Para enfrentar os problemas de baixa precisão na reconstrução tridimensional do terreno a partir de imagens estereoscópicas de sensoriamento remoto de satélites sob condições sem pontos de controle terrestre (GCPs) em superfícies com desenvolvimento de ravinas, bem como a dificuldade ou alto custo na coleta de grandes áreas de GCPs, este artigo propõe um método de rede neural BP para o Modelo Digital de Superfície (DSM) a partir de imagens do satélite GF-7 integrando dados LiDAR. O método estabelece uma relação multifatorial entre o DSM gerado pela imagem estereoscópica do GF-7 em condições sem controle, a longitude e latitude geográfica, a inclinação do terreno, erros topográficos e os pontos LiDAR do GEDI (Global Ecosystem Dynamics Investigation), obtendo resultados integrados para melhorar a precisão do DSM do terreno sob condições sem controle. Os resultados experimentais mostram que a precisão altimétrica do DSM gerado pela imagem estereoscópica do GF-7 em uma área mineradora com superfície de ravinas em condições sem controle pode atingir até 20,49 m, enquanto a precisão média altimétrica do DSM integrado pelo método proposto é de 1,63 m, comparável à precisão altimétrica de 1,44 m do DSM do terreno sob condições controladas. O método melhora efetivamente a qualidade da precisão altimétrica do DSM gerado por imagens estereoscópicas de satélite sob condições sem controle em áreas mineradoras com desenvolvimento de ravinas, proporcionando novas ideias para a promoção e aplicação de imagens GF nacionais de alta resolução e modelagem topográfica de alta precisão.

Modelo Digital de Superfície;Pontos de Controle Terrestres;Rede Neural;Superfície com desenvolvimento de ravinas;Imagens estereoscópicas do satélite GF-7;GEDI (Global Ecosystem Dynamics Investigation)