[发明专利]一种基于粒子群优化随机森林的数字高程模型高程误差修正方法

权利要求书

1.一种基于粒子群优化随机森林的数字高程模型高程误差修正方法，其特征在于，该方法包括以下步骤：

a、从测高卫星数据中提取参考高程控制点，计算相对于参考高程控制点的数字高程模型高程误差及提取参考高程控制点对应的经纬度、地形参数和地表覆盖类型参数；

b、构建基于粒子群优化随机森林的数字高程模型高程误差修正模型；

c、用参考高程控制点处的经纬度、地形参数和地表覆盖参数作为修正模型输入数据，高程误差作为修正模型目标数据，建立训练模型的训练集；

d、用训练集对修正模型进行训练，将数字高程模型应用于训练所得修正模型中，进行高程误差的修正。

2.根据权利要求1所述的一种基于粒子群优化随机森林的数字高程模型高程误差修正方法，其特征在于，所述步骤a中，提取的地形参数为数字高程模型的坡度Sl、坡向As和地形起伏度Re，提取的地表覆盖类型参数来自全球地表覆盖数据Gl；对于参考高程控制点对应地形参数的计算，采用双线性插值法在参考高程控制点处进行提取；对于地表覆盖类型参数则在参考高程控制点处直接进行提取。

3.根据权利要求1或2所述的一种基于粒子群优化随机森林的数字高程模型高程误差修正方法，其特征在于，所述步骤b中，高程误差修正模型为：

式中，H_corrected为修正后数字高程模型的高程，H_original为原始数字高程模型高程，H_error为预测的数字高程模型高程误差，PSO为粒子群算法，RF为随机森林算法；Lat和Lon分别为纬度和经度，Sl、As、Re、Gl分别为坡度、坡向、地形起伏度和地表覆盖类型参数；通过PSO算法的参数寻优，利用训练集训练得到最优参数组合的RF高程误差模型，根据每个SRTM像元的响应变量[Lat,Lon,Sl,As,Re,Gl]，用于SRTM高程误差结果H_error的预测中，再由求得的高程误差，结合原始SRTM高程H_original得到修正后的SRTM高程H_corrected。

4.根据权利要求1或2所述的一种基于粒子群优化随机森林的数字高程模型高程误差修正方法，其特征在于，所述步骤d中，模型训练和修正的具体流程为：首先将原始训练集随机分为5组，其中4组用于随机森林模型的训练，1组用于模型精度验证，其中随机森林模型为：

H_error-RF＝f_RF(Lat,Lon,Sl,As,Re,Gl)

验证评价指标采用均方差回归损失MSE：

式中，N为用于验证的数据个数，H_error-RF为随机森林模型所预测的高程误差，为数字高程模型相对于参考高程控制点的高程误差；依次将各组数据用于精度验证，最终将5次精度验证结果的均值作为模型的适应度函数值，适应度函数值越小表示模型精度越高；

然后确定影响随机森林模型精度的超参数的解空间范围，通过粒子群算法设定的粒子在解空间中速度和位置的迭代更新，比较不同超参数组合下适应度函数值，搜索适应度函数值最小的超参数组合，将此超参数组合作为随机森林模型的最优超参数组合，用整个训练集训练最优参数组合下的随机森林模型；

最后由训练得到的模型，根据数字高程模型每个像元对应的[Lat,Lon,Sl,As,Re,Gl]，预测像元对应的高程误差结果H_error，加上像元原始高程H_original，得到修正后的高程H_corrected，完成对数字高程模型的高程误差修正。

5.根据权利要求3所述的一种基于粒子群优化随机森林的数字高程模型高程误差修正方法，其特征在于，所述步骤d中，模型训练和修正的具体流程为：首先将原始训练集随机分为5组，其中4组用于随机森林模型的训练，1组用于模型精度验证，其中随机森林模型为：

H_error-RF＝f_RF(Lat,Lon,Sl,As,Re,Gl)

验证评价指标采用均方差回归损失MSE：

式中，N为用于验证的数据个数，H_error-RF为随机森林模型所预测的高程误差，为数字高程模型相对于参考高程控制点的高程误差；依次将各组数据用于精度验证，最终将5次精度验证结果的均值作为模型的适应度函数值，适应度函数值越小表示模型精度越高；

然后确定影响随机森林模型精度的超参数的解空间范围，通过粒子群算法设定的粒子在解空间中速度和位置的迭代更新，比较不同超参数组合下适应度函数值，搜索适应度函数值最小的超参数组合，将此超参数组合作为随机森林模型的最优超参数组合，用整个训练集训练最优参数组合下的随机森林模型；

最后由训练得到的模型，根据数字高程模型每个像元对应的[Lat,Lon,Sl,As,Re,Gl]，预测像元对应的高程误差结果H_error，加上像元原始高程H_original，得到修正后的高程H_corrected，完成对数字高程模型的高程误差修正。