Angesichts der geringen Genauigkeit bei der dreidimensionalen Rekonstruktion des digitalen Geländemodells (DSM) aus satellitenbasierten stereoskopischen Bildern in stark reliefierten Gebieten, unter Bedingungen, bei denen das Fehlen von bodengestützten Kontrollpunkten (GCPs) das Sammeln einer großen Menge von GCP-Daten erschwert oder zu erhöhten Kosten führt, schlägt diese Studie eine Methode des BP-Neuronalen Netzwerks zur Verbesserung des DSM des Satelliten GF-7 vor, indem Daten der Lasermessung der Höhe fusioniert werden. Diese Methode etabliert eine Beziehung zwischen mehreren Faktoren wie DSM, das aus satellitenbasierten Bildern des Satelliten GF-7 unter unkontrollierten Bedingungen erzeugt wird, und geografischer Länge und Breite, Geländeneigung, Geländeabweichungen und GEDI-Punkten während der Lasermessung der Höhe, um fusionierte Ergebnisse zu erhalten und die Genauigkeit des DSM in unkontrollierten Geländebedingungen zu verbessern. Experimentelle Ergebnisse zeigen, dass die Höhengenauigkeit des aus satellitenbasierten GF-7-Bildern in unkontrollierten Bedingungen generierten DSM bis zu 20,49 Meter erreichen kann, während die durch die Fusion generierte durchschnittliche Höhengenauigkeit des DSM bei 1,63 Metern liegt, was wahrscheinlich ungefähr der Genauigkeit des DSM für das Gelände mit Kontrollpunkten von 1,44 Metern entspricht. Diese Methode verbessert effektiv die niedrige Qualität der Höhengenauigkeit des DSM, die von satellitenbasierten GF-7-Bildern in unkontrollierten stark reliefierten Geländegebieten produziert wird, und bietet somit eine neue Perspektive für die Anwendung und präzise Geländemodellierung mit hochauflösenden Bildern.

digitales Geländemodell; bodengestützte Kontrollpunkte; neuronales Netzwerk; stark reliefiertes Gelände; satellitenbasierte stereoskopische Bilder GF-7; GEDI