、两个dropout层和自注意力机制；全连接层将上一层的特征图展平为一维向量，并将其乘以每个神经元的权重以获得新的特征向量；自注意力机制的作用是捕捉特征之间的内部相关性，为模型提供全局上下文信息；dropout层随机丢弃部分神经元以降低模型复杂性和过拟合；
23、与现有技术相比，本专利技术的优点在于：本专利技术所提出的校正方法与五种传统典型的srtm dem校正算法(cnn、bpnn、fnn、nlr和lr)相比可以增强srtm dem在复杂地形和植被条件下的精度。与cnn、bpnn、fnn、nlr和lr算法相比本专利技术所提出的校正方法srtm dem误差方面表现出优异的性能，校正版本的精度分别提高了约13.7％、14.4％、15.4％、23.5％和30.5％。
本文档来自技高网...【技术保护点】
1.一种基于特征增强集成学习框架的SRTM DEM校正方法，其特征在于；包括以下步骤：
2.根据权利要求1所述的基于特征增强集成学习框架的SRTM DEM校正方法，其特征在于：所述步骤3)通过深度森林变体对SRTM DEM进行校正包括以下步骤：
3.根据权利要求1所述的基于特征增强集成学习框架的SRTM DEM校正方法，其特征在于：所述FEB模块包括三个全连接层、两个dropout层和自注意力机制；全连接层将上一层的特征图展平为一维向量，并将其乘以每个神经元的权重以获得新的特征向量；自注意力机制的作用是捕捉特征之间的内部相关性，为模型提供全局上下文信息；dropout层随机丢弃部分神经元以降低模型复杂性和过拟合。
【技术特征摘要】
1.一种基于特征增强集成学习框架的srtm dem校正方法，其特征在于；包括以下步骤：
2.根据权利要求1所述的基于特征增强集成学习框架的srtm dem校正方法，其特征在于：所述步骤3)通过深度森林变体对srtm dem进行校正包括以下步骤：
3.根据权利要求1所述的基于特征增强集成学习框架的s...
【专利技术属性】
技术研发人员：周璀，欧阳子都，罗培源，杨泽发，朱建军，
申请(专利权)人：中南林业科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。