沈煥鋒，劉 露，岳林蔚，李星華，張良培

1. 武漢大學(xué)資源與環(huán)境科學(xué)學(xué)院，湖北 武漢430079； 2. 中國地質(zhì)大學(xué)(武漢)信息工程學(xué)院，湖北 武漢 430074； 3. 武漢大學(xué)遙感信息工程學(xué)院，湖北 武漢 430079； 4. 武漢大學(xué)測繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢430079

數(shù)字高程模型(digital elevation model，DEM)是地表起伏形態(tài)的數(shù)字化表達(dá)，也是進(jìn)行各類地學(xué)分析的重要基礎(chǔ)數(shù)據(jù)，已被廣泛用于水文、地質(zhì)、氣象及軍事等各個領(lǐng)域[1-6]。伴隨著對地觀測技術(shù)的不斷發(fā)展，獲取DEM數(shù)據(jù)的能力日益增強(qiáng)，各研究領(lǐng)域?qū)Ω哔|(zhì)量DEM的需求也隨之增長[4，7-11]。目前，由于觀測手段、處理方式和地形條件等因素的影響，DEM仍然存在異常值、噪聲、空洞等質(zhì)量問題，直接影響數(shù)據(jù)的應(yīng)用潛力[9]。多源DEM融合方法通過綜合不同數(shù)據(jù)之間的互補(bǔ)信息，能獲取更準(zhǔn)確、全面、可靠的DEM，實(shí)現(xiàn)現(xiàn)有數(shù)據(jù)集的質(zhì)量提升。

規(guī)則格網(wǎng)DEM因數(shù)據(jù)形式簡單、處理分析便捷而成為最常用的數(shù)據(jù)形式。在全球尺度的柵格DEM產(chǎn)品中，ASTER GDEM(advanced spaceborne thermal emission and reflection radiometer global digital elevation model)和SRTM DEM(shuttle radar topography mission digital elevation model)的應(yīng)用最為普遍[8，12]。ASTER GDEM是根據(jù)Terra衛(wèi)星先進(jìn)星載熱發(fā)射和反輻射計(jì)的立體像對而生成的，以高分辨率(30 m)覆蓋全球約99%的陸地表面。在發(fā)布的2個版本中，ASTER GDEM v2(第2版數(shù)據(jù))的分辨率和精度相對較高。但由于光學(xué)成像易受云霧等天氣的影響，數(shù)據(jù)中仍然存在大量異常值和噪聲(圖1(b))，使其精度飽受爭議[13]。SRTM DEM是根據(jù)美國奮進(jìn)號航天飛機(jī)獲取的雷達(dá)影像所制作的高程產(chǎn)品，覆蓋全球80%以上的陸地表面，因其精度在平坦地區(qū)穩(wěn)定而成為最常用的DEM數(shù)據(jù)源[14-15]。然而受限于雷達(dá)側(cè)視成像模式，SRTM DEM易在坡度較大的區(qū)域形成數(shù)據(jù)空洞。USGS根據(jù)不同處理級別發(fā)布了90 m分辨率的SRTM3和30 m分辨率的SRTM1。目前，SRTM3 v4.1是使用最廣泛的DEM，在SRTM v2.1的基礎(chǔ)上結(jié)合Reuter等的算法填充空洞所得，然而這版數(shù)據(jù)的空洞填充質(zhì)量并不穩(wěn)定，在山區(qū)的垂直精度差異較大[13，16]。SRTM1從2014年9月起面向全球發(fā)布，具有較高和較穩(wěn)定的垂直精度，但仍有空隙和異常(圖1(a))。

除了柵格DEM數(shù)據(jù)集之外，全球尺度還有豐富的矢量高程產(chǎn)品。例如，美國國家航空航天管理局(NASA)在2003年發(fā)射了冰、云和陸地高程衛(wèi)星ICESat (ice，cloud，and land elevation satellite)，搭載的地學(xué)激光測高系統(tǒng)GLAS(geoscience laser altimeter system)在2003—2009年獲取了全球范圍的高程點(diǎn)(圖1(c))，其垂直精度在平坦地區(qū)可達(dá)厘米級[17]。

圖1 全球高程數(shù)據(jù)產(chǎn)品樣例數(shù)據(jù)Fig.1 The sample data of global elevation data products

目前，針對DEM產(chǎn)品的質(zhì)量問題，國內(nèi)外學(xué)者開展了大量融合處理工作。一方面，對于噪聲和異常值，主要有以下研究：文獻(xiàn)[18]基于插值算法，利用ICESat GLAS激光測高數(shù)據(jù)得到差值面，嘗試校正ASTER GDEM數(shù)據(jù)，然而，由于ICESat GLAS數(shù)據(jù)分布稀疏，在離采樣點(diǎn)較遠(yuǎn)的位置誤差較大；文獻(xiàn)[10]通過在頻率域融合低分辨率DEM的高頻成分和高分辨率DEM的低頻成分實(shí)現(xiàn)去噪，但結(jié)果存在細(xì)節(jié)信息丟失現(xiàn)象。另一方面，針對DEM的空洞問題，現(xiàn)有研究工作主要包括：文獻(xiàn)[12]提出TIN差分曲面，解決了空洞填充過程中不同數(shù)據(jù)間的高程偏差；文獻(xiàn)[19]針對SRTM及輔助數(shù)據(jù)在空洞周邊區(qū)域的特點(diǎn)選擇相應(yīng)的插值方法，提出多源DEM融合策略，得到了無縫DEM產(chǎn)品SRTM v4.1；文獻(xiàn)[20—21]構(gòu)建高精度曲面建模方法，支持融入多源數(shù)據(jù)，可處理DEM的空洞問題。此外，也有學(xué)者同時(shí)針對空洞和噪聲發(fā)展融合方法：文獻(xiàn)[8]利用數(shù)據(jù)拼接和平滑算法，通過融合多個DEM數(shù)據(jù)集生成“EarthEnv-DEM90”產(chǎn)品，但未充分考慮輸入數(shù)據(jù)集的精度差異；文獻(xiàn)[22]提出一種基于正則化變分的多尺度融合方法，能夠同時(shí)克服噪聲和空洞的影響，有效提升數(shù)據(jù)分辨率，但融合結(jié)果的分辨率和精度水平受限于輸入DEM。

總的來說，現(xiàn)有的融合方法沒有充分考慮多源數(shù)據(jù)之間在獲取方式、分辨率、覆蓋范圍及精度上的差異，難以同時(shí)處理噪聲、異常值、空洞、分辨率差異等問題[8，10，12，19]。此外，目前的融合方法也較少引入高精度矢量數(shù)據(jù)，在一定程度上限制了融合產(chǎn)品的質(zhì)量。對于多源DEM融合而言，既要考慮形式和精度上的差異，又要綜合各數(shù)據(jù)集的優(yōu)勢，才能得到精度更高的DEM產(chǎn)品。因此，結(jié)合SRTM1、ASTER GDEM v2及ICESat GLAS數(shù)據(jù)的特性，本文將在筆者前期方法的基礎(chǔ)上[9]，進(jìn)一步提出基于高差擬合神經(jīng)網(wǎng)絡(luò)的多源DEM融合方法，改善模型的自適應(yīng)特性，得到空間無縫DEM。

1 數(shù)據(jù)融合方法

1.1 多源DEM數(shù)據(jù)融合框架

本文以SRTM1為基礎(chǔ)數(shù)據(jù)，利用ASTER GDEM v2填補(bǔ)其數(shù)據(jù)空洞。雖然ASTER GDEM v2覆蓋范圍較廣，但有異常值和噪聲。為了充分發(fā)揮ASTER GDEM v2在覆蓋范圍上的優(yōu)勢，利用ICESat GLAS校正其垂直精度。ICESat GLAS的數(shù)據(jù)沿軌道點(diǎn)狀分布，間距大，傳統(tǒng)插值方法誤差較大。因此，本文以點(diǎn)面融合為基本思想，利用神經(jīng)網(wǎng)絡(luò)訓(xùn)練點(diǎn)狀I(lǐng)CESat GLAS與面狀A(yù)STER GDEM v2的誤差統(tǒng)計(jì)關(guān)系，實(shí)現(xiàn)對后者的精度校正。在校正過程中，根據(jù)DEM的空洞率(空洞高程點(diǎn)占所有高程點(diǎn)的比例)采取不同的處理策略。對于空洞率小于0.05%的SRTM1數(shù)據(jù)，缺失范圍很小，直接利用基于TIN差分曲面的算法填充空洞。而對于空洞率大于0.05%的數(shù)據(jù)，則先經(jīng)過精度校正，再進(jìn)行空洞填補(bǔ)。根據(jù)試驗(yàn)分析，ICESat GLAS與ASTER GDEM v2的值都表示為高程，可能存在一定的線性相關(guān)性。因此，為了使網(wǎng)絡(luò)能更好地學(xué)習(xí)數(shù)據(jù)關(guān)系，利用ICESat GLAS與ASTER GDEM v2高差進(jìn)行訓(xùn)練，以削弱數(shù)據(jù)間的相關(guān)性。

綜上所述，本文方法的整體流程分為以下3個步驟(如圖2所示)：①數(shù)據(jù)預(yù)處理。實(shí)現(xiàn)多源DEM的坐標(biāo)統(tǒng)一，并濾除ICESat GLAS的異常值。②高差擬合神經(jīng)網(wǎng)絡(luò)點(diǎn)面校正。在SRTM1的空洞范圍內(nèi)，利用ICESat GLAS對ASTER GDEM v2進(jìn)行精度校正。③TIN差分曲面無縫填充。在校正后的ASTER GDEM v2基礎(chǔ)上，以TIN差分曲面方法填補(bǔ)SRTM1空洞，并對殘留的異常值進(jìn)行濾波，得到最終融合結(jié)果。

圖2 基于高差擬合神經(jīng)網(wǎng)絡(luò)的多源DEM融合方法流程Fig.2 Flowchart of the multi-source DEM fusion method based on elevation difference fitting neural network

1.2 數(shù)據(jù)預(yù)處理

預(yù)處理階段主要是ICESat GLAS數(shù)據(jù)坐標(biāo)系轉(zhuǎn)換和異常值濾除。具體為：①進(jìn)行坐標(biāo)轉(zhuǎn)換。SRTM1和ASTER GDEM v2采用的是WGS84/EGM96坐標(biāo)系，而ICESat GLAS采用TOPEX/Poseidon坐標(biāo)系。為了消除不同高程系統(tǒng)帶來的系統(tǒng)偏差，需要統(tǒng)一坐標(biāo)系。由于兩種坐標(biāo)系在經(jīng)緯度方向上的水平偏差不到1 m，只在垂直方向上進(jìn)行ICESat GLAS的高程轉(zhuǎn)換[23]。利用式(1)將橢球高h(yuǎn)TOPEX轉(zhuǎn)換成橢球高h(yuǎn)WGS-84，再轉(zhuǎn)換為大地水準(zhǔn)高H。②進(jìn)行異常值濾除。結(jié)合常用的參數(shù)標(biāo)準(zhǔn)篩選出ICESat GLAS后[18]，再利用式(2)的坡度自適應(yīng)思想設(shè)置高程閾值，濾除受遮擋物影響的異常值[24]，確保對于SRTM1或ASTER GDEM v2的高程絕對誤差在合理范圍內(nèi)。

hWGS-84=hTOPEX-0.707
H=hWGS-84-N

(1)

式中，hTOPEX、hWGS-84分別為對應(yīng)于TOPEX、WGS-84的橢球高；0.707為兩橢球體的垂直偏差；H為對應(yīng)于EGM96模型的大地水準(zhǔn)高；N為大地水準(zhǔn)面差距；單位均為米。

(2)

1.3 基于高差擬合神經(jīng)網(wǎng)絡(luò)的點(diǎn)面校正方法

人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)只需確定非常量性參數(shù)，便能自組織、自學(xué)習(xí)、自適應(yīng)地挖掘數(shù)據(jù)統(tǒng)計(jì)特征。因其強(qiáng)大的擬合能力、學(xué)習(xí)能力和較強(qiáng)的魯棒性，被廣泛地應(yīng)用于回歸問題中[25-26]。本文通過ASTER GDEM v2和ICESat GLAS構(gòu)建訓(xùn)練樣本集，挖掘二者的統(tǒng)計(jì)關(guān)系，得到ASTER GDEM v2的高程預(yù)測值，實(shí)現(xiàn)其精度校正，具體流程如圖3所示。將ASTER GDEM v2的經(jīng)緯度坐標(biāo)和地形坡度信息作為網(wǎng)絡(luò)輸入、ICESat GLAS數(shù)據(jù)點(diǎn)與對應(yīng)ASTER GDEM v2的高程差值作為網(wǎng)絡(luò)輸出，將網(wǎng)絡(luò)輸出與ASTER GDEM v2相加，即為校正后的高程值。

圖3 ASTER GDEM v2精度校正流程Fig.3 Flowchart of the accuracy correction of ASTER GDEM v2

顧及ICESat GLAS和ASTER GDEM v2的水平位移差及異常值的影響，通過鄰域窗口選取樣本來構(gòu)建輸入矩陣，經(jīng)過歸一化處理后，將輸入向量和目標(biāo)向量輸入神經(jīng)網(wǎng)絡(luò)。整個模型由n個輸入層神經(jīng)元、s個隱含層神經(jīng)元和p個輸出層神經(jīng)元構(gòu)成，通過權(quán)值參數(shù)和激活函數(shù)連接輸入向量和目標(biāo)向量，實(shí)現(xiàn)信息傳遞和學(xué)習(xí)。模型中，設(shè)輸入層神經(jīng)元為x=(x1,x2,…,xn)，用于輸入數(shù)據(jù)的接收；隱含層和輸出層神經(jīng)元分別為h=(h1,h2,…,hs)，o=(o1,o2,…,op)，用于接收數(shù)據(jù)的加工和處理(式(3))。由于輸入層和輸出層之間存在一定的映射關(guān)系，基于梯度下降的誤差逆?zhèn)鞑ニ惴?，將輸出層誤差通過逐層回傳來調(diào)整神經(jīng)元的連接權(quán)和閾值[27]，使輸出值o與真實(shí)值y的誤差E達(dá)到最小(式(4))。

(3)

(4)

式中，E為模型誤差；n為迭代次數(shù)；η為學(xué)習(xí)速率。其中，學(xué)習(xí)率關(guān)系著連接權(quán)的更新，其值越大，往往收斂速率越快，但易造成震蕩效應(yīng)。

模型參數(shù)設(shè)置如下：鄰域窗口為3×3；隱含層神經(jīng)元個數(shù)為6；隱含層、輸出層的激活函數(shù)分別為“tansig”和“purelin”函數(shù)；學(xué)習(xí)率為0.001；輸入層和輸出層的神經(jīng)元個數(shù)根據(jù)變量數(shù)而定。

1.4 基于TIN差分曲面的無縫填充方法

在數(shù)據(jù)融合過程中，多源DEM間的垂直偏差會造成邊緣出現(xiàn)“斷裂”現(xiàn)象，因此，利用文獻(xiàn)[12]提出的基于TIN差分曲面的算法來處理這種偏差。此算法的基本思想是，在空洞區(qū)域內(nèi)，假設(shè)校正后的ASTER GDEM v2與SRTM1的地形起伏保持一致，由ASTER GDEM v2獲取的差分曲面同樣可以用于SRTM1。因此，本文在SRTM1空洞區(qū)域周邊提取寬度為5個高程點(diǎn)的緩沖區(qū)，構(gòu)建空洞區(qū)域基面，進(jìn)而通過ASTER GDEM v2基面和校正后的ASTER GDEM v2得到差分曲面，應(yīng)用于SRTM1，過程表示如下

SC=So+AC-Ao

(5)

式中，So、Ao分別為SRTM1、ASTER GDEM v2數(shù)據(jù)的基面；AC為空洞范圍內(nèi)校正后的ASTER GDEM v2的高程；SC為最終填充SRTM1的曲面。鑒于填充數(shù)據(jù)可能存在噪聲和異常值，在填充前對曲面進(jìn)行自適應(yīng)平滑濾波，且在填充后對連接區(qū)域進(jìn)行輕微羽化，實(shí)現(xiàn)接縫處的平滑過渡。

2 試驗(yàn)結(jié)果與分析

2.1 模型驗(yàn)證

對神經(jīng)網(wǎng)絡(luò)校正模型的空間預(yù)測能力進(jìn)行驗(yàn)證。本文選用了交叉驗(yàn)證[9]和中心塊驗(yàn)證兩種方式測試模型精度。交叉驗(yàn)證將ASTER GDEM v2覆蓋的有效ICESat GLAS分成10等份，以其中的9份作為訓(xùn)練數(shù)據(jù)，剩下的1份則作為測試數(shù)據(jù)，循環(huán)試驗(yàn)直到所有的數(shù)據(jù)都曾作為測試數(shù)據(jù)。由于ICESat GLAS數(shù)據(jù)在沿軌道方向和軌道間分布差異較大，則同時(shí)采用中心塊驗(yàn)證的方法(如圖4所示)，將訓(xùn)練和測試數(shù)據(jù)分為空間上互不重合的部分，進(jìn)一步驗(yàn)證模型的可靠性和穩(wěn)定性。具體地，將ASTER GDEM v2中心區(qū)域的ICESat GLAS作為測試數(shù)據(jù)，其余的ICESat GLAS作為訓(xùn)練數(shù)據(jù)。表1—2分別給出了交叉驗(yàn)證和中心塊驗(yàn)證的精度評價(jià)情況，包括原始ASTER GDEM v2、多元線性回歸方法(multiple linear regression，MLR)及本文方法校正ASTER GDEM v2的結(jié)果，分別表示為ASTER、MLR、ANN。由于均方根誤差(root mean square error，RMSE)對異常值敏感，能很好地反映數(shù)據(jù)精度，將其作為定量評價(jià)指標(biāo)(式(6))。

圖4 驗(yàn)證試驗(yàn)流程Fig.4 Flowchart of the verification experiment

Tab.1 RMSE of cross validation for training and test in neural networks m

表2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練和測試中心塊驗(yàn)證的RMSE值

(6)

式中，sa、za分別為第a個參考數(shù)據(jù)ICESat GLAS及待評價(jià)數(shù)據(jù)集對應(yīng)點(diǎn)的高程值；N為測試高程點(diǎn)數(shù)。

從表1、表2均可看出，在所有驗(yàn)證試驗(yàn)中，神經(jīng)網(wǎng)絡(luò)模型結(jié)果相對于原始數(shù)據(jù)和MLR結(jié)果更優(yōu)，表明其能較好地構(gòu)建數(shù)據(jù)之間的誤差關(guān)系。表2的中心塊驗(yàn)證，因訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)在空間覆蓋范圍差異較大，能更好地驗(yàn)證模型的效果，且神經(jīng)網(wǎng)絡(luò)模型結(jié)果優(yōu)勢更為突出，有利地驗(yàn)證了其空間預(yù)測能力更強(qiáng)。

為了進(jìn)一步說明精度校正的必要性，試驗(yàn)選取了5幅數(shù)據(jù)，對比了不同方法和步驟對結(jié)果的影響，如表3所示。在表格中，“SRTM1_A”表示利用原始ASTER GDEM v2填充SRTM1空洞的結(jié)果，而“TIN_DSF”表示不經(jīng)過精度校正，采用TIN差分曲面算法的結(jié)果，“MLR_DSF”和“ANN_DSF”分別表示由MLR模型和神經(jīng)網(wǎng)絡(luò)方法校正后，經(jīng)TIN差分曲面算法填充的結(jié)果。從表3可以看出，相比于SRTM1_A、TIN_DSF，MLR_DSF和ANN_DSF的RMSE值更小，說明精度校正能有效提高數(shù)據(jù)精度。不論是空洞還是整體的定量評價(jià)，經(jīng)過校正的填充數(shù)據(jù)都能取得更優(yōu)的結(jié)果。而對比ANN_DSF和MLR_DSF可以發(fā)現(xiàn)，本文方法在定量評價(jià)上優(yōu)于MLR方法，表明其具有較強(qiáng)的空間預(yù)測能力，能更好擬合數(shù)據(jù)之間的關(guān)系，與表1—2中點(diǎn)面校正模型的驗(yàn)證結(jié)果趨勢相一致。

表3 試驗(yàn)數(shù)據(jù)空洞和整體的RMSE值

2.2 試驗(yàn)結(jié)果與分析

本文隨機(jī)選取了不同空洞分布特征、不同空洞率的13幅數(shù)據(jù)進(jìn)行試驗(yàn)，在圖5中給出了試驗(yàn)數(shù)據(jù)的空洞率和空洞區(qū)域內(nèi)ICESat GLAS數(shù)據(jù)的分布。ICESat GLAS點(diǎn)的分布直接關(guān)系著評價(jià)的可靠性。圖6展示了SRTM3 v4.1、ASTER GDEM v2、SRTM1_A與本文方法融合結(jié)果的RMSE對比情況。其中，非空洞區(qū)域的評價(jià)反映不同DEM數(shù)據(jù)集的精度水平，空洞區(qū)域的評價(jià)體現(xiàn)各個方法的優(yōu)劣。

圖5 試驗(yàn)數(shù)據(jù)空洞率和空洞區(qū)域內(nèi)ICESat GLAS數(shù)據(jù)的分布Fig.5 The distribution of void rates of experiment data and ICESat GLAS in these void areas

從圖5可明顯看出，空洞率和空洞區(qū)域內(nèi)ICESat GLAS數(shù)目的趨勢相同，說明ICESat GLAS在參考數(shù)據(jù)覆蓋范圍內(nèi)沿軌道分布較為均勻。結(jié)合圖6可看出，在大多數(shù)情況下，融合結(jié)果的RMSE值都表現(xiàn)出明顯的優(yōu)勢。在空洞區(qū)域內(nèi)(圖6(a))，多數(shù)ASTER GDEM v2的垂直精度優(yōu)于SRTM3 v4.1，而不及融合結(jié)果，可見本文方法對多數(shù)空洞區(qū)域的校正有效。對于“N28E101”和“N29E102”，SRTM3 v4.1的精度表現(xiàn)異常，原因在于地形陡峭，該區(qū)域的填充精度不準(zhǔn)確，也進(jìn)一步驗(yàn)證了其填充結(jié)果精度不穩(wěn)定的現(xiàn)象[28]。從圖6(b)中可以看出，大多數(shù)數(shù)據(jù)非空洞區(qū)域的垂直精度明顯優(yōu)于空洞區(qū)域。而“N29E87”和“N29E88”數(shù)據(jù)空洞范圍非常小，因此驗(yàn)證樣本在空洞區(qū)域數(shù)量較少，評價(jià)結(jié)果不具有代表性?？傮w而言，融合結(jié)果(圖6(c))的精度都優(yōu)于其他DEM數(shù)據(jù)，在得到空間無縫DEM的同時(shí)，還能保證其具有穩(wěn)定的垂直精度。

從視覺效果上來看，圖7展示了“N28E101”不同區(qū)域的放大圖，該完整數(shù)據(jù)塊的覆蓋范圍為28°N—29°N，101°E—102°E，空洞率達(dá)16.96%。圖中，空洞范圍的ASTER GDEM v2地形紋理較為清晰，為融合結(jié)果奠定了基礎(chǔ)，但受噪聲和異常值的影響。相比于ASTER GDEM v2和SRTM1_A，本文方法消除了噪聲和異常值，且空洞填充的邊界過渡也更加平滑，尤其在深色選框內(nèi)效果顯著。圖8展示了“N29E102”的區(qū)域彩色渲染圖，該完整數(shù)據(jù)塊覆蓋范圍為29°N—30°N，102°E—103°E，空洞率達(dá)10.04%。由圖可知，該區(qū)域地形較崎嶇且空洞范圍大，從而影響地形的連續(xù)性。經(jīng)過精度校正和填充，融合結(jié)果既能保留原始SRTM1的優(yōu)勢，又能有效地挖掘輔助數(shù)據(jù)的特征潛力，在目視判別上明顯優(yōu)于原始數(shù)據(jù)。

圖6 試驗(yàn)數(shù)據(jù)的垂直精度評價(jià)結(jié)果Fig.6 The vertical accuracy evaluations of experiment data

圖7 N28E101的不同區(qū)域放大圖Fig.7 The larger image of different areas in N28E101

圖8 N29E102的區(qū)域渲染圖Fig.8 The rendered image of different data in N29E102

3 結(jié) 論

本文結(jié)合高差擬合神經(jīng)網(wǎng)絡(luò)和TIN差分曲面方法，融合多源數(shù)據(jù)對SRTM1數(shù)據(jù)中的空洞進(jìn)行修復(fù)。多源數(shù)據(jù)融合的方式既能保留SRTM1的細(xì)節(jié)信息，又能有效結(jié)合ASTER GDEM v2的無縫特性和ICESat GLAS的高精度特點(diǎn)，生成高質(zhì)量的空間無縫DEM。通過試驗(yàn)發(fā)現(xiàn)，與不同方法相比，本文方法的結(jié)果具有最小的RMSE值。從視覺效果上來看，融合結(jié)果在填充區(qū)域具有更加自然的地形紋理，在填充邊界過渡也更加平滑。目前，此方法對空洞中較大范圍的噪聲或異常值的處理存在一定的局限性。下一步可對輔助數(shù)據(jù)進(jìn)行擴(kuò)充，融入更多的高精度測高數(shù)據(jù)，如Cryosat2及即將發(fā)射的ICESat2數(shù)據(jù)，對方法進(jìn)行改善，并考慮利用無參考修復(fù)的方法對殘留異常值進(jìn)行進(jìn)一步處理。

參考文獻(xiàn)：

[1] JAFARZADEGAN K，MERWADE V.A DEM-based Approach for Large-scale Floodplain Mapping in Ungauged Watersheds[J].Journal of Hydrology，2017，550：650-662.

[2] HANCOCK G R，MARTINEZ C，EVANS K G，et al.A Comparison of SRTM and High-resolution Digital Elevation Models and Their Use in Catchment Geomorphology and Hydrology：Australian Examples[J].Earth Surface Processes and Landforms，2006，31(11)：1394-1412.

[3] BU Xiaoqian，YUE Peng.A Scientific Workflow Approach for Hydrologic Analysis from Digital Elevation Model[C]∥Proceedings of the 5th International Conference on Agro-Geoinformatics.Tianjin，China：IEEE Press，2016：17-21.

[4] KHROMOVA T E，DYURGEROV M B，BARRY R G.Late-twentieth Century Changes in Glacier Extent in the Ak-shirak Range，Central Asia，Determined from Historical Data and ASTER Imagery[J].Geophysical Research Letters，2003，30(16)：1863.

[5] 徐彥懷.基于衛(wèi)星遙感影像和DEM融合的地質(zhì)斷裂帶研究[J].測繪與空間地理信息，2016，39(11)：135-138.

XU Yanhuai.The Study on Geological Fault Zone Base on the Merged Image between the Satellite Remote Sensing Image and DEM[J].Geomatics & Spatial Information Technology，2016，39(11)：135-138.

[6] TOUTIN T.ASTER DEMs for Geomatic and Geoscientific Applications：A Review[J].International Journal of Remote Sensing，2008，29(7)：1855-1875.

[7] 王祎婷，陳秀萬，柏延臣，等.多源DEM和多時(shí)相遙感影像監(jiān)測冰川體積變化——以青藏高原那木納尼峰地區(qū)為例[J].冰川凍土，2010，32(1)：126-132.

WANG Yiting，CHEN Xiuwan，BO Yanchen，et al.Monitoring Glacier Volume Change Based on Multi-temporal Remote Sensing Images[J].Journal of Glaciology and Geocryology，2010，32(1)：126-132.

[8] ROBINSON N，REGETZ J，GURALNICK R P.Earth Env-DEM90：A Nearly-global，Void-free，Multi-scale Smoothed，90 m Digital Elevation Model from Fused ASTER and SRTM Data[J].ISPRS Journal of Photogrammetry and Remote Sensing，2014，87：57-67.

[9] YUE Linwei，SHEN Huafeng，ZHANG Liangpei，et al.High-quality Seamless DEM Generation Blending SRTM-1，ASTER GDEM v2 and ICESat/GLAS Observations[J].ISPRS Journal of Photogrammetry and Remote Sensing，2017，123：20-34.

[10] KARKEE M，STEWARD B L，AZIZ S A.Improving Quality of Public Domain Digital Elevation Models through Data Fusion[J].Biosystems Engineering，2008，101(3)：293-305.

[11] LI Xinghua，SHEN Hhuanfeng，F(xiàn)ENG Ruitao，et al.DEM Generation from Contours and A Low-resolution DEM[J].ISPRS Journal of Photogrammetry and Remote Sensing，2017，134：135-147.

[12] LUEDELING E，SIEBERT S，BUERKERT A.Filling the Voids in the SRTM Elevation Model：A TIN-based Delta Surface Approach[J].ISPRS Journal of Photogrammetry and Remote Sensing，2007，62(4)：283-294.

[13] LI Peng，SHI Chuang，LI Zhenhong，et al.Evaluation of ASTER GDEM Using GPS Benchmarks and SRTM in China[J].International Journal of Remote Sensing，2013，34(5)：1744-1771.

[14] FARR T G，ROM P A，EDWARD C，et al.The Shuttle Radar Topography Mission[J].Reviews of Geophysics，2007，45(2)：1-33.

[15] YANG Liping，MENG Xingmin，ZHANG Xiaoqiang.SRTM DEM and Its Application Advances[J].International Journal of Remote Sensing，2011，32(14)：3875-3896.

[16] YUE Linwei，YU Wei，SHEN Huanfeng，et al.Accuracy Assessment of SRTM V4.1 and ASTER GDEM V2 in High-Altitude Mountainous Areas：A Case Study in Yulong Snow Mountain，China[C]∥Proceedings of 2015 IEEE International Symposium on Geoscience and Remote Sensing.Milan，Italy：IEEE Press，2015，5011-5014.

[17] WANG Xianwei，GONG Peng，ZHAO Yuanyuan，et al.Water-level Changes in China’s Large Lakes Determined from ICESat/GLAS Data[J].Remote Sensing of Environment，2013，132：131-144.

[18] AREFI H，REINARTZ P.Accuracy Enhancement of ASTER Global Digital Elevation Models Using ICESat Data[J].Remote Sensing，2011，3(7)：1323-1343.

[19] REUTER H I，NELSON A，JARVIS A.An Evaluation of Void-filling Interpolation Methods for SRTM Data[J].International Journal of Geographical Information Science，2007，21(9)：983-1008.

[20] YUE Tianxiang，CHEN Chuanfa，LI Bailian.A High-accuracy Method for Filling Voids and Its Verification[J].International Journal of Remote Sensing，2012，33(9)：2815-2830.

[21] 陳傳法，杜正平，岳天祥.基于高精度曲面建模方法的SRTM空缺插值填補(bǔ)研究[J].大地測量與地球動力學(xué)，2010，30(1)：126-129，135.

CHEN Chuanfa，DU Zhengping，YUE Tianxiang.Research of SRTM Void-filling Based on High Accuracy Surface Modelling[J].Journal of Geodesy and Geodynamics，2010，30(1)：126-129，135.

[22] YUE Linwei，SHEN Huanfeng，YUAN Qiangqiang，et al.Fusion of Multi-scale DEMs Using A Regularized Super-resolution Method[J].International Journal of Geographical Information Science，2015，29(12)：2095-2120.

[23] BAGHDAD N，LEMARQUAND N，ABDALLAH H，et al.The Relevance of GLAS/ICESat Elevation Data for the Monitoring of River Networks[J].Remote Sensing，2011，3(4)：708-720.

[24] 周秀芝，文貢堅(jiān)，王潤生.自適應(yīng)窗口快速立體匹配[J].計(jì)算機(jī)學(xué)報(bào)，2006，29(3)：473-479

ZHOU Xiuzhi，WEN Gongjian，WANG Runsheng.Fast Stereo Matching Using Adaptive Window[J].Chinese Journal of Computers，2006，29(3)：473-479.

[25] 李雙成，鄭度.人工神經(jīng)網(wǎng)絡(luò)模型在地學(xué)研究中的應(yīng)用進(jìn)展[J].地球科學(xué)進(jìn)展，2003，18(1)：68-76.

LI Shuangcheng，ZHENG Du.Applications of Artificial Neural Networks to Geosciences：Review and Prospect[J].Advance in Earth Sciences，2003，18(1)：68-76.

[26] ?ZTOPAL A.Artificial Neural Network Approach to Spatial Estimation of Wind Velocity Data[J].Energy Conversion and Management，2006，47(4)：395-406.

[27] ZHANG Liangpei，WU Ke，ZHONG Yanfei，et al.A New Sub-pixel Mapping Algorithm Based on A BP Neural Network with an Observation Model[J].Neurocomputing，2008，71(10-12)：2046-2054.

[28] 張朝忙，劉慶生，劉高煥，等.SRTM 3與ASTER GDEM數(shù)據(jù)處理及應(yīng)用進(jìn)展[J].地理與地理信息科學(xué)，2012，28(5)：29-34.

ZHANG Chaomang，LIU Qingshneg，LIU Gaohuan，et al.Data Processing and Application Progress of SRTM 3 and ASTER GDEM[J].Geography and Geo-Information Science，2012，28(5)：29-34.