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0.41、0.34、0.34 m,RMSE分别为0.594 5、0.5715、0.4869 m;坡度结果的差值平均值分别为3.02°、2.04°、1.99°,RMSE分别为3.649 8°、3.136 0°、2.738 7°;处理时间分别为0.052、663.39、2.16 so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.

关键词：山区、数字高程模型、超分辨率重构、坡度、深层残差卷积神经网络

所属期刊栏目：52

分类号：S127(农业物理学)

资助基金：国家自然科学基金项目;国家重点研发计划项目;西北农林科技大学博士启动基金项目

在线出版日期：2021-03-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：178-184