基于深层残差网络的山区DEM超分辨率重构
【摘要】 针对大区域高分辨率数字高程模型(DEM)数据较难获取、超分辨率重构(降尺度)较低分辨率的DEM精度不高、难以满足实际需要的问题,提出一种对起伏特征较明显的山区DEM超分辨率重构的方法。利用较深层的神经网络充分学习高低分辨率DEM之间的非线性映射关系;为了降低训练难度,结合残差学习的方法进行数据训练。将双立方插值法、稀疏混合估计法重构的DEM及提取的坡度结果分别同深层残差网络法的结果进行对比,结果表明,3种方法DEM结果的差值平均值分别为0郾41、0郾34、0郾34m,RMSE分别为0郾5945、0郾5715、0郾4869m;坡度结果的差值平均值分别为3郾02毅、2郾04毅、1郾99毅,RMSE分别为3郾6498毅、3郾1360毅、2郾7387毅;处理时间分别为0郾052、663郾39、2郾16s。研究表明,对于10、20、40m的DEM,本文方法在空间分布和误差方面优于其他方法,在耗时效率上也优于稀疏混合估计法,适合应用于梯田等地形复杂的区域进行超分辨率重构。
