共查询到15条相似文献，搜索用时 125 毫秒
1.
TanDEM-X 90 m 数字高程模型（DEM）在其原始雷达影像的采集与DEM产品生产过程中,坡度、坡向和地表覆盖物等 因素都会对误差产生一定的影响。为了便于该数据更好地为各领域的研究提供服务,本文以整个中国大陆为研究区域,运用ICESat/GLA14数据对该区域的TanDEM-X 90 m DEM对应位置的高程数据进行提取统计,对比分析了我国陆地区域 TanDEM-X DEM数据与GLA14高程点数据的整体误差精度,并提取坡度、坡向地形因子,研究TanDEM-X 90 m DEM误差在不同坡度、不同坡向以及不同地表覆盖物影响下的分布规律。结果表明：① TanDEM-X 90 m DEM在中国区域整体的绝对误差均值为3.89 m,中误差为9.03 m,标准差为8.85 m; ② 受地形因子的影响,在坡度<3°时,绝对误差均值仅为1.29 m,标准差为2.84 m; 在坡度>25°时,绝对误差均值20 m以上,标准差也达到30 m左右,即误差随着坡度的上升逐渐增大;③ 坡向对误差也有一定影响,在南北方向的绝对误差均值明显比东西方向小;④ 受地表覆盖物影响较大,在荒地误差最小,绝对误差均值仅为 1.85 m,但在冰川积雪区绝对误差均值达到12.68 m。通过与无人机获取的等高线及剖面图对比分析发现,TanDEM-X 90 m DEM能较好地反映真实地形情况。最后,根据不同影响因素的权值,绘制全国范围的TanDEM-X 90 m DEM误差绝对值分布图,且验证了可靠性。 相似文献
2.
全球开放DEM数据为数字地形分析提供了重要数据源。与已有的全球开放DEM数据相比,资源三号卫星具有更高的空间分辨率、更大的覆盖范围和更好的现势性。将资源三号卫星生成的DEM数据与全球开放DEM数据进行误差对比则为基于资源三号卫星的全球DEM数据研制提供科学依据。本文以山西省中部太原市为研究区,基于高精度激光点云数据生成DEM为参考数据,对资源三号卫星影像生成的DEM数据与全球典型的开放DEM数据(AW3D30、SRTM1和ASTER GDEM)的误差进行了对比分析,并获得了其在不同坡度等级下绝对误差与相对误差的平均值、平均绝对值、均方根值和标准偏差值。研究结果表明:①4种DEM数据的误差分布均具有较好的对称性。同时,平均误差接近于0 m,SRTM1和ASTER GDEM数据更是如此。因此均方根误差值与标准偏差值近似一致;②资源三号DEM具有最高的精度,误差最小(均方根误差4.6 m)。其次为AW3D30数据(均方根误差5.6 m)和SRTM1数据(均方根误差8.8 m)。ASTER GDEM数据误差最大(均方根误差12.6 m),精度最差;③资源三号DEM、SRTM1和ASTER GDEM数据的误差均随坡度的变大而增大,而AW3D30数据误差随着坡度增加呈现先减小后增大的趋势。总体上,与其他3种DEM数据相比,资源三号DEM在所有坡度范围均具有最小的误差值。 相似文献
3.
本文以山西省为实验区,基于ICESat/GLA14测高数据对SRTM1 DEM和ASTER GDEM V2数据的垂直精度进行了对比,分析了其在坡度、土地利用类型和地貌类型中的误差分布情况,并基于地形剖面方法分析了2种DEM数据在地形表达上的差异。研究结果表明：① 在垂直精度上,SRTM1 DEM数据要明显高于ASTER GDEM V2数据,其绝对误差均值分别为4.0 m和7.8 m,标准偏差分别为6.0 m和10.7 m,均方根误差分别为6.1 m和10.7 m。② 这2种DEM数据的精度受坡度影响严重,随坡度值的升高误差增大;SRTM1 DEM的绝对误差均值、标准偏差和均方根误差在水田最小,在林地最大,而ASTER GDEM V2的这3种误差在居民用地最小,在林地最大;SRTM1 DEM 和ASTER GDEM V2的绝对误差均值、标准偏差和均方根误差在平原地区最小,在大起伏山地最大。③ 在平原和台地地区,ASTER GDEM V2数据高程值有异常波动,SRTM1 DEM在起伏山地存在对山谷过高估计。总体上,SRTM1 DEM比ASTER GDEM V2对地形的表达准确,与ICESat/GLA14对地形的描述基本相一致。 相似文献
4.
对SRTM1 DEM高程误差进行校正可有效提高其应用精度。以具有典型地貌特征的黄土高原作为研究区域，以ICESat-2/ATL08陆地高程作为参考数据，引入主流机器学习算法建立SRTM1高程误差与影响因子之间的关系模型对高程值进行校正；通过分析模型性能指标、误差频数分布、校正误差空间格局以及典型剖面误差分布，以此得到不同地貌类型区的高程误差校正模型适用性。实验结果表明：在平原、风沙丘陵和黄土塬地貌区随机森林模型高程校正效果最佳，平均绝对误差分别降低0.49、0.82和1.2 m，同时校正误差在空间分布上异常值较少，低起伏度的平原和风沙丘陵地貌区典型剖面误差与原误差较为贴合；山地区支持向量机模型适用性更强，均方根误差和平均绝对误差分布降低了6.79 m和5.43 m，可大幅提升误差绝对值较小的点位频数，同时在空间格局和典型剖面验证效果最佳；黄土丘陵地貌区弹性反馈神经网络模型效果最优，均方根误差和平均绝对误差分别降低了2.3 m和2.04 m，空间分布上误差降低效果显著，典型剖面误差异常值较少；土石丘陵地貌区卷积神经网络模型效果更理想，均方根误差与平均绝对误差分别降低4.14 m和3.5 ... 相似文献
5.
《地理信息世界》2015,(4)
为了评价不同地貌下国产资源三号测绘卫星DSM数据精度,以云南省高海拔山区为研究案例,并以1:10 000实测地形图DEM为假定真值,以90 m分辨率SRTM DEM为评价参考,从高程精度和地形描述精度两个指标对15 m分辨率的ZY-3 DSM进行精度评价。结果表明:在不同地貌下ZY-3 DSM的高程精度和地形描述精度都优于SRTM DEM。从高程中误差分析来看,台地地貌精度最高,ZY-3 DSM高程中误差仅为SRTM DEM的1/6,平原地貌精度最低,该比值为1/2;就地形描述评价而言,四种地貌下ZY-3 DSM的Et均方根误差实际值与理论值均非常接近,实际值与理论值的比在0.975 2~1.594 3之间,而SRTM DEM在5.310 1~8.749 4之间。由此看来,不同地貌下ZY-3 DSM数据精度整体高于SRTM DEM。 相似文献
6.
典型山区SRTM3与ASTER GDEM数据精度对比分析——以青藏高原东麓深切河谷区为例 总被引：2，自引：0，他引：2
目前广泛应用的数字高程模型(DEM)包括SRTM和ASTER GDEM,但在地形影响下,两类数据的误差分布并不均匀。本文选用1:5万地形图DEM及河流要素作为参照,在青藏高原东麓山区开展实验,分别采用"河流-河谷"位置偏移量与高程中误差来评价两类数据的平面精度与垂直精度,结果表明:(1)实验区内SRTM3存在向西南方向的水平位置偏移,平均偏移量为127.8 m,ASTER GDEM则以正西方向偏移为主,平均偏移量为104.1 m,该区域ASTER GDEM的总体平面精度较好;(2)SRTM3数据样本的绝对误差分布相对集中,高程中误差为35.3 m,小于ASTER GDEM样本的高程中误差50.2 m,总体垂直精度优于ASTER GDEM;(3)在平均高程大于4500 m的高海拔区域,两类数据的中误差与高程值正相关,SRTM3中误差随高程增速较慢,垂直精度较ASTER GDEM高;(4)两组数据垂直精度对坡度有较大依赖性,中误差随坡度近似指数曲线增长,在平缓区域SRTM3中误差小于ASTER GDEM。本研究为该类数据在山区的选用及误差修正提供依据。 相似文献
7.
星载激光雷达ICESat-2和GEDI可以为数字高程模型产品的精度评价与修正提供全球覆盖的、可靠的高精度参考数据源。然而,现有的DEM修正方法主要是针对DEM误差中的植被高信号且多采用线性回归模型。为此,本文分析了ASTER GDEM v3精度与土地覆盖类型、高程、坡度、起伏度及植被覆盖率的关系。在此基础上,提出了一种考虑上述多种精度影响因素并结合XGBoost和空间插值的DEM误差修正方法。结果分析表明:原始ASTER GDEM的误差整体呈正态分布,平均误差为-3.463 m,存在较大负偏差,高程精度随着高程、坡度、起伏度及植被覆盖率VCF的增大呈降低趋势;经过修正后,ASTER GDEM平均误差降低到了-0.233 m,负偏差得到有效改善,整体平均绝对误差降低了26.04%,整体均方差降低了23.56%,耕地、林地、草地、湿地、水域及人造地表的DEM平均绝对误差和均方差都有不同程度的降低;本文提出的方法对多种特征要素与地形误差间的非线性关系进行拟合建模,在研究区取得了较好的修正效果。 相似文献
8.
基于DEM修正的MODIS地表温度产品空间插值 总被引：1，自引：0，他引：1
地表温度是资源环境、气候变化、陆地生态系统等科学研究的重要参数之一。MODIS LST（Land Surface Temperature, LST）产品是地表温度相关研究的重要数据源。而现有MODIS LST产品均存在云覆盖区域,因此云覆盖区域地表温度估计已成为热红外遥感的前沿性研究难题。为解决MODIS LST产品云遮挡区域地表温度信息缺失,以秦岭地区为研究区,选用2001-2017年的MOD11A2数据,在传统的反距离权重（IDW）、规则样条函数（SPLINE）、普通克里金（OK）、趋势面（TREND）空间插值方法中引入高程因子,通过反复试验形成基于DEM修正的MODIS LST空间插值方法。分析空间插值结果表明： ① 空间插值精度由高到低为：OK>SPLINE>IDW>TREND,基于DEM修正后精度分别提高了约0.38、0.31、0.32和0.78℃; ② 空间插值结果的精度呈现季节差异,夏季6、7、8月的精度较高,1月的精度最低;③ 插值精度与云区的范围存在一定的关系,当云覆盖区域<1.1 km2时,DEM+OK方法的插值误差<0.55 ℃,当云覆盖区域<3.1 km2,插值误差<1 ℃;DEM+SPLINE方法在云覆盖区域<2.7 km2时,插值误差<0.55 ℃,云覆盖区域<10.4 km2,插值误差<1℃;当云覆盖为1.1~2.7 km2时,DEM+SPLINE方法的插值精度高于DEM+OK方法。 相似文献
9.
目前,ICESat/GLAS是大尺度SRTM DEM精度评价的主要数据源。然而,现有的精度评价方法均忽略了2组数据的有效配准。为此,本文分析了数据配准前、后SRTM DEM整体精度差异,以及不同地形因子和土地利用类型对SRTM DEM影响程度。在此基础上,充分考虑SRTM DEM精度影响因素,分别借助多元线性回归（MLR）、后向传播神经网络（BPNN）、广义回归神经网络（GRNN）以及随机森林（RF）对SRTM DEM修正。结果分析表明：配准前,ICESat/GLAS与SRTM DEM沿x、y方向的平均水平位移分别为-17.588 m、-29.343 m,高程方向系统偏差为-2.107 m;配准后,SRTM DEM的系统误差基本消除,而且中误差降低了14.4%。配准前,坡向与SRTM DEM误差呈正弦函数关系,配准后这种关系基本消失。SRTM DEM误差均随地形起伏度、坡度、高程的增加呈增大趋势; 6种土地利用类型中,SRTM DEM在林地误差最大,未利用土地误差最小。对配准后SRTM DEM修正表明,RF效果最优,其中误差分别比MLR、BPNN、GRNN降低了3.1%、2.7%、11.3%。 相似文献
10.
数字高程模型（Digital Elevation Model, DEM）是一种至关重要的空间信息,广泛应用于各行各业。其中,ASTER GDEM与SRTM几乎覆盖了全球陆域,为地学研究提供了非常实用的高程数据支撑,但是由于二者传感器采集数据原理的不同,使得高程数据在不同地貌条件下的高程精度亦存在程度不一的误差。本文提出了一种新型的基于地貌特征的DEM融合方法,使得融合GDEM与SRTM后的DEM数据,消除了地貌特征的影响、显著地提高了DEM质量。该方法主要分为地理配准和高程融合2个步骤：①基于河流线对等线性地貌特征的位置数据,构建了GDEM与SRTM的水平偏移相关的误差评价函数,采用多级网格搜索法求得DEM间的水平偏移距离,实现对DEM的配准;②按照DEM高程值在不同地貌单元及边界线附近的高程变化特征,建立地貌分区的高程融合模型来融合两种地理配准后的DEM高程,尤其是实现了地貌单元边界线附近的高程平滑过渡。本文以怀柔北部地区为实验区,以1:5万地形图为参考,对2种DEM数据进行融合,统计结果表明：① 融合DEM在各地貌单元的误差均显著下降,地形表达较之融合前更加精确;② 高程差呈现正态分布,明显区别于融合前DEM不对称的多峰分布形态,说明地貌影响被有效地剔除;③ GDEM和SRTM数据的精度对坡度有较大依赖性,融合后DEM的精度在不同坡度范围下均优于GDEM和SRTM,显著降低了融合前DEM对坡度的依赖程度;④ 在不同坡向下,GDEM和SRTM的RMSE取值波动较大,融合DEM的RMSE取值在各方向表现稳定,高程精度较GDEM和SRTM有显著提高。 相似文献
11.
基于我国首颗全极化雷达卫星高分三号（GF-3）和Landsat8数据,研究浓密植被覆盖地表土壤水分反演方法。为了提高浓密植被覆盖地表土壤水分反演精度,首先利用PROSAIL模型、实测植被参数及Landsat8光学数据分析了8种植被指数与植被冠层含水量的相关性,从中优选出归一化差异水指数（NDWI5）用于反演植被冠层含水量,并通过分析植被含水量和植被冠层含水量的关系,构建植被含水量模型;然后结合植被含水量反演模型和简化MIMICS模型校正了植被对雷达后向散射系数的影响,最后基于AIEM建立裸土后向散射系数模拟数据集,发展一种主动微波和光学数据协同反演浓密植被覆盖地表土壤水分模型,并以山东省禹城市为研究区,实现了玉米覆盖下HH、VV和HH+VV 3种模式土壤水分反演。实验结果表明： ① NDWI5为最佳植被指数,对于去除植被影响有较好效果;② 基于此方法,利用GF-3和Landsat8卫星数据反演得到的土壤水分具有较高的精度;③ 相比HH和VV两种极化模式,HH+VV双通道模式对土壤水分反演结果更好,决定系数（R2）为0.4037,均方根误差（RMSE）为0.0667 m 3m -3。 相似文献
12.
基于条件随机模拟的DEM误差分析——以董志塬水土流失等级划分为例 总被引：1，自引：0，他引：1
DEM是对地球表面的模拟和模型化表达,DEM不可避免的含有误差,且DEM误差具有空间可变性和相关性。常用的DEM误差估算模型为中误差(RMSE),但RMSE为全局变量,无法反映误差的空间性。为了克服RMSE的缺陷,本文采用条件随机模拟实现了DEM误差曲面模拟。通过董志塬水土流失等级划分表明,DEM误差在平坦区域严重影响坡度精度,且坡度最大误差变程大于高程最大误差变程,DEM误差被放大使用概率模型和模糊度模型分析表明,大部分网格点水土流失等级划分均受到DEM误差影响条件随机模型的使用可以让DEM用户更加准确的分析和评价DEM误差对最终决策的影响。 相似文献
13.
水系自动提取是保证基础地理数据现势性的关键,而获得最佳集水面积阈值是提高水系提取精度的前提条件。集水面积阈值一般依靠定性分析的方法获取,采用均值变点分析法定量确定水系的集水面积阈值,可以满足基础地理数据精确性的要求。以云南省龙川江流域为研究区域,基于资源三号测绘卫星ZY-3 DSM和SRTM DEM两种数据,利用GIS工具分别提取该流域水系,再由均值变点分析法确定最佳集水面积阈值,并比较分析这两种水系的提取精度。研究结果表明:1随着集水面积阈值的增加,提取的水系密度减小且趋缓。ZY-3 DSM和SRTM DEM的最佳集水面积阈值分别是6.0 km~2和2.75 km~2;2在最佳集水面积阈值下,ZY-3 DSM提取的河流数比SRTM DEM多20.6倍,河流等级多2级,各级支流数为SRTM DEM的4.7~9.5倍不等,水系密度达到SRTM DEM的4.5倍;3与1:250 000水系数据相比,ZY-3 DSM和SRTM提取的河流点位平均相差395.23 m,RMSE为391.83 m。由此可见,利用均值变点分析法基于ZY-3 DSM提取的水系精度更高,完全满足测绘地理数据更新的现势性、准确性要求。 相似文献
14.
有利气象条件之后的静风期,极大降低了PM2.5跨区域传输的影响,能够揭示本地源的排放状况。本文尝试性引入了静风期污染物分布揭示本地源排放特征的概念,提出了一种基于遥感数据的PM2.5排放清单空间精细化方法：首先,利用 MODIS MCD19A2反演的ChinaHighPM2.5数据,构建高时空分辨率PM2.5数据融合方法;然后,构建唐山市有利气象条件之后的静风期污染物遴选方法（合理风向和风速：有利气象条件为东风,地面10 m高度风速大于3 m/s,其他风向,持续的较大风力5~10 m/s;静风期风速小于1.5~2.0 m/s）;其次,基于遴选的静风期PM2.5数据分配MEIC清单中的PM2.5总排放量,同时对比传统插值方法：基于GDP、人口密度、路网、土地利用类型数据,实现清单各污染源PM2.5的1 km×1 km空间分配;最后,利用WRF-CMAQ模拟数据和地面台站实测数据进行真实性检验。研究结果表明：① PM2.5数据填补融合方法能够有效提高PM2.5监测数据的时空分辨率,且与地面监测值显著相关（R2=0.94,RMSE=4.64 µg/m3,NMB=2%,NME=7%）;② 引入有利气象条件后的静风期概念,提出了静风期污染物的遴选方法,有效降低了PM2.5跨区域传输的影响,更好地反映了本地源排放的空间分布特征;③ WRF-CMAQ模拟方法的精度验证结果表明,该方法较传统面积插值法NME降低7%,NMB降低10%,RMSE降低1.54 µg/m3,R2提高11%。该方法为排放清单的空间精细化提供了新的研究思路。 相似文献
15.
流域水系是研究水文水资源、地貌演化和生态环境及水土治理等的基础数据,高精度的水系提取对流域研究十分重要。本文以空间分辨率均为30 m的 AW3D30 DSM、SRTM1 DEM和ASTER GDEM2数字高程模型作为基本的地形数据,基于SWAT模型提取犟河流域水系,通过河网“套合差”、水系相对误差、Google Map水文数据及蓝线河网对提取结果进行误差分析与综合评价,探讨河道剖面和地形特征对水系提取精度的影响。结果表明：① 集水面积阈值是决定河网水系提取精度的关键参数,阈值越大,提取的河网密度越小,反之提取的河网密度越大;② 基于河网密度与集水阈值二阶导数的幂函数与直线相切的数学求值方法确定流域最佳集水面积阈值,能避免最佳集水阈值取值的主观性,提取的河网水系与实际河道相符;③ AW3D30 DSM数据提取的流域河网水系与Google Map高分辨率影像的水系偏差最小,且AW3D30 DSM数据提取的水系与蓝线河网的河网“套合差”和水系相对误差值均最低,能真实反映中低山丘陵山区流域水系发育的疏密程度,吻合度最好;④ 多源DEM数据提取结果均显示为河床比降大和横剖面曲线为窄深式的“V”形河谷提取的水系精度高于河床比降小和横剖面曲线为 “碟”形河谷的提取精度;⑤ AW3D30 DSM数据的地形起伏和坡度标准差最大,有利于山区河网水系的提取。因此,基于SWAT模型和AW3D30 DSM数据提取的山区流域水系可最大限度反映流域水系的真实情况,精度最高,此方法和数据源可应用于中低山丘陵山区流域的水系提取研究。 相似文献