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全球公開以來,ASTER質(zhì)量問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,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。

近年來有學(xué)者開始關(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)來源

ASTER GDEM數(shù)據(jù)由NASA和日本METI聯(lián)合開發(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,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,通過人機(jī)交互目視解譯的方法,將土地利用類型分為六大類,總體分類精度為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基于土地利用類型的精度分析

基于土地利用類型對(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型影響因素之間的關(guān)系來提高ASTER GDEM數(shù)據(jù)精度(表5)。通過修正,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

本文通過利用高精度、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。