對(duì)ASTER GDEM數(shù)字高程模型的精度評(píng)價(jià)及修正

楊 帥 胡保健 胡占占 張志號(hào)

(山東科技大學(xué) 測(cè)繪科學(xué)與工程學(xué)院, 山東 青島 266590)

0 引言

先進(jìn)星載熱發(fā)射和反射成像儀全球數(shù)字高程模型(Andvanced Spaceborne Thermal Emission and Reflection Radiometer Global Digitial Elevation Model, ASTER GDEM)所獲取的近乎覆蓋全球數(shù)字高程模型是目前大尺度地學(xué)分析的基礎(chǔ)數(shù)據(jù),已廣泛應(yīng)用于測(cè)繪、水文、氣象、軍事等領(lǐng)域[1-2]。然而,ASTER受地形條件、植被條件等因素的影響,獲取到的ASTER GDEM數(shù)據(jù)誤差分布不均勻。因此,在數(shù)字地形分析前明確ASTER GDEM誤差分布至關(guān)重要。

自ASTER全球公開(kāi)以來(lái),ASTER質(zhì)量問(wèn)題的研究已取得了不少成果。諸多學(xué)者聚焦于ASTER精度評(píng)價(jià),目前通過(guò)GNSS(全球?qū)Ш叫l(wèi)星系統(tǒng), Global Navigation Satellite System)、機(jī)載激光雷達(dá)等技術(shù)獲取的地面控制點(diǎn)作為參考數(shù)據(jù)評(píng)估ASTER精度是最常用的驗(yàn)證方式[3-4]。然而,受獲取成本及工作量的影響,限制了該方法的大面積應(yīng)用。另外,DEM(數(shù)字高程模型, Digitial Elevation Model)對(duì)DEM也是一種常用的驗(yàn)證方式[5]。但是,目前很難獲取高精度DEM數(shù)據(jù)作為參考高程,只能獲得相對(duì)DEM精度。自2003年星載激光雷達(dá)ICESat-1數(shù)據(jù)發(fā)布以來(lái),大量研究證明ICESat-1(冰、云和陸地高程衛(wèi)星1,Ice, Cloud and Lanel Elevation Satellite-1)數(shù)據(jù)具有較高的精度[6-7],利用ICESat-1數(shù)據(jù)評(píng)估ASTER精度成為可能。但是,受衛(wèi)星設(shè)備及大氣環(huán)境的影響,ICESat-1數(shù)據(jù)采樣點(diǎn)密度較低,難以精準(zhǔn)驗(yàn)證ASTER數(shù)據(jù)精度。2018年9月,美國(guó)國(guó)家航空航天局(National Aeronautics and Space Administration, NASA)發(fā)布了一顆新型天基激光測(cè)高衛(wèi)星ICESat-2(冰、云和陸地高程衛(wèi)星2,Ice, Cloud and Land Elevation Satellite-2),其上搭載的地形激光高度計(jì)系統(tǒng)的數(shù)據(jù)采集頻率是地球科學(xué)激光高度計(jì)系統(tǒng)(Geoscience Laser Altimeter System, GLAS)的250倍。相比ICESat-1數(shù)據(jù),ICESat-2具有更高的精度和采樣密度,為精確評(píng)價(jià)DEM精度提供了條件。

近年來(lái)有學(xué)者開(kāi)始關(guān)注DEM數(shù)據(jù)修正。例如,杜小平等以ICESat-1高程數(shù)據(jù)為參考,建立了ICESat-1與SRTM(航天飛機(jī)雷達(dá)地形測(cè)繪使命, Shuttle Radar Topography Mission) DEM之間的一元線性回歸模型,對(duì)中國(guó)典型低海拔沿海平原和高海拔山地地區(qū)的SRTM DEM數(shù)據(jù)進(jìn)行修正[8];SU等基于線性回歸模型,利用植被參數(shù)和地形參數(shù)因子減少SRTM的系統(tǒng)誤差,從而修正美國(guó)植被山區(qū)的SRTM[9];BAUGH直接從SRTM中減去一定百分比的植被高度來(lái)修正SRTM誤差[10]。然而,線性模型難以捕捉變量之間的非線性關(guān)系,從而限制了線性回歸的實(shí)用性。

針對(duì)上述問(wèn)題,本文以ICESat-2為參考數(shù)據(jù),系統(tǒng)分析了坡度、地形起伏度及土地利用類(lèi)型對(duì)ASTER GDEM精度的影響。然后,充分考慮ASTER GDEM精度影響因素,借助后向傳播神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network, BPNN)對(duì)其修正。

1 研究區(qū)域以及數(shù)據(jù)來(lái)源

1.1 研究區(qū)域

江西省蓮花縣位于中國(guó)東南部長(zhǎng)江中下游南岸(26°～27°N,113°～114°E),占地總面積1 072 km2。該地區(qū)地貌類(lèi)型較為復(fù)雜,以丘陵、崗地、河谷平原和山間盆地組成,地勢(shì)北、東、西三面高,中部和南部較低,四周山嶺環(huán)繞,不少山峰海拔在1 000 m以上,其中,境內(nèi)最高峰石門(mén)山海拔達(dá)1 300.5 m、高天巖海拔1 275 m、西部帽子山海拔1 148 m。

1.2 數(shù)據(jù)來(lái)源

ASTER GDEM數(shù)據(jù)由NASA和日本METI聯(lián)合開(kāi)發(fā),其上搭載了METI制造的先進(jìn)星載熱發(fā)射和反輻射計(jì),通過(guò)近紅外波段的垂直向下成像傳感器和后視成像傳感器獲取立體像對(duì),并采用立體像對(duì)處理等步驟生成DEM數(shù)據(jù)。ASTER GDEM數(shù)據(jù)共有v1、v2兩個(gè)版本。其中,ASTER GDEM v2是由v1版本采用一種先進(jìn)的算法改進(jìn)而來(lái),大大提高了其高程精度。為此,本文以ASTER GDEM v2為研究數(shù)據(jù)(見(jiàn)圖1),該數(shù)據(jù)源于中國(guó)科學(xué)院計(jì)算機(jī)網(wǎng)絡(luò)信息中心國(guó)際科學(xué)數(shù)據(jù)鏡像網(wǎng)站(http:∥www.gscloud.cn),以EGM96模型為水準(zhǔn)面, WGS84為參考橢球,垂直標(biāo)稱(chēng)精度約為±20 m。其中,坡度、地形起伏度數(shù)據(jù)使用ARCGIS直接從ASTER GDEM中提取(圖2)。

圖1 蓮花縣ASTER GDEM高程圖

ICESat-2于2018年9月由NASA發(fā)射,該衛(wèi)星上的ATLAS用來(lái)測(cè)量光子從ATLAS到達(dá)地球并再次返回地球所需的時(shí)間,確定光子的大地經(jīng)度、緯度、高程等參數(shù)信息。ICESat-2共有三級(jí)產(chǎn)品(ATLA01、ATLA02、ATLA03),本文使用ATLA03數(shù)據(jù),ATLA03數(shù)據(jù)中有三對(duì)地面軌跡,每對(duì)軌道中的兩條軌道稱(chēng)為強(qiáng)光和弱光,能量比約為4∶1,在地面軌道上相距約90 m。本文下載了研究區(qū)域從2018年10月至2020年3月期間所有的ICESat-2點(diǎn)數(shù)據(jù),共計(jì)4 922 366個(gè)點(diǎn),數(shù)據(jù)源于美國(guó)國(guó)家冰雪數(shù)據(jù)中心(https:∥NSIDC.org/data/ICESat-2)。

圖2 研究區(qū)域

土地利用數(shù)據(jù)能夠反映土地利用現(xiàn)狀、地區(qū)地形和植被特征,在土地規(guī)劃、資源勘查、生態(tài)環(huán)保等領(lǐng)域已經(jīng)得到廣泛應(yīng)用。本研究數(shù)據(jù)源于中國(guó)科學(xué)院地理科學(xué)與資源研究所,以2010年Landsat TM/ETM遙感影像為主要數(shù)據(jù)源,通過(guò)人機(jī)交互目視解譯的方法,將土地利用類(lèi)型分為六大類(lèi),總體分類(lèi)精度為92.7%。圖2顯示了研究區(qū)土地利用分布狀況,每一個(gè)土地利用類(lèi)型分別占的比例為:耕地占23.8%、林地占69.6%、草地占4.0%%、水域占2.3%、建設(shè)用地占0.3%、未利用土地占0%。

2 研究方法

2.1 ICESat-2數(shù)據(jù)處理

從美國(guó)國(guó)家冰雪數(shù)據(jù)中心(National Snow and Ice Data Center, NSIDC)下載了研究區(qū)域內(nèi)共計(jì)4 922 366個(gè)ICESat-2點(diǎn)數(shù)據(jù),其坐標(biāo)系統(tǒng)的參考橢球體為WGS84。使用Matlab軟件提取4種所需參數(shù):h_ph、lon_ph、lat_ph、signal_conf_ph,分別表示經(jīng)度、緯度、光子高度以及光子信號(hào)置信度。其中,光子置信度分為六級(jí):-2、-1、0、1、2、3、4。為了消除噪聲光子的影響,我們最終篩選出高置信度的ICESat-2數(shù)據(jù),共剩余211 051個(gè)點(diǎn)數(shù)據(jù)。此外,我們計(jì)算ICESat-2點(diǎn)相應(yīng)位置的ASTER GDEM高程差。首先,采用HUANG等提出的方法將GDEM高程差絕對(duì)值大于100 m的點(diǎn)作為異常值剔除[11]。然后,利用3σ準(zhǔn)則進(jìn)一步剔除ICESat-2異常點(diǎn)[9],最終剩余195 995個(gè)ICESat-2點(diǎn)用于本研究。

2.2 修正方法

后向傳播神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)之一。它一般由3層網(wǎng)絡(luò)結(jié)構(gòu)組成:輸入層、隱含層、輸出層(圖3)。BP算法的學(xué)習(xí)過(guò)程分為信號(hào)的前向傳播和誤差的反向傳播兩個(gè)階段。在信號(hào)的前向傳播階段,輸入層神經(jīng)元接收輸入數(shù)據(jù),隱含層和輸出層對(duì)輸入數(shù)據(jù)進(jìn)行加工處理,最后由輸出層神經(jīng)元輸出,如果輸出結(jié)果與期望值有誤差,則進(jìn)入網(wǎng)絡(luò)的反向?qū)W習(xí)階段。在反向?qū)W習(xí)階段,利用梯度下降法將輸出誤差逐層回傳,并且對(duì)相應(yīng)神經(jīng)元的權(quán)值和偏置進(jìn)行適當(dāng)調(diào)整,重復(fù)此過(guò)程直到網(wǎng)絡(luò)輸出值與期望值之間的誤差最小。

圖3 BPNN網(wǎng)絡(luò)結(jié)構(gòu)圖

在BP網(wǎng)絡(luò)訓(xùn)練之前需要預(yù)先設(shè)置一些參數(shù),包括隱含層神經(jīng)元個(gè)數(shù)、訓(xùn)練次數(shù)、激活函數(shù)、訓(xùn)練目標(biāo)誤差以及學(xué)習(xí)率等。在BP網(wǎng)絡(luò)模型中,我們采用的3個(gè)函數(shù)分別為‘tansing’、‘purelin’、‘trainlm’。此外,訓(xùn)練精度和學(xué)習(xí)速率分別設(shè)為0.1和0.01。本文將空間位置信息(經(jīng)度、緯度)、坡度、地形起伏度及土地利用類(lèi)型作為輸入數(shù)據(jù),目標(biāo)輸出即為修正后得ASTER GDEM數(shù)據(jù)。

2.3 精度評(píng)價(jià)

為了評(píng)價(jià)ASTER GDEM數(shù)據(jù)精度,本文采用最大值、最小值、平均誤差、中誤差4種精度指標(biāo)描述GDEM誤差的基本統(tǒng)計(jì)特征。平均誤差可以反映GDEM數(shù)據(jù)的系統(tǒng)誤差,中誤差是衡量數(shù)據(jù)精度的常用指標(biāo),可以反映誤差的總體大小。其中,平均誤差(ME)和中誤差(RMSE)計(jì)算公式為:

(1)

(2)

式中:Hi,ICESAT表示第i個(gè)ICESAT-2點(diǎn)高程,Hi,GDEM表示第i個(gè)ASTER GDEM高程點(diǎn),n為ICESat-2點(diǎn)個(gè)數(shù)。

為了分析坡度、地形起伏度、土地利用類(lèi)型對(duì)ASTER GDEM精度影響,本文首先對(duì)它們按照一定等級(jí)分級(jí),然后分析每個(gè)等級(jí)影響因子中ASTER GDEM誤差分布情況。

3 結(jié)果分析

3.1 ASTER GDEM高程精度分析

ICESat-2和ASTER GDEM高程值基本統(tǒng)計(jì)參數(shù)結(jié)果見(jiàn)表1。由表1可知,在195 995個(gè)采樣點(diǎn)中,ICESat-2的高程最小值和ASTER GDEM值相差較大,為16.5 m,而高程最大值相近;ICESat-2與ASTER GDEM的平均誤差相差10 m,中誤差相差0.9 m。

表1 ICESat-2、ASTER GDEM v2的統(tǒng)計(jì)數(shù)據(jù)的比較

以ICESat-2數(shù)據(jù)為參考高程,對(duì)ASTER GDEM數(shù)據(jù)的垂直誤差進(jìn)行統(tǒng)計(jì)分析(表2)。由表2可知,ASTER GDEM的平均誤差較大,為10.0 m,中誤差為14.1 m,優(yōu)于其標(biāo)稱(chēng)精度。為了進(jìn)一步分析ASTER GDEM高程差的分布特征,將ICESat-2和ASTER GDEM的高程差值做直方圖統(tǒng)計(jì)分析(圖4)。由圖4可知,ASTER GDEM誤差呈正態(tài)分布。

表2 基于坡度的ASTER GDEM v2誤差分布

圖4 ASTER GDEM誤差直方圖

3.2 基于地表因子的ASTER高程精度分析

3.2.1基于坡度的精度分析

基于坡度對(duì)GDEM誤差參數(shù)的統(tǒng)計(jì)結(jié)果見(jiàn)表2。ASTER GDEM在坡度區(qū)間5°～10°時(shí)平均誤差最大,在大于25°時(shí)平均誤差最小,分別為10.8 m、6.7 m,ASTER GDEM的中誤差隨著坡度的增加而顯著變大,說(shuō)明ASTER GDEM的精度和坡度有較大的相關(guān)性。

3.2.2基于地形起伏度的精度分析

基于地形起伏度對(duì)GDEM誤差進(jìn)行統(tǒng)計(jì)分析(表3)。表3顯示,隨地形起伏度增大,ASTER GDEM平均誤差逐漸變小;對(duì)于中誤差,在0～≤10 m至10～≤20 m區(qū)間段與30～≤40 m至>40 m區(qū)間段變化幅度較大,在10～≤20 m至30～≤40 m區(qū)間段趨于穩(wěn)定。

表3 基于地形起伏度的ASTER GDEM v2誤差分布

3.2.3基于土地利用類(lèi)型的精度分析

基于土地利用類(lèi)型對(duì)GDEM誤差統(tǒng)計(jì)分析(表4)。ASTER高程精度在不同土地利用類(lèi)型上存在差異,按誤差平均值由小到大排序依次是:林地、草地、耕地、建設(shè)用地和水域,GDEM誤差均為正值,在水域中最大,為23.7 m;按中誤差排序依次是:建設(shè)用地、耕地、林地、草地、水域,在建設(shè)用地最小,為13.4 m,在水域最大,為26.5 m。

表4 基于土地利用類(lèi)型的ASTER GDEM v2誤差分布 單位：m

3.3 修正結(jié)果

基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘和數(shù)據(jù)預(yù)測(cè)能力,本文利用BPNN神經(jīng)網(wǎng)絡(luò)建立了ICESat-2與研究區(qū)空間位置、地形因子以及土地利用類(lèi)型影響因素之間的關(guān)系來(lái)提高ASTER GDEM數(shù)據(jù)精度(表5)。通過(guò)修正,ASTER GDEM系統(tǒng)誤差由10.00 m降低至0.02 m,接近于0,標(biāo)準(zhǔn)差和中誤差也明顯降低,分別由10.0、14.1 m降低至7.4、7.5 m。

表5 ASTER數(shù)據(jù)修正前后誤差統(tǒng)計(jì) 單位：m

4 結(jié)束語(yǔ)

本文通過(guò)利用高精度、高覆蓋度的ICESat-2測(cè)高數(shù)據(jù),基于坡度、地形起伏度、土地利用類(lèi)型因子對(duì)江西省蓮花縣的ASTER GDEM誤差進(jìn)行統(tǒng)計(jì)分析,然后使用BPNN神經(jīng)網(wǎng)絡(luò)對(duì)其修正,得出以下結(jié)論:

(1)在蓮花縣區(qū)域,ASTER GDEM數(shù)據(jù)的總體平均誤差較大,為10.0 m,中誤差為14.1 m,在精度方面明顯優(yōu)于其官方標(biāo)稱(chēng)精度。

(2)ASTER GDEM數(shù)據(jù)的垂直精度受坡度、地形起伏度、土地利用類(lèi)型影響嚴(yán)重。坡度越大,GDEM中誤差越大,數(shù)據(jù)精度越差。在坡度大于25°時(shí),ASTER GDEM的中誤差達(dá)到15.7 m;隨地形起伏度增加,ASTER GDEM誤差基本呈增大趨勢(shì);不同土地利用類(lèi)型的ASTER GDEM精度不同,其中,在水域精度最差,在建設(shè)用地精度最好。

(3)修正后ASTER GDEM系統(tǒng)誤差接近于0,中誤差降低了47%。

(4)本文對(duì)ASTER GDEM v2數(shù)據(jù)精度的分析及修正結(jié)果為ASTER GDEM數(shù)據(jù)在地形和地理研究中的應(yīng)用提供了參考。