Para abordar los problemas de baja precisión en la reconstrucción 3D de terrenos a partir de imágenes estereoscópicas satelitales bajo condiciones sin puntos de control en tierra (GCPs) en superficies con desarrollo de barrancos, así como la dificultad o alto costo de recolectar grandes cantidades de GCPs, este artículo propone un método de red neuronal BP para modelos digitales de superficie (DSM) derivados de imágenes del satélite GF-7 que integran datos LiDAR. El método establece una relación multifactorial entre el DSM generado por imágenes estereoscópicas GF-7 en condiciones sin control, la longitud y latitud geográfica, la pendiente del terreno, el error topográfico y los puntos LiDAR GEDI (Global Ecosystem Dynamics Investigation), obteniendo un resultado integrado para mejorar la precisión del DSM bajo condiciones sin control. Los resultados experimentales muestran que la precisión de la elevación del DSM generado a partir de imágenes estereoscópicas GF-7 en una zona minera con superficie desarrollada de barrancos en condiciones sin control puede alcanzar los 20.49 m, mientras que la precisión media de la elevación del DSM integrado por el método propuesto es de 1.63 m, comparable a la precisión de 1.44 m del DSM topográfico bajo condiciones de control. Este método mejora eficazmente la calidad de la precisión de la elevación del DSM generado por imágenes estereoscópicas satelitales en condiciones sin control en zonas mineras con desarrollo de barrancos, ofreciendo nuevas ideas para la promoción y aplicación de imágenes GF nacionales de alta resolución y modelado topográfico de alta precisión.

Modelo digital de superficie;Puntos de control en tierra;Red neuronal;Superficie con desarrollo de barrancos;Imágenes estereoscópicas satelitales GF-7;GEDI (Global Ecosystem Dynamics Investigation)