Cette étude a été menée pour résoudre les problèmes de faible précision dans la reconstruction du modèle numérique de surface (DSM) des images satellitaires tridimensionnelles du satellite GF-7 dans les zones vallonnées où il n'y a pas de points de contrôle au sol (GCPs) et où la collecte de GCPs sur de grandes surfaces est difficile ou coûteuse. Cet article présente une méthode de réseau neuronal BP (BP) pour fusionner les données de mesure de la hauteur laser spatiale du satellite GF-7 pour créer un modèle numérique de la surface terrestre (DSM). Cette méthode établit la relation entre le DSM créé à partir d'images satellitaires tridimensionnelles de GF-7 dans des conditions non contrôlées et les coordonnées géographiques de longitude et de latitude, la pente du relief, les erreurs de relief et les points de mesure de la hauteur laser spatiale GEDI pour obtenir des résultats fusionnés afin d'améliorer la précision du DSM dans des conditions non contrôlées. Les résultats des expériences montrent que la précision de hauteur verticale du DSM créé à partir d'images satellitaires tridimensionnelles de GF-7 dans des conditions non contrôlées peut atteindre 20,49 m, tandis que la précision de hauteur verticale moyenne du DSM fusionné créé dans cet article est de 1,63 m, et est pratiquement équivalente à la précision de hauteur verticale du DSM de relief dans des conditions contrôlées d'environ 1,44 m. Cette méthode, proposée dans cet article, améliore efficacement la précision de hauteur verticale du DSM de relief dans des zones vallonnées dans des conditions non contrôlées et ouvre de nouvelles voies pour l'application des images satellitaires à haute résolution et la modélisation précise du relief.

modèle numérique de surface ; points de contrôle au sol ; réseau neuronal ; zones vallonnées ; images satellitaires tridimensionnelles GF-7 ; GEDI.