Pour résoudre les problèmes liés à la faible précision de la reconstruction 3D du terrain à partir d'images stéréoscopiques satellites en l'absence de points de contrôle au sol (GCPs) sur une surface avec développement de ravins, ainsi que les difficultés ou coûts élevés liés à la collecte de grands volumes de GCPs, cet article propose une méthode basée sur un réseau de neurones BP utilisant le modèle numérique de surface (DSM) dérivé des images du satellite GF-7 et intégrant les données LiDAR. La méthode établit une relation multifactorielle entre le DSM généré à partir des images stéréoscopiques GF-7 en condition non contrôlée, la longitude et la latitude géographiques, la pente du relief, les erreurs topographiques et les points LiDAR GEDI (Global Ecosystem Dynamics Investigation), afin d'obtenir un résultat fusionné pour améliorer la précision du DSM de terrain en condition non contrôlée. Les résultats expérimentaux montrent que la précision altimétrique du DSM généré à partir des images stéréoscopiques GF-7 dans une zone minière développée en ravins sous condition non contrôlée peut atteindre 20,49 m, tandis que la précision altimétrique moyenne du DSM fusionné proposée est de 1,63 m, proche de la précision altimétrique du DSM terrain sous condition contrôlée qui est de 1,44 m. Cette méthode améliore efficacement la qualité de la précision altimétrique du DSM généré à partir des images stéréoscopiques satellites en condition non contrôlée dans une zone minière avec développement de ravins, offrant une nouvelle approche pour la promotion et l'application des images GF nationales à haute résolution et la modélisation topographique de haute précision.

Modèle numérique de surface;Points de contrôle au sol;Réseau de neurones;Surface avec développement de ravins;Images stéréoscopiques satellite GF-7;GEDI (Global Ecosystem Dynamics Investigation)