利用全球开源数字高程模型的高程误差预测数据集

来源：电子与信息学报杂志2024年第9期北京时间：

作者：余翠琳, 王青松, 钟梓炫, 张君豪, 赖涛, 黄海风

单位：中山大学电子与通信工程学院 深圳 518107

摘要：数字高程模型(DEM)校正一直是遥感地学研究中的重要内容，近年来蓬勃发展的机器学习新方法为DEM高程误差校正提供了新的解决途径。由于机器学习等人工智能方法依赖大量的训练数据，考虑到目前缺少大区域公开的、统一的、大规模和规范化多源 DEM 高程误差预测数据集，针对数据集缺失的问题，该文公开了多源DEM高程误差预测数据集(DEEP-Dataset)。该数据集包括4个子数据集，分别基于中国广东省研究区域的 数字高程测量的 TerraSAR-X 附加组件(TanDEM-X) DEM和先进陆地观测卫星世界3D-30米(AW3D30) DEM以及澳大利亚北领地研究区域的航天飞机雷达地形测绘任务(SRTM) DEM和先进星载热发射和反射辐射计全球数字高程模型 (ASTER) DEM构成。其中，广东省研究区域的样本数量约为40 000，北领地研究区域的样本数约量为1 600 000。数据集中的每个样本均由10个特征组成，涵盖了地理空间、地物种类以及地表形态等特征信息。通过设置机器学习模型测试、DEM校正以及特征重要性评估等对比实验，验证了DEEP-Dataset在实际模型训练和DEM校正中的有效性，也证明了该数据集的合理性和丰富性。

关键词：数字高程模型, 人工智能, 机器学习, 预测数据集

基金资助：国家自然科学基金(62273365, 62071499)，“小米青年学者”项目