第七届青年地学论坛

  数字高程模型（DEM）是地理研究中重要的数据源。但是，在地形较为崎岖的区域，尤其是山地区域，常常会出现数据空洞或数据缺失。这类数据空洞通常是由于地形遮挡、天气原因、数据处理不恰当等多种原因导致的。数据的缺失极大地破坏了DEM数据的完整性，造成大量地形信息的损失，严重影响了DEM在此类区域的应用。在进行空洞区域地形重建时，传统的方法虽然能模拟地形的渐变或不变特征，但是在一些地形特征部位，如山脊、山谷等地形转折或突变位置，此类方法常常无法生成准确的地形用以填充数据空洞。为了更好地刻画地形特征部位的形态用以生成空洞区域的地形数据，本研究提出了一种融合地形知识的深度学习模型。
  本研究以条件对抗生成网络（CGAN）为基础，提出了一种地形知识限制下的条件对抗生成网络（TKCGAN）。我们首先分析了山地区域地形特征线（山脊线和山谷线）周围地形特征，针对地形起伏剧烈程度、地形凹凸程度设计了5个新的损失函数，并加入到模型中。这些损失函数具有一定地学含义，可以对模型的训练起到地学限制。新损失函数的加入不仅保留了原始CGAN在像素尺度上实现较高精度的特点，同时还提升了模型对起伏变化剧烈的山地区域的地形重建能力。
  实验结果表明，新的网络重建的空洞区域地形在目视效果及精度指标（均方根误差）的比较中均优于传统方法。同时，通过对两中熵指标的对比，发现TKCGAN的结果包含与参考数据更为接近的信息量，实现了较好的地形重建。此外，通过对关键地形部位（山脊、山谷）的剖面线进行对比分析，发现TKCGAN明显提升了地形突变位置的重建效果，生成的地形起伏更接近参考数据。这类新生成的地形数据可以用于支持遥感算法中的地形修正以及相关的地表过程研究。最后，将地学知识转化为规则用以引导模型训练的研究思路在涉及自然地表或地物的深度学习方法中仍需要进一步讨论与发展，本研究可以视为此类研究的探索。
 

地形重建,山地