结合季节调整和NAR神经网络的流域地下水储量预测

王杰龙, 杨玲, 陈义, 沈云中

王杰龙, 杨玲, 陈义, 沈云中. 结合季节调整和NAR神经网络的流域地下水储量预测[J]. 武汉大学学报 ( 信息科学版), 2022, 47(10): 1796-1804. DOI: 10.13203/j.whugis20210584
引用本文: 王杰龙, 杨玲, 陈义, 沈云中. 结合季节调整和NAR神经网络的流域地下水储量预测[J]. 武汉大学学报 ( 信息科学版), 2022, 47(10): 1796-1804. DOI: 10.13203/j.whugis20210584
WANG Jielong, YANG Ling, CHEN Yi, SHEN Yunzhong. Prediction of Watershed Groundwater Storage Based on Seasonal Adjustment and NAR Neural Network[J]. Geomatics and Information Science of Wuhan University, 2022, 47(10): 1796-1804. DOI: 10.13203/j.whugis20210584
Citation: WANG Jielong, YANG Ling, CHEN Yi, SHEN Yunzhong. Prediction of Watershed Groundwater Storage Based on Seasonal Adjustment and NAR Neural Network[J]. Geomatics and Information Science of Wuhan University, 2022, 47(10): 1796-1804. DOI: 10.13203/j.whugis20210584

结合季节调整和NAR神经网络的流域地下水储量预测

基金项目: 

国家自然科学基金 41974002

详细信息
    作者简介:

    王杰龙,博士生,主要从事深度学习和GRACE数据分析。wangjielong@tongji.edu.cn

    通讯作者:

    沈云中,博士,教授。86060@tongji.edu.cn

  • 中图分类号: P228

Prediction of Watershed Groundwater Storage Based on Seasonal Adjustment and NAR Neural Network

More Information
  • 摘要: 利用重力场恢复与气候实验卫星反演的陆地水储量和全球陆地数据同化系统(global land data assimilation system,GLDAS)水文模型,从流域降雨分布信息出发,结合季节调整技术和非线性自回归(non-linear autoregressive,NAR)神经网络对流域地下水储量变化进行预测,并与未经过季节调整的NAR神经网络、自回归(autoregressive, AR)模型以及季节性自回归差分移动平均(seasonal autoregressive integrated moving average, SARIMA)模型进行对比分析。以长江流域、勒拿河流域、鄂毕河流域以及叶尼塞河流域为例,结果表明,经过季节调整后的流域降雨和地下水分别服从独立分布和一阶自回归模型,为NAR神经网络时延数的确定提供了新的途径。经过季节调整后的NAR神经网络的预测结果在4个流域的模型表现优于传统的AR模型和SARIMA模型,均方根误差在1 cm以内,相关系数超过0.96。结合季节调整和NAR神经网络提高了流域地下水储量预测精度,减少了训练参数,加快了神经网络的收敛速度。
    Abstract:
      Objectives  Accurate and reliable prediction of watershed groundwater storage can help ensure the sustainable use of a watershed's aquifers for urban and rural water supply.
      Methods  On the basis of precipitation information, gravity recovery and climate experiment (GRACE) and global land data assimilation system (GLDAS), the prediction of groundwater storage is performed by using the seasonal adjustment and non-linear autoregressive(NAR) neural network. The NAR model without the seasonal adjustment, the autoregressive (AR) model, and the seasonal autoregressive integrated moving average (SARIMA) model are compared.
      Results  Taking the Changjiang Basin, the Lena Basin, the Ob Basin and the Yenisey Basin as case studies, the results indicate that the deseasonalized precipitation is independent and the groundwater is good fit to AR(1), which lay the foundations of deciding the number of a time delay of the NAR neural network. The performance of the NAR neural network using the seasonal adjustment falls into the excellent category for each basin and shows superiority over AR model and SARIMA model, with root mean square error less than 1 cm and correlation coefficient more than 0.96.
      Conclusions  The integration of seasonal adjustment technique and NAR neural network can not only improve the prediction accuracy of groundwater storage, but also reduce the convergence time. The proposed method can effectively forecast the groundwater storage with improved performance due to the seasonal adjustment that reduces the data complexity.
  • 应用成本相对低廉的传感器获取场景的精细三维模型是机器人、增强现实等领域的研究热点。在机器人领域中, 为了实现机器人在未知场景的自主移动, 研究者们希望通过构建“地图”来指导机器人的行动, 其中代表性研究方向是同时定位与地图构建(simultaneous localization and mapping, SLAM)。在最初的研究中, 因计算资源的限制以及实时性要求, 经典SLAM算法基于中央处理器(central processing unit, CPU)实现传感器定位定姿, 应用稀疏特征点法[1]或直接法[2-3]实现地图构建, 仅能实时重建非常稀疏的三维点云或是半稠密的三维点云, 难以表达场景的细节信息。2010年底, 微软公司发布了一种可实时获取彩色RGB图像以及深度图像的RGB-D深度摄像头Kinect, 采集速度快、精度较高且成本低廉, 迅速应用于机器人与增强现实等领域。应用深度图像不仅能辅助相机跟踪, 还可以提供稠密的场景三维信息。Newcombe等[4]于2011年率先提出基于RGB-D传感器的室内实时三维重建算法KinectFusion, 引领了后续关于基于深度摄像头的三维重建工作以及稠密视觉SLAM的研究。以KinectFusion为基础, 相继涌现了Kintinuous[5]、ElasticFusion[6]、Voxel Hashing[7]、BundleFusion[8]等优秀的室内场景三维重建算法。

    在满足刚性变换以及室内静态场景的前提下, KinectFusion算法使用深度信息进行位姿估计实现定位, 设计高效并行的算法在图形处理器(graphics processing unit, GPU)上运行。不同于传统SLAM算法, KinectFusion算法基于截断符号距离函数(truncated signed-distance function, TSDF)表达三维模型, 使用迭代最近点算法(iterative closest point algorithm, ICP)估计位姿并融合点云, 应用光线投影算法进行三维渲染。利用GPU首次实现了室内场景的实时稠密三维重建, 在小范围场景中重建效果较好, 但其局限性为:①基于TSDF预设的三维网格限制了重建场景的尺度, 仅能重建小范围场景; ②仅使用ICP算法进行位姿估计严重依赖于场景中几何特征的丰富程度, 当场景中出现光强度变化时会引起定位失效; ③没有回环检测模块, 无法实现闭环优化; ④定位失效时无法进行重定位, 累积误差大等。为了解决上述问题, 研究者们开展了一系列研究工作:①为了突破场景尺度的限制, 提出让三维网格随相机运动, 移出三维网格的部分不参与计算[7], 或是使用八叉树数据结构减弱对显存的依赖[9]; ②为了减小对于场景几何信息的依赖, 融合ICP、视觉快速里程计(fast odometry from vision, FOVIS)、RGB-D 3种位姿跟踪方法, 减小误差累积[5]; ③为了实现回环检测, 提出了使用词袋法(distributed bag of words, DBoW)检测闭环回路, 构建位姿图进行优化[5]; ④为了改进定位失效并提升模型显示效果, 利用边线特征中的点对点关系辅助原始ICP算法提高鲁棒性, 以及通过预设地面点云模型或添加极线及共面约束改进模型显示效果[10-11]; ⑤为了表达更大规模场景并提升模型的表达效果, 舍弃了基于预设网格表达场景的方式, 使用面元(surfels)表达场景, 面元包含了三维点的位置、法向量等信息, 将传感器获取的信息直接作用到面元上而非通过位姿图间接作用于三维模型[6, 12-13]

    在上述改进工作中, 2015年提出的ElasticFusion算法使用面元表达场景可以更好地重建大规模场景, 摆脱了以往基于TSDF对于场景尺度的限制; 随机蕨算法的引入也有效地减少了模型中的“重影”现象, 提升了模型的重建效果。但随机蕨算法在闭环检测模块上的应用效果仍不及DBoW, 限制了ElasticFusion算法的重定位能力, 并且该方法在初始点云配准阶段选用了经典ICP算法中基于投影法选取匹配点对的方式, 易导致误差造成位姿参数解算不准确, 在应用于小规模、很少存在回环的场景时, 会出现模型局部重建效果差的情况, 甚至应用在大规模场景重建时重建效果错乱等。

    本文针对室内小规模场景局部模型重建效果差的问题, 在保证算法实时性的基础上, 通过改进原始ICP算法中匹配点的选取策略, 提升模型重建效果, 提高位姿参数解算精度。

    ElasticFusion算法借鉴了以KinectFusion为代表的实时稠密视觉SLAM算法的经典框架, 在充分使用GPU的情况下选用OpenGL完成点云的更新、融合与显示。ElasticFusion算法使用面元模型表达场景而非其他算法使用的TSDF模型融合点云, 应用几何及光度一致性进行位姿估计并加以优化, 同时将已重建好的模型根据预设的时间阈值δt划分为当前视角下的活动区域以及不在当前视角下的非活动区域。引入了随机蕨算法实现回环检测与重定位, 提高了系统的鲁棒性[14]

    ElasticFusion算法主要分为4个模块:①数据采集与处理, 通过深度传感器获取深度图像与RGB图像, 并将其转化为三维点云, 得到其三维坐标与法向量; ②位姿估计, 将当前帧的三维点云与已有重建模型进行配准, 几何上通过ICP算法计算位姿, 同时利用RGB图像在光度以及颜色的一致性加以约束优化位姿估计结果; ③当前帧图像编码与回环检测, 利用随机蕨算法中的编码机制对当前帧图像进行编码, 其编码值与当前存储关键帧编码值的数据库进行比对, 判断当前帧能否作为关键帧以及当前帧与已有模型是否存在回环(若存在回环, 应用形变图[12]对已重建模型以及位姿参数进行优化); ④点云融合, 将当前帧获取的点云与已有模型进行融合、更新及显示, 为下一帧配准提供依据。算法流程如图 1所示。

    图  1  ElasticFusion算法流程图
    Figure  1.  Flowchart of the ElasticFusion Algorithm

    影响三维模型重建效果的原因主要有两点, 一是初始点云配准精度, 二是闭环检测准确程度。在点云配准阶段, ElasticFusion算法使用几何及颜色光度一致性约束实现配准。在闭环检测中应用随机蕨算法, 其主要原因是算法的核心工作在于场景重建, 若在闭环检测模块中改用词袋法, 会消耗较多计算资源。因此, 考虑通过减小点云初始配准阶段产生的累积误差来提高位姿参数解算精度, 进而提升模型重建效果。

    ICP算法广泛应用于点云配准中, 在稠密SLAM中位姿估计的常用方法就是通过投影法确定点对的匹配关系, 应用最小二乘法使点到平面的距离最小, 进而完成位姿参数解算。利用ICP算法解算出的位姿参数是点云融合的重要参数。尽可能减小位姿参数解算的误差能够极大程度地帮助三维重建算法进行点云融合与更新显示。而相邻帧间点云对匹配点的选取直接影响着ICP算法进行点云配准的精度。本文在经典ICP算法匹配点对选取策略的基础上, 改进匹配点选取方法, 减小初始误差对于点云配准的影响。

    考虑到相邻两帧间位姿变化相对较小, 通常采用投影法选取ICP算法所需要的匹配点对。图 2为相邻两帧间点对选取示意图(以二维表示)。相机连续两帧采集的环境信息抽象表示为曲线KK+1, 当前帧坐标系原点为Qk+1。在选取匹配点对时, 以Qk+1为基准, 利用投影法近似选取qkpk作为匹配点对进行位姿解算。

    图  2  投影法选取匹配点示意图
    Figure  2.  Illustration of Search of the Matching Points of the Given Pose Points Using Projection Method

    在两帧间点云进行配准时, 为了减小误差造成的影响, 利用最小化点到平面距离的方式进行位姿参数的解算。相较于最小化点对点的距离进行优化, 最小化点到平面距离在二三维点云配准上有着显著优势[15]。最小化点到平面距离示意图如图 3所示。

    图  3  点到平面距离示意图
    Figure  3.  Illustration of the Distance from the Given Pose Points to the Current Plane

    使目标函数E取得最小值求解位姿参数:

    $$ E = \mathop \sum \limits_{l = 1}^k {\left( {{{(\mathit{\boldsymbol{R}}{\mathit{\boldsymbol{p}}_l} + \mathit{\boldsymbol{t}} - {\mathit{\boldsymbol{q}}_l})}^{\rm{T}}}\cdot{\mathit{\boldsymbol{n}}_l}} \right)^2} $$ (1)

    式中, R为旋转矩阵; t为平移参数; 将R表示为绕XYZ轴的旋转分量:

    $$\mathit{\boldsymbol{R}} = {\mathit{\boldsymbol{R}}_Z}{\mathit{\boldsymbol{R}}_Y}{\mathit{\boldsymbol{R}}_X}$$ (2)

    RXYZ轴的旋转角度分别为αβγ, 则:

    $$\left\{ {\begin{array}{*{20}{l}} {{\mathit{\boldsymbol{R}}_Z} = \left[ {\begin{array}{*{20}{c}} {{\rm{cos}}\gamma }&{{\rm{sin}}\gamma }&0\\ { - {\rm{sin}}\gamma }&{{\rm{cos}}\gamma }&0\\ 0&0&1 \end{array}} \right]}\\ {{\mathit{\boldsymbol{R}}_X} = \left[ {\begin{array}{*{20}{c}} 1&0&0\\ 0&{{\rm{cos}}\alpha }&{{\rm{sin}}\alpha }\\ 0&{ - {\rm{sin}}\alpha }&{{\rm{cos}}\alpha } \end{array}} \right]}\\ {{\mathit{\boldsymbol{R}}_Y} = \left[ {\begin{array}{*{20}{c}} {{\rm{cos}}\beta }&0&{ - {\rm{sin}}\beta }\\ 0&1&0\\ {{\rm{sin}}\beta }&0&{{\rm{cos}}\beta } \end{array}} \right]}\\ {\mathit{\boldsymbol{t}} = {{\left[ {\begin{array}{*{20}{c}} {{t_x}}&{{t_y}}&{{t_z}} \end{array}} \right]}^{\rm{T}}}} \end{array}} \right.$$ (3)

    根据算法中采用的小角近似处理方式, 即:

    $${\rm{sin}}\theta \approx \theta {\rm{}}, {\rm{cos}}\theta \approx 1$$ (4)

    将[R|t]表示为:

    $$\left[ {\mathit{\boldsymbol{R}}|\mathit{\boldsymbol{t}}} \right] = \left[ {\begin{array}{*{20}{c}} 1&\gamma &{ - \beta }\\ { - \gamma }&1&\alpha \\ \beta &{ - \alpha }&1 \end{array}\left| {\begin{array}{*{20}{c}} {{t_x}}\\ {{t_y}}\\ {{t_z}} \end{array}} \right.} \right]{\rm{}}$$ (5)

    改写为如下形式:

    $$\mathit{\boldsymbol{x}} = {\left[ {\begin{array}{*{20}{c}} \alpha &\beta &\gamma &{{t_x}}&{{t_y}}&{{t_z}} \end{array}} \right]^{\rm{T}}}{\rm{}}$$ (6)

    根据

    $$\begin{array}{l} \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\mathit{\boldsymbol{R}}{\mathit{\boldsymbol{p}}_l} + \mathit{\boldsymbol{t}} = \\ \left[ {\begin{array}{*{20}{c}} 0&\gamma &{ - \beta }\\ { - \gamma }&0&\alpha \\ \beta &{ - \alpha }&0 \end{array}} \right]{\mathit{\boldsymbol{p}}_l} + {\mathit{\boldsymbol{I}}_{3 \times 3}}\left[ {\begin{array}{*{20}{c}} {{t_x}}\\ {{t_y}}\\ {{t_z}} \end{array}} \right] + {\mathit{\boldsymbol{I}}_{3 \times 3}}{\mathit{\boldsymbol{p}}_l} = \\ \left[ {\begin{array}{*{20}{c}} 0&{ - {p_{lz}}}&{{p_{ly}}}&1&0&0\\ {{p_{lz}}}&0&{ - {p_{lx}}}&0&1&0\\ { - {p_{ly}}}&{{p_{lx}}}&0&0&0&1 \end{array}} \right]\left[ {\begin{array}{*{20}{c}} \alpha \\ \beta \\ \gamma \\ {{t_x}}\\ {{t_y}}\\ {{t_z}} \end{array}} \right] + {\mathit{\boldsymbol{p}}_l} = \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\mathit{\boldsymbol{A}}{({\mathit{\boldsymbol{p}}_l})_{3 \times 6}}{\mathit{\boldsymbol{x}}_{6 \times 1}} + {\mathit{\boldsymbol{p}}_l}_{3 \times 1} \end{array}$$ (7)

    其中I3×3为三阶单位矩阵, 由式(1)可得:

    $$\begin{array}{l} E = \sum\limits_{l = 1}^k {{{\left( {{{\left( {\mathit{\boldsymbol{R}}{\mathit{\boldsymbol{p}}_l} + \mathit{\boldsymbol{t}} - {\mathit{\boldsymbol{q}}_l}} \right)}^{\rm{T}}} \cdot {\mathit{\boldsymbol{n}}_l}} \right)}^2}} = \sum\limits_{l = 1}^k {\left( {\left( {\mathit{\boldsymbol{A}}\left( {{\mathit{\boldsymbol{p}}_l}} \right)\mathit{\boldsymbol{x}} + } \right.} \right.} \\ {\left. {{{\left. {\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;{\mathit{\boldsymbol{p}}_l} - {\mathit{\boldsymbol{q}}_\iota }} \right)}\;^{\rm{T}}} \cdot {\mathit{\boldsymbol{n}}_l}} \right)\;^2}\mathop = \limits^{{\rm{def}}} \\ \;\;\;\;\;\;\sum\limits_{l = 1}^k {\left( {\mathit{\boldsymbol{x}}_{1 \times 6}^{\rm{T}}{\mathit{\boldsymbol{B}}_{6 \times 6}}{\mathit{\boldsymbol{x}}_{6 \times 1}} + 2{\mathit{\boldsymbol{A}}_{1 \times 6}}{\mathit{\boldsymbol{x}}_{6 \times 1}} + C} \right)} \end{array}$$

    对$f\left( \mathit{\boldsymbol{x}} \right) = \mathit{\boldsymbol{x}}_{1 \times 6}^{\rm{T}}{\mathit{\boldsymbol{B}}_{6 \times 6}}{\mathit{\boldsymbol{x}}_{6 \times 1}} + 2{\mathit{\boldsymbol{A}}_{1 \times 6}}{\mathit{\boldsymbol{x}}_{6 \times 1}} + C$中的x求导数, 令导数为0可求解x, 即:

    $$\left\{ {\begin{array}{*{20}{l}} {f'\left( \mathit{\boldsymbol{x}} \right) = 2\mathit{\boldsymbol{x}}_{1 \times 6}^{\rm{T}}{\mathit{\boldsymbol{B}}_{6 \times 6}} + 2{\mathit{\boldsymbol{A}}_{1 \times 6}} = 0}\\ {{\mathit{\boldsymbol{x}}^{\rm{T}}} = - {\mathit{\boldsymbol{A}}_{1 \times 6}}{\mathit{\boldsymbol{B}}^{ - 1}}_{6 \times 6}} \end{array}} \right.$$ (8)

    其中:

    $$\begin{array}{l} {\mathit{\boldsymbol{A}}_{1 \times 6}} = {\left( {{\mathit{\boldsymbol{p}}_l} - {\mathit{\boldsymbol{q}}_l}} \right)^{\rm{T}}}_{1 \times 3}{\mathit{\boldsymbol{n}}_l}_{3 \times 1}{\mathit{\boldsymbol{n}}_l}{^{\rm{T}}_{1 \times 3}}\mathit{\boldsymbol{A}}{\left( {{\mathit{\boldsymbol{p}}_l}} \right)_{3 \times 6}}\\ {\rm{}}{\mathit{\boldsymbol{B}}_{6 \times 6}} = \mathit{\boldsymbol{A}}{\left( {{\mathit{\boldsymbol{p}}_l}} \right)^{\rm{T}}}_{6 \times 3}{\mathit{\boldsymbol{n}}_l}_{3 \times 1}{\mathit{\boldsymbol{n}}_l}{^{\rm{T}}_{1 \times 3}}\mathit{\boldsymbol{A}}{\left( {{\mathit{\boldsymbol{p}}_l}} \right)_{3 \times 6}}\\ {\rm{}}C = {\mathit{\boldsymbol{n}}_l}{^{\rm{T}}_{1 \times 3}}{\left( {{\mathit{\boldsymbol{p}}_l} - {\mathit{\boldsymbol{q}}_l}} \right)_{3 \times 1}}{\left( {{\mathit{\boldsymbol{p}}_l} - {\mathit{\boldsymbol{q}}_l}} \right)^{\rm{T}}}_{1 \times 3}{\mathit{\boldsymbol{n}}_l}_{3 \times 1} \end{array}$$

    多次迭代计算后, 可解算出位姿估计参数。

    ICP算法迭代求解过程中点对的对应关系并不改变, 因此, 匹配点对选取的恰当与否直接影响位姿参数的解算精度。在原始算法中, 通过投影法选取匹配点对时, 虽粗略考虑法向量夹角以及点对间欧氏距离等因素, 但仍存在匹配点选取不恰当等问题。因相邻两帧间位姿变化通常相对较小(正常情况下, 相机平移及旋转比较平滑), 在尽量保证算法实时性, 避免占用较大计算资源的基础上, 借鉴文献[16]的思想, 考虑将法向量作为选取匹配点的重要参考指标。

    在投影法选取出匹配点的基础上, 以一定半径确定圆形搜索区域, 遍历区域内包含该帧点云的所有候选点来寻找最佳匹配点, 如图 4所示。

    图  4  基于不同圆心选取匹配点示意图
    Figure  4.  Illustration of Search of Matching Points Using Circles with Different Centers

    图 4选取p4的匹配点为例, 在已有匹配点q4的基础上, 分别选取p4以及q4中点m4为圆心, 以半径$r=\frac{3}{2}\left|p_{4} q_{4}\right|$确定圆形搜索区域Q(参数$\frac{3}{2}$的选定使得圆形搜索区域包含更多的候选点), 当前帧点云包含在圆形搜索区域内的所有点即作为候选点${q_i}\left( {{q_i} \in Q} \right)$, 求解公式如下:

    $$f\left( {{q_i}} \right) = \lambda \cdot \mathit{\boldsymbol{N}}\left( {{q_i}} \right) \cdot \mathit{\boldsymbol{N}}\left( {{p_4}} \right)$$ (9)

    式中, λ为可调节权重值; N(*)为*点法向量。采用向量点乘的方式选取两帧间法向量最为接近的两点作为匹配点。根据f(qi)所得数值, 所选匹配点q*可表示为:

    $${\rm{}}{q^*} \leftarrow {\rm{max}}f\left( {{q_i}} \right)$$ (10)

    根据各圆心确定的搜索区域内候选匹配点的情况, 经过实验结果对比, 确定选取线段中点作为圆心, 1.5倍线段长度作为半径, 如图 4黑色圆心及黑色圆形搜索区域所示。由起始点pn及根据投影法确定的匹配点qn, 选取线段pnqn中点mn为圆心, 确定半径$r=\frac{3}{2}\left|p_{n} q_{n}\right|$的圆形区域Qn, 在Qn内的所有点作为候选点qi, 通过计算选取pn的最佳匹配点${q^*} \leftarrow \max \left( {\lambda \cdot \mathit{\boldsymbol{N}}\left( {{\mathit{\boldsymbol{q}}_\mathit{\boldsymbol{i}}}} \right) \cdot \mathit{\boldsymbol{N}}\left( {{\mathit{\boldsymbol{p}}_\mathit{\boldsymbol{n}}}} \right)} \right)$。

    当根据投影法无法选出合适的初始匹配点时, 选取该帧点云中起始点q0或终止点q任一点确定半径$r=\frac{3}{4}\left|p_{n} q\right|$或$r=\frac{3}{4}\left|p_{n} q_{0}\right|$圆形搜索区域, 如图 5所示。

    图  5  无初始匹配点时选取匹配点示意图
    Figure  5.  Illustration of Search of Matching Points Without an Initial Matching Point

    当相邻两帧出现大量点云平行的情况时(如图 6所示), 减小ICP算法所占权重, 借鉴文献[10]提出的提取深度数据中的边线特征并结合颜色光度一致性进行位姿估计。

    图  6  点云平行情况示意图
    Figure  6.  Illustration of Search of Matching Points when Parallel Point Clouds Exist

    ElasticFusion算法应用于室内场景时, 由于深度摄像头在采集数据时会出现物体遮挡、物体表面出现反射以及光强度变化等, 引起采集数据缺失, 造成重建模型中出现孔洞, 容易影响机器人对于场景的理解。为了更好地表达场景, 在已有重建模型的基础上, 可利用径向基函数来修补重建点云模型中孔洞, 以提升模型重建效果。

    对于孔洞中丢失的点, 无法获得其实测数据。孔洞修补最主要的是利用孔洞区域附近的邻域几何信息, 采用某种算法在保证几何特征的前提下最大程度地恢复原有模型[17]。利用径向基函数重建隐式曲面的工作已是点云孔洞修补的主流方法[18]。另一主流方法是基于体素进行孔洞修补。由于基于体素的孔洞修复算法需要将点云模型进行体素离散化处理, 计算复杂、耗时长, 且在数据量较大时效率低, 因此本文采用利用径向基函数建立隐式曲面的方法。

    孔洞修补工作主要分为两步, 一是提取并确定点云数据的边界与孔洞区域的边界, 二是对已有孔洞区域利用径向基函数进行修补。在提取并确定点云数据与孔洞区域边界后, 借鉴文献[19]的思想, 利用法向量的特性, 将最外层点云数据中法向量相近的数据提取出来, 该部分数据有极大概率是墙壁、地板或是天花板等。再以点云数据中散乱点云点为基础, 借鉴文献[20]的思想, 对无法建立三角网格的散乱点进行标注, 并根据其空间拓扑关系确定孔洞边界点。

    在孔洞边界确定后, 利用径向基函数实现孔洞修补。该方法对于较平坦区域效果显著, 但在曲率变化较大的地方难以满足复杂形状要求[21]。因此, 针对地面、墙壁及天花板等区域构建基于径向基函数的隐式曲面, 利用最小二乘平滑函数对孔洞多边形进行拟合。基于径向基函数的隐式曲面方程可表示为:

    $$F\left( n \right) = \mathop \sum \limits_{l = 1}^k {\omega _i}\varphi \left( {n - {q_i}} \right) + P\left( n \right)$$ (11)

    式中, n表示隐式曲面上的任一点; qi为建立曲面所需的采样点; ωi是采样点一一对应的权值; P(n)为根据n点坐标(nx, ny, nz)构建的平面; φ(n-qi)为径向基函数[22]。然后根据梯度约束调整拟合的孔洞多边形向隐式曲面, 完成孔洞修补。

    本文采用公开数据集ICL-NUIM(https://www.doc.ic.ac.uk/~ahanda/VaFRIC/iclnuim.html)以及算法的样例数据dyson_lab.klg(https://wp.doc.ic.ac.uk/robotvision/, 由英国帝国理工学院戴森实验室提供), 对改进后的算法进行实验验证, 分别从模型重建效果和轨迹对比两方面进行评价。实验使用的笔记本电脑配置为CPU Intel Core i7-7820HK 2.9 GHz、16 GB内存以及Nvidia GeForce GTX1070 GPU(8 GB显存), 操作系统为Ubuntu16.04。

    对各组数据进行实验, 分别从模型重建效果与相机轨迹进行分析。首先使用dyson_lab.klg样例数据进行三维重建实验(该数据没有提供轨迹的真值数据, 仅能从重建模型的显示效果上评价)。从图 7可以看出, 在场景中心位置的办公桌附近, 原始算法重建模型出现杂乱不一致现象, 改进后算法重建模型一致性更强, 显示效果更逼真。与原始算法存在一定概率闭环失败的现象相比, 改进后算法能减少最后闭环检测的时间, 降低闭环失败的概率。

    图  7  利用dyson_lab数据实验对比图
    Figure  7.  Comparison Results Using dyson_lab Data

    ICL-NUIM数据集由英国帝国理工学院与爱尔兰国立梅努斯大学联合提供, 主要用于评价视觉里程计、室内三维重建以及SLAM算法等相关研究工作[23]。选用该数据集能在避免使用算法闭环优化模块的前提下, 验证对算法的改进效果。且ElasticFusion算法及ICL-NUIM数据集均是由英国帝国理工学院提供, 使用相同数据集比对算法改进效果更佳。相比于TUM-RGBD数据集, ICL-NUIM数据集的每组数据均为室内部分场景, 很少存在回环, 可以更好地满足实验需求。并且该数据集具备室内场景的共性特点, 实验结果可以推广应用于其他数据集上。利用ICL-NUIM数据集提供的RGB图像、深度图像以及相机轨迹的真值文件(ground truth)进行实验对比。该数据集有8组数据, 分为卧室场景(livingroom, lr_kt)以及办公室场景(officeroom, or_kt), 每个场景对应4组数据。

    图 8为使用lr_kt0数据的实验效果对比, 图 9为相机轨迹对比图(为更好地对比相机轨迹恢复情况, 将相机轨迹映射至二维x-y平面进行比对, 红色为相机轨迹真值, 绿色为原始算法轨迹估计值, 蓝色为改进后算法轨迹估计值)。图 8中, 立式台灯的模型重建显示效果有明显的提升; 图 9中, 矩形方框内原始算法的轨迹估计出现跳跃, 该偏差范围对应的图像帧为多帧立式台灯图像, 其轨迹恢复的偏差对台灯的重建产生重影等影响。虽然原始算法与改进后的算法轨迹大致相似, 但对比原始算法在矩形区域的偏差可以看出, 改进后算法的相机轨迹与轨迹真值更加吻合。

    图  8  使用lr_kt0数据实验对比图
    Figure  8.  Comparison Results Using lr_kt0 Data
    图  9  lr_kt0数据相机轨迹对比图
    Figure  9.  Comparison Chart of the Camera Trajectories Using lr_kt0 Data

    图 10所示为使用lr_kt1数据的实验效果对比图, 图 11为使用lr_kt1数据的相机轨迹对比图。在对于场景几何结构的重建中, 原始算法没能有效恢复平面及立体上场景的矩形及长方体结构, 改进后算法则可以较好地对场景进行表达。图 11中, 改进后算法的轨迹与真实轨迹更加吻合。

    图  10  使用lr_kt1数据实验对比图
    Figure  10.  Comparison Results Using lr_kt1 Data
    图  11  使用lr_kt1数据的相机轨迹对比图
    Figure  11.  Comparison Chart of the Camera Trajectories Using lr_kt1 Data

    图 12为使用lr_kt3数据的实验效果对比, 图 13为使用lr_kt3数据的相机轨迹对比图。原始算法在壁画及门的重建效果上有重影, 改进后的算法可很好地对场景进行表达。在相机轨迹对比上, 随着模型重建的推进, 原始算法的轨迹估计有明显偏差。在模型重建后期, 由于原始算法对于位姿估计的累积误差, 造成了对同一场景的表达上出现重影。而改进算法的位姿估计则更接近于真值轨迹, 使得重建模型表达效果更逼真。

    图  12  使用lr_kt3数据实验对比图
    Figure  12.  The Comparison Results Using lr_kt3 Data
    图  13  使用lr_kt3数据的相机轨迹对比图
    Figure  13.  Comparison Chart of the Camera Trajectories Using lr_kt3 Data

    在对ICL-NUIM数据集8组数据进行的实验中, 有3组数据三维重建结果有明显的提升, 避免了如同一物体重建过程中出现重影、闭合区域无法闭合等不一致现象; 有2组数据重建效果提升不明显, 仅是极小范围或是单一物体的重建效果改进; 另3组数据重建效果基本没有提升。但在相机轨迹估计方面, , 8组数据中改进后算法所估计的相机轨迹均与轨迹真值更加相近或吻合。

    上述实验表明, 改进算法在模型显示效果以及相机轨迹估计方面较原有算法都有提升。3组重建效果基本没有提升的实验中, 其重建的场景均是小范围、几何特征信息不丰富、较空旷的场景且不存在闭环约束。可见在重建该类场景时, 原始算法及改进后算法的重建效果都有待提升。

    使用改进算法生成的点云模型作为实验数据, 对平坦区域的孔洞进行修补。选用dyson_lab.klg数据生成的三维模型作为实验数据, 实验对比如图 14所示, 图 14(a)为原始点云模型, 图 14(b)为孔洞修补后较为完整的点云模型。对于因物体遮挡产生的孔洞, 选用由数据lr_kt0所生成的点云模型作为实验数据, 实验对比如图 15所示。

    图  14  平坦区域点云孔洞修补实验对比图
    Figure  14.  The Comparison Results of Points Cloud Hole Repairing in the Flat Area
    图  15  因物体遮挡产生的点云孔洞修补实验对比图
    Figure  15.  Comparison Results of Point Clouds Hole Repairing Caused by Object Occlusion

    由上述两个实验可以看出, 利用径向基函数生成隐式曲面的方法可以较好地修补三维重建模型中存在的孔洞。该方法对于较为平坦的孔洞修补鲁棒性高, 但对修补曲率较大或是不规则弯曲的物体等产生的点云孔洞有一定局限性。

    本文主要针对ElasticFusion算法在三维重建过程中出现的局部模型重建出现错乱的情况进行改进, 并对三维模型中因物体遮挡、物体反射率、光强度变化等原因造成的点云孔洞进行修补, 以提升室内场景三维模型的重建效果。从原始算法中相机位姿估计的ICP算法入手, 对匹配点对选取策略进行了改进。在利用投影法选取匹配点对的基础上, 确定搜索区域, 通过遍历计算区域内所有候选点与待匹配点的法向量乘积得到匹配点对。在ICP算法的初始阶段, 通过引入简单的数学计算选取出更为准确的匹配点进行位姿解算, 在不过多消耗计算资源的前提下保证了算法的实时性。

    对比实验表明, 在几何特征信息丰富的场景中, 改进算法无论在模型显示效果还是在相机轨迹估计方面, 都有较为明显的提升。改进算法在保证算法实时性的基础上, 可以得到更加准确恰当的匹配点, 提高了位姿解算的精度。但在场景中出现线面特征不明显(例如场景中存在大量边界平行于墙面、地面的物体)或是场景几何特征信息不丰富的情况下, 仍无法达到理想效果。同时, 使用改进后算法重建的模型, 利用径向基函数构建隐式曲面的方法实现点云模型的孔洞修补, 进一步提升了重建模型的显示效果。

  • 图  1   流域水文循环模型(改自文献[20])

    Figure  1.   Environmental System Model of a Watershed (Modified from Reference [20])

    图  2   原始降雨序列、非季节性分量和季节分量

    Figure  2.   Time Series of Precipitation, Deseasonalized Component and Seasonal Component

    图  3   原始地下水序列、非季节性分量和季节分量

    Figure  3.   Time Series of Groundwater, Deseasonalized Component and Seasonal Component

    图  4   非季节性降雨样本的自相关函数和偏自相关函数

    Figure  4.   Sample Autocorrelation Function and Partial Autocorrelation Function of Deseasonalized Precipitation

    图  5   非季节性地下水样本的自相关函数和偏自相关函数

    Figure  5.   Sample Autocorrelation Function and Partial Autocorrelation Function of Deseasonalized Groundwater

    图  6   勒拿河流域非季节性地下水残差检验

    Figure  6.   Residual Test of Deseasonalized Groundwater in the Lena Basin

    图  7   地下水储量的预测结果对比

    Figure  7.   Comparison of Groundwater Prediction Results

    图  8   勒拿河流域NAR模型训练过程

    Figure  8.   Training Procedure of NAR Models in the Lena Basin

    表  1   预测结果的评价指标

    Table  1   Performance Indexes of Prediction Results

    预测方法 流域 RMSE/cm R* NSE R 模型评价
    AR(1) 长江 1.407 2.958 -9.502 0.732 一般
    勒拿河 0.717 0.469 0.736 0.964
    鄂毕河 1.831 0.703 0.406 0.973 一般
    叶尼塞河 1.790 0.963 -0.113 0.969 一般
    SARIMA 长江 2.896 1.241 -0.848 0.936 一般
    勒拿河 1.320 0.864 0.105 0.862 一般
    鄂毕河 0.678 0.261 0.919 0.973
    叶尼塞河 0.910 0.490 0.712 0.941
    NAR(前) 长江(19, 23) 1.267 0.859 0.114 0.940 一般
    勒拿河(19,14) 0.580 0.380 0.827 0.914
    鄂毕河(20,17) 2.971 1.142 -0.564 0.942 一般
    叶尼塞河(2,12) 0.562 0.302 0.890 0.947
    NAR(后) 长江(8, 1) 0.480 0.392 0.815 0.966
    勒拿河(11, 1) 0.604 0.396 0.812 0.968
    鄂毕河(17, 1) 0.787 0.303 0.890 0.990
    叶尼塞河(2, 1) 0.810 0.436 0.772 0.973
    注:流域名称括号内的第一个数字代表神经元数目,第二个数字代表时延数
    下载: 导出CSV
  • [1]

    Yin Z J, Xu Y Y, Zhu X Y, et al. Variations of Groundwater Storage in Different Basins of China over Recent Decades[J]. Journal of Hydrology, 2021, 598: 126282 doi: 10.1016/j.jhydrol.2021.126282

    [2] 师芸, 李伟轩, 唐亚明, 等. 时序InSAR技术在地球环境监测及其资源管理中的应用: 以交城-清徐地区为例[J]. 武汉大学学报·信息科学版, 2019, 44(11): 1613-1621 doi: 10.13203/j.whugis20190068

    Shi Yun, Li Weixuan, Tang Yaming, et al. Time Series InSAR Measurement for Earth Environmental Monitoring and Resource Management: A Case Study of Jiaocheng-Qingxu Area[J]. Geomatics and Information Science of Wuhan University, 2019, 44(11): 1613-1621 doi: 10.13203/j.whugis20190068

    [3] 狄胜同, 贾超, 张少鹏, 等. 华北平原鲁北地区地下水超采导致地面沉降区域特征及演化趋势预测[J]. 地质学报, 2020, 94(5): 1638-1654 doi: 10.3969/j.issn.0001-5717.2020.05.020

    Di Shengtong, Jia Chao, Zhang Shaopeng, et al. Regional Characteristics and Evolutionary Trend Prediction of Land Subsidence Caused by Groundwater over Exploitation in North Shandong of the North China Plain[J]. Acta Geologica Sinica, 2020, 94(5): 1638-1654 doi: 10.3969/j.issn.0001-5717.2020.05.020

    [4]

    Chen J L, Rodell M. Applications of Gravity Recovery and Climate Experiment(GRACE)in Global Groundwater Study[M]//Global Groundwater. Amsterdam: Elsevier, 2021: 531-543

    [5]

    Long D, Chen X, Scanlon B R, et al. Have GRACE Satellites Overestimated Groundwater Depletion in the Northwest India Aquifer?[J]. Scientific Reports, 2016, 6: 24398 doi: 10.1038/srep24398

    [6]

    Khorrami B, Gunduz O. Evaluation of the Temporal Variations of Groundwater Storage and Its Interactions with Climatic Variables Using GRACE Data and Hydrological Models: A Study from Turkey[J]. Hydrological Processes, 2021, 35(3): 1-9

    [7]

    Chen X H, Jiang J B, Lei T J, et al. GRACE Satellite Monitoring and Driving Factors Analysis of Groundwater Storage under High-Intensity Coal Mining Conditions: A Case Study of Ordos, Northern Shaanxi and Shanxi, China[J]. Hydrogeology Journal, 2020, 28(2): 673-686 doi: 10.1007/s10040-019-02101-0

    [8]

    Tangdamrongsub N, Han S C, Yeo I Y, et al. Multivariate Data Assimilation of GRACE, SMOS, SMAP Measurements for Improved Regional Soil Moisture and Groundwater Storage Estimates[J]. Advances in Water Resources, 2020, 135: 103477 doi: 10.1016/j.advwatres.2019.103477

    [9]

    Castle S L, Thomas B F, Reager J T, et al. Groundwater Depletion During Drought Threatens Future Water Security of the Colorado River Basin[J]. Geophysical Research Letters, 2014, 41(16): 5904-5911 doi: 10.1002/2014GL061055

    [10]

    Joodaki G, Wahr J, Swenson S. Estimating the Human Contribution to Groundwater Depletion in the Middle East, from GRACE Data, Land Surface Models, and Well Observations[J]. Water Resources Research, 2014, 50(3): 2679-2692 doi: 10.1002/2013WR014633

    [11]

    Mohamad N, Ahmad A, Din A M. Monitoring Groundwater Depletion Due to Drought Using Satellite Gravimetry: A Review[J]. IOP Conference Series: Earth and Environmental Science, 2020, 540(1): 012054

    [12] 杨平, 王新民, 路来君. 基于改进的数量化理论和RBF神经网络组合方法的地下水水质预测[J]. 地学前缘, 2016, 23(3): 151-155 https://www.cnki.com.cn/Article/CJFDTOTAL-DXQY201603023.htm

    Yang Ping, Wang Xinmin, Lu Laijun. Predicting the Trends of Pollutant Concentrations in Groundwater Based on the Combined Method of the Improved Quantification Theory and RBF Artificial Neural Network[J]. Earth Science Frontiers, 2016, 23(3): 151-155 https://www.cnki.com.cn/Article/CJFDTOTAL-DXQY201603023.htm

    [13]

    Sun Z L, Long D, Yang W T, et al. Reconstruction of GRACE Data on Changes in Total Water Storage over the Global Land Surface and 60 Basins[J]. Water Resources Research, 2020, 56(4): 1-21

    [14]

    Malakar P, Mukherjee A, Bhanja S N, et al. Machine-Learning-Based Regional-Scale Groundwater Level Prediction Using GRACE[J]. Hydrogeology Journal, 2021, 29(3): 1027-1042 doi: 10.1007/s10040-021-02306-2

    [15]

    Wunsch A, Liesch T, Broda S. Forecasting Groundwater Levels Using Nonlinear Autoregressive Networks with Exogenous Input(NARX)[J]. Journal of Hydrology, 2018, 567: 743-758 doi: 10.1016/j.jhydrol.2018.01.045

    [16]

    Sun A Y. Predicting Groundwater Level Changes Using GRACE Data[J]. Water Resources Research, 2013, 49(9): 5900-5912 doi: 10.1002/wrcr.20421

    [17]

    Yin W J, Fan Z W, Tangdamrongsub N, et al. Comparison of Physical and Data-Driven Models to Forecast Groundwater Level Changes with the Inclusion of GRACE − A Case Study over the State of Victoria, Australia[J]. Journal of Hydrology, 2021, 602: 126735 doi: 10.1016/j.jhydrol.2021.126735

    [18]

    Wang J L, Chen Y. The Applicability of Using NARX Neural Network to Forecast GRACE Terrestrial Water Storage Anomalies[J]. Natural Hazards, 2022, 110(3): 1997-2016 doi: 10.1007/s11069-021-05022-y

    [19]

    Patil K, Deo M C, Ghosh S, et al. Predicting Sea Surface Temperatures in the North Indian Ocean with Nonlinear Autoregressive Neural Networks[J]. International Journal of Oceanography, 2013, 2013: 302479

    [20]

    Hipel K W, McLeod A I. Time Series Modelling of Water Resources and Environmental Systems[M]. Amsterdam: Elsevier, 1994

    [21]

    Brockwell P J, Davis R A. Introduction to Time Series and Forecasting[M]. New York: Springer, 2002

    [22]

    Xiao Z J, Phillips P C B. An ADF Coefficient Test for a Unit Root in ARMA Models of Unknown Order with Empirical Applications to the US Economy[J]. The Econometrics Journal, 1998, 1(2): 27-43 doi: 10.1111/1368-423X.12016

    [23]

    Prakash S, Mitra A K, Pai D S, et al. From TRMM to GPM: How well can Heavy Rainfall Be Detected from Space?[J]. Advances in Water Resources, 2016, 88: 1-7 doi: 10.1016/j.advwatres.2015.11.008

    [24] 刘任莉, 佘敦先, 李敏, 等. 利用卫星观测数据评估GLDAS与WGHM水文模型的适用性[J]. 武汉大学学报·信息科学版, 2019, 44(11): 1596-1604 doi: 10.13203/j.whugis20190108

    Liu Renli, She Dunxian, Li Min, et al. Using Satellite Observations to Assess Applicability of GLDAS and WGHM Hydrological Model[J]. Geomatics and Information Science of Wuhan University, 2019, 44(11): 1596-1604 doi: 10.13203/j.whugis20190108

    [25]

    Watkins M M, Wiese D N, Yuan D N, et al. Im proved Methods for Observing Earth s Time Variable Mass Distribution with GRACE Using Spherical Cap Mascons[J]. Journal of Geophysical Research: Solid Earth, 2015, 120(4): 2648-2671 doi: 10.1002/2014JB011547

    [26]

    Ahmed M, Sultan M, Elbayoumi T, et al. Forecasting GRACE Data over the African Watersheds Using Artificial Neural Networks[J]. Remote Sensing, 2019, 11(15): 1769 doi: 10.3390/rs11151769

  • 期刊类型引用(2)

    1. 李婉秋,郭秋英,章传银,王伟,钟玉龙,李伟,徐鹏飞. 利用独立成分分析法研究新疆地区陆地水储量及其地壳垂向变化. 武汉大学学报(信息科学版). 2024(05): 794-804 . 百度学术
    2. 曹杰,肖云,龙笛,崔英杰,刘淼,张锦柏,王宇康,洪晓东,陈垲宁. 联合重力卫星和水井资料监测华北平原地下水储量变化. 武汉大学学报(信息科学版). 2024(05): 805-818 . 百度学术

    其他类型引用(4)

图(8)  /  表(1)
计量
  • 文章访问数:  811
  • HTML全文浏览量:  292
  • PDF下载量:  91
  • 被引次数: 6
出版历程
  • 收稿日期:  2022-04-01
  • 网络出版日期:  2022-04-20
  • 发布日期:  2022-10-04

目录

/

返回文章
返回