Um die Probleme der geringen Genauigkeit bei der dreidimensionalen Geländerekonstruktion aus Satelliten-Stereobildern unter Bedingungen ohne bodengestützte Kontrollpunkte (GCPs) auf einer Oberfläche mit ausgeprägter Rinnenbildung sowie die Schwierigkeiten oder hohen Kosten bei der Erfassung großer Mengen von GCPs zu lösen, wird in diesem Artikel eine BP-Neuronales-Netz-Verfahren für das digitale Oberflächenmodell (DSM) aus GF-7-Satellitenbildern vorgeschlagen, das LiDAR-Daten integriert. Die Methode stellt eine multifaktorielle Beziehung zwischen dem DSM, das unter unkontrollierten Bedingungen aus GF-7-Stereobildern generiert wird, den geografischen Längen- und Breitengraden, der Hangneigung, den Geländeabweichungen und den LiDAR-Höhendaten von GEDI (Global Ecosystem Dynamics Investigation) her und erhält ein Fusionsergebnis zur Verbesserung der DSM-Genauigkeit unter unkontrollierten Bedingungen. Experimentelle Ergebnisse zeigen, dass die Höhenpräzision des DSM, das aus GF-7-Stereobildern in einem Gelände mit ausgeprägten Rinnen ohne Kontrollpunkte erstellt wurde, bis zu 20,49 m betragen kann, während die mittlere Höhenpräzision des durch diese Methode fusionierten DSM 1,63 m beträgt, was weitgehend der Höhenpräzision von 1,44 m unter Kontrollbedingungen entspricht. Die Methode verbessert wirksam die Höhenpräzisionsqualität des DSM, das unter unkontrollierten Bedingungen aus Satellitenstereobildern in einem Gelände mit ausgeprägten Rinnen erstellt wurde, und bietet neue Ansätze für die Förderung und Anwendung von hochwertigen nationalen GF-Bildern sowie die präzise Geländemodellierung.

Digitales Oberflächenmodell;Bodenkontrollpunkte;Neuronales Netzwerk;Oberfläche mit Rinnenentwicklung;GF-7-Satelliten-Stereobilder;GEDI (Global Ecosystem Dynamics Investigation)