郑婷婷，陈传法，张照杰

(1.山东科技大学 测绘与空间信息学院，山东 青岛 266590；2.浙江正元地理信息有限责任公司，浙江 湖州 313200)

0 引言

数字高程模型(digital elevation model，DEM)作为国家空间数据基础设施的主要数据之一[1-3]，广泛应用于水文分析、森林清查、土地利用分类等领域[4]。SRTM(shuttle radar topography mission)和ASTER(advanced spaceborne thermal emission and reflection radiometer)是两种免费的覆盖全球大部分地区的DEM数据集，ASTER由光学影像制成，数据易因云层覆盖、薄雾遮挡等天气影响产生无效值[5]；而SRTM由雷达影像制成，受天气影响小，但数据易因起伏地形影响导致空缺，存在雷达阴影[6]、相位解缠[7]等技术问题。光学影像和雷达影像原理制成的DEM优势互补，为DEM融合提供了可能性，因此，充分结合SRTM和ASTER各自的优势，进行有效的数据融合，是充分挖掘现有DEM数据集信息并得到更高质量的DEM的一种有效途径。

目前，国内外学者已经开展了DEM数据融合的相关研究。例如，沈焕锋等[8]基于高差拟合神经网络和TIN差分曲面方法生成了高质量的空间无缝DEM，但利用神经网络模型拟合ASTER的误差分布是对单个DEM质量进行改善，而且SRTM数据的空洞填补只是一种数据替换，在DEM融合过程中没有考虑综合光学技术和雷达技术的优点。Schultz等[9]基于自一致性技术实现了DEM数据的有效融合，但融合数据都是光学影像，在数据融合过程中无法克服光学技术获取DEM的缺陷。Papasaika等[10]基于一个通用的使用稀疏表示框架的方法实现了两个任意DEM的有效融合，但融合方法数学推导严密、不易理解。陈传法等[11]基于快速傅里叶变换实现了SRTM和ASTER的有效融合，但滤波阈值选取过程繁琐，融合效果依赖选择的滤波器，并可能存在细节信息丢失问题。……