留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于深度置信网络的多源DEM点面融合模型

岳林蔚 沈焕锋 袁强强 刘修国

岳林蔚, 沈焕锋, 袁强强, 刘修国. 基于深度置信网络的多源DEM点面融合模型[J]. 武汉大学学报 ● 信息科学版, 2021, 46(7): 1090-1097. doi: 10.13203/j.whugis20190238
引用本文: 岳林蔚, 沈焕锋, 袁强强, 刘修国. 基于深度置信网络的多源DEM点面融合模型[J]. 武汉大学学报 ● 信息科学版, 2021, 46(7): 1090-1097. doi: 10.13203/j.whugis20190238
YUE Linwei, SHEN Huanfeng, YUAN Qiangqiang, LIU Xiuguo. A Multi-source DEM Point-Surface Fusion Model Based on Deep Belief Network[J]. Geomatics and Information Science of Wuhan University, 2021, 46(7): 1090-1097. doi: 10.13203/j.whugis20190238
Citation: YUE Linwei, SHEN Huanfeng, YUAN Qiangqiang, LIU Xiuguo. A Multi-source DEM Point-Surface Fusion Model Based on Deep Belief Network[J]. Geomatics and Information Science of Wuhan University, 2021, 46(7): 1090-1097. doi: 10.13203/j.whugis20190238

基于深度置信网络的多源DEM点面融合模型

doi: 10.13203/j.whugis20190238
基金项目: 

华东师范大学地理信息科学教育部重点实验室开放基金 KLGIS2017A03

国家自然科学基金 41801263

中央高校基本科研业务费专项资金 CUG170663

详细信息
    作者简介:

    岳林蔚,博士,副教授,主要研究方向为遥感影像处理与地理空间数据融合等。yuelw@cug.edu.cn

  • 中图分类号: P237

A Multi-source DEM Point-Surface Fusion Model Based on Deep Belief Network

Funds: 

The Open Fund of Key Laboratory of Geographic Information Science (Ministry of Education), East China Normal University KLGIS2017A03

the National Natural Science Foundation of China 41801263

the Fundamental Research Funds for the Central Universities CUG170663

More Information
    Author Bio:

    YUE Linwei, PhD, associate professor, specializes in remote sensing image processing and geospatial data fusion. E-mail: yuelw@cug.edu.cn

  • 摘要: 融合多源数字高程模型(digital elevation model, DEM)数据能有效利用数据间的互补优势,提升单一源数据的质量。提出一种基于深度置信网络(deep belief networks, DBN)的点面融合模型,在DBN的框架下考虑地形坡度、地表覆盖和空间位置信息等因素对DEM高程误差空间分布的影响,建立DEM高程值与高精度激光雷达测高数据之间的回归关系,从而实现多源栅格DEM与激光雷达测高点数据的空间融合,提升栅格DEM的垂直精度。对于空洞数据,根据空洞和非空洞区域的范围建立相应的输入数据集,分别进行融合,再利用不规则三角网差分曲面方法实现融合结果的无缝拼接。实验结果表明,相比原始DEM数据和两两融合的结果,所提出的多源DEM点面融合模型能够大幅度提升数据精度,有效解决原始数据中存在的空洞、噪声和异常值等问题。
  • 图  1  DBN网络及点面融合模型的基本结构

    Figure  1.  Basic Structures of DBN and the Point-Surface Fusion Model

    图  2  交叉验证平均精度

    Figure  2.  Mean Accuracies in the Cross-Validation Experiments

    图  3  N29E094数据块局部区域的视觉比较

    Figure  3.  Visual Comparison of a Local Region Within the Tile N29E094

    图  4  N24E107和S02W079数据块局部区域的视觉比较

    Figure  4.  Visual Comparison of Two Local Areas Within Tiles N24E107 and S02W079, Respectively

    表  1  交叉验证实验定量评价结果(RMSE值)/m

    Table  1.   Quantitative Evaluation Results (RMSE) in the Cross-Validation Experiments/m

    数据块 训练精度 验证精度
    ASTER GDEM AW3D30 SRTM1 本文方法 ASTER GDEM AW3D30 SRTM1 本文方法
    N28E101 39.289 20.836 21.751 17.453 39.223 20.788 21.712 17.696
    N31E102 27.844 15.249 15.927 12.536 27.836 15.236 15.915 12.976
    S02W079 35.597 13.305 12.732 11.251 32.802 13.275 12.696 11.267
    N24E107 21.823 16.178 15.448 13.204 21.789 16.149 15.425 13.422
    N29E094 33.319 58.797 20.332 15.778 33.271 55.415 20.300 15.879
    N35W102 7.297 5.946 6.259 1.538 7.293 5.945 6.259 1.524
    下载: 导出CSV

    表  2  无空洞数据整体定量评价结果/m

    Table  2.   Quantitative Evaluation Results for the Non-void Data/m

    数据块 精度指标 ASTER GDEM AW3D30 SRTM1 ASTER_c AW3D30_c SRTM1_c 本文方法
    N29E094 MEAN -14.839 -12.266 -9.717 0.404 -0.192 0.120 0.067
    RMSE 33.526 58.839 20.824 26.570 49.951 16.930 15.293
    N35W102 MEAN -0.671 -5.323 -5.138 -0.001 0.017 0.037 -0.001
    RMSE 7.310 5.955 6.269 4.371 1.515 2.196 1.403
    下载: 导出CSV

    表  3  无空洞区域和空洞区域的定量评价结果/m

    Table  3.   Quantitative Evaluation Results for the Non-void Areas and Void Areas/m

    数据块 精度指标 无空洞区域 空洞区域
    ASTER GDEM AW3D30 SRTM1 本文方法 ASTER GDEM AW3D30 BP_TIN 本文方法
    N28E101 MEAN -12.499 -5.285 -4.358 -0.359 -27.495 -10.231 -8.347 0.069
    RMSE 29.002 14.358 14.182 11.497 55.009 30.263 46.570 25.942
    N31E102 MEAN -14.582 -3.682 -3.230 -0.206 -21.367 -14.094 -6.205 -4.139
    RMSE 27.083 14.619 13.445 12.006 48.979 31.070 36.276 28.151
    S02W079 MEAN 3.509 -2.147 -1.737 0.286 -51.750 -3.121 -15.648 -1.822
    RMSE 23.694 12.767 10.557 10.319 206.618 31.581 66.973 30.112
    N24E107 MEAN -0.940 -5.905 -3.439 0.306 -8.773 -7.888 -4.708 0.734
    RMSE 18.397 13.921 12.808 11.262 30.901 22.319 28.320 18.544
    下载: 导出CSV
  • [1] 汤国安. 我国数字高程模型与数字地形分析研究进展[J]. 地理学报, 2014, 69(9): 1 305-1 325 https://www.cnki.com.cn/Article/CJFDTOTAL-DLXB201409007.htm

    Tang Guoan. Progress of DEM and Digital Terrain Analysis in China[J]. Acta Geographica Sinica, 2014, 69(9): 1 305-1 325 https://www.cnki.com.cn/Article/CJFDTOTAL-DLXB201409007.htm
    [2] Yang Liping, Meng Xingmin, Zhang Xiaoqiang. SRTM DEM and Its Application Advances[J]. International Journal of Remote Sensing, 2011, 32(14): 3 875-3 896 doi:  10.1080/01431161003786016
    [3] Tachikawa T, Hato M, Kaku M, et al. Characteristics of ASTER GDEM Version 2[C]. 2011 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Vancouver, BC, Canada, 2011
    [4] Takaku J, Tadono T. Quality Updates of 'AW3D' Global DSM Generated from ALOS PRISM[C]. 2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Fort Worth, TX, USA, 2017
    [5] 陈楠. DEM分辨率变化对坡度误差的影响[J]. 武汉大学学报·信息科学版, 2013, 38(5): 594-598 http://ch.whu.edu.cn/article/id/2650

    Chen Nan. Influence of Resolutions of DEM on the Error of Slope[J]. Geomatics and Information Science of Wuhan University, 2013, 38(5): 594-598 http://ch.whu.edu.cn/article/id/2650
    [6] Toutin T. Impact of Terrain Slope and Aspect on Radargrammetric DEM Accuracy[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2002, 57(3): 228-240 doi:  10.1016/S0924-2716(02)00123-5
    [7] 李振洪, 李鹏, 丁咚, 等. 全球高分辨率数字高程模型研究进展与展望[J]. 武汉大学学报·信息科学版, 2018, 43(12): 1 927-1 942 doi:  10.13203/j.whugis20180295

    Li Zhenhong, Li Peng, Ding Dong, et al. Research Progress of Global High Resolution Digital Elevation Models[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 1 927-1 942 doi:  10.13203/j.whugis20180295
    [8] Rizzoli P, Martone M, Gonzalez C, et al. Generation and Performance Assessment of the Global TanDEM-X Digital Elevation Model[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 132: 119-139 doi:  10.1016/j.isprsjprs.2017.08.008
    [9] Takaku J, Tadono T, Tsutsui K, et al. Quality Improvements of AW3D Global DSM Derived from ALOS PRISM[C]. 2018 IEEE International Geoscience and Remote Sensing Symposium, Valencia, Spain, 2018
    [10] 唐新明, 王鸿燕, 祝小勇. 资源三号卫星测绘技术与应用[J]. 测绘学报, 2017, 46(10): 1 482-1 491 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB201710031.htm

    Tang Xinming, Wang Hongyan, Zhu Xiaoyong. Technology and Applications of Surveying and Mapping for ZY-3 Sattellites[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10): 1 482-1 491 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB201710031.htm
    [11] Reuter H, Nelson A, Jarvis A. An Evaluation of Void-Filling Interpolation Methods for SRTM Data[J]. International Journal of Geographical Information Science, 2007, 21(9): 983-1 008 doi:  10.1080/13658810601169899
    [12] Jhee H, Cho H, Kahng H, et al. Multiscale Quadtree Model Fusion with Super-Resolution for Blocky Artefact Removal[J]. Remote Sensing Letters, 2013, 4(4): 325-334 doi:  10.1080/2150704X.2012.729869
    [13] Karkee M, Steward B L, Aziz S A. Improving Quality of Public Domain Digital Elevation Models Through Data Fusion[J]. Biosystems Engineering, 2008, 101(3): 293-305 doi:  10.1016/j.biosystemseng.2008.09.010
    [14] Yue Linwei, Shen Huanfeng, Yuan Qiangqiang, et al. Fusion of Multi-scale DEMs Using a Regularized Super-Resolution Method[J]. International Journal of Geographical Information Science, 2015, 29(12): 2 095-2 120 doi:  10.1080/13658816.2015.1063639
    [15] Moon S, Choi H. Super Resolution Based on Deep Learning Technique for Constructing Digital Elevation Model[C]. AIAA SPACE Forum, Long Beach, California, USA, 2016
    [16] Li Xinghua, Shen Huanfeng, Feng Ruitao, et al. DEM Generation from Contours and a Low-Resolution DEM[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 134: 135-147 doi:  10.1016/j.isprsjprs.2017.09.014
    [17] Arefi H, Reinartz P. Accuracy Enhancement of ASTER Global Digital Elevation Models Using ICESat Data[J]. Remote Sensing, 2011, 3(7): 1 323-1 343 doi:  10.3390/rs3071323
    [18] Yue Tianxiang, Chen Chuanfa, Li Bailian. A High-Accuracy Method for Filling Voids and Its Verification[J]. International Journal of Remote Sensing, 2012, 33(9): 2 815-2 830 doi:  10.1080/01431161.2011.621465
    [19] Yue Linwei, Shen Huanfeng, Zhang Liangpei, et al. High-Quality Seamless DEM Generation Blending SRTM-1, ASTER GDEM v2 and ICESat/GLAS Observations[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2017, 123(21): 20-34 http://www.sciencedirect.com/science/article/pii/S0924271616305135
    [20] Pham H, Marshall L, Johnson F, et al. A Method for Combining SRTM DEM and ASTER GDEM2 to Improve Topography Estimation in Regions Without Reference Data[J]. Remote Sensing of Environment, 2018, 210: 229-241 doi:  10.1016/j.rse.2018.03.026
    [21] Nuth C, Kaab A. Co-registration and Bias Corrections of Satellite Elevation Data Sets for Quantifying Glacier Thickness Change[J]. Cryosphere, 2011, 5(1): 271-290 doi:  10.5194/tc-5-271-2011
    [22] Huber M, Wessel B, Kosmann D, et al. Ensuring Globally the TanDEM-X Height Accuracy: Analysis of the Reference Data Sets ICESat, SRTM and KGPS-Tracks[C]. 2009 Geoscience and Remote Sensing Symposium, Cape Town, South Africa, 2009
    [23] Chen Jun, Ban Yifang, Li Songnian. China: Open Access to Earth Land-Cover Map[J]. Nature, 2014, 514(7 523): 434
    [24] Hinton G, Salakhutdinov R. Reducing the Dimensionality of Data with Neural Networks[J]. Science, 2006, 313(5 786): 504-507 doi:  10.1126/science.1127647
    [25] Li Tongwen, Shen Huanfeng, Yuan Qiangqiang, et al. Estimating Ground-Level PM2.5 by Fusing Satellite and Station Observations: A Geo-Intelligent Deep Learning Approach[J]. Geophysical Research Letters, 2017, 44(11): 985-993 doi:  10.1002/2017GL075710/full
    [26] Luedeling E, Siebert S, Buerkert A. Filling the Voids in the SRTM Elevation Model—A TIN-Based Delta Surface Approach[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2007, 62(4): 283-294 doi:  10.1016/j.isprsjprs.2007.05.004
  • [1] 刘聪, 王正涛, 张华伟, 许智铭.  利用残差地形模型空域法精化局部地球重力场 . 武汉大学学报 ● 信息科学版, 2022, 47(3): 369-376. doi: 10.13203/j.whugis20200079
    [2] 张海明, 王明常, 陈学业, 王凤艳, 杨国东, 高苏.  领域知识优化深度置信网络的遥感变化检测 . 武汉大学学报 ● 信息科学版, 2022, 47(5): 762-768. doi: 10.13203/j.whugis20190471
    [3] 李振洪, 李鹏, 丁咚, 王厚杰.  全球高分辨率数字高程模型研究进展与展望 . 武汉大学学报 ● 信息科学版, 2018, 43(12): 1927-1942. doi: 10.13203/j.whugis20180295
    [4] 徐志敏, 林志勇, 李雯静, 龙毅.  基于填挖方分析的DEM精度评价模型 . 武汉大学学报 ● 信息科学版, 2017, 42(8): 1167-1171. doi: 10.13203/j.whugis20140906
    [5] 邹进贵, 陈艳华, 丁鸽, 宣伟.  利用DMSP/OLS灯光影像提取城镇建成区的聚类阈值法 . 武汉大学学报 ● 信息科学版, 2016, 41(2): 196-201. doi: 10.13203/j.whugis20140079
    [6] 谭琨, 廖志宏, 杜培军.  顾及地面传感器观测数据的遥感影像地面温度反演算法 . 武汉大学学报 ● 信息科学版, 2016, 41(2): 148-155. doi: 10.13203/j.whugis20130843
    [7] 周毅, 汤国安, 习羽, 田剑.  引入改进Snake模型的黄土地形沟沿线连接算法 . 武汉大学学报 ● 信息科学版, 2013, 38(1): 82-85.
    [8] 农宇, 王坤, 杜清运.  利用多分类Logistic回归进行土地利用变化模拟——以湖北省嘉鱼县为例 . 武汉大学学报 ● 信息科学版, 2011, 36(6): 743-746.
    [9] 王海军, 张文婷, 陈莹莹, 贺三维.  利用元胞自动机作用域构建林火蔓延模型 . 武汉大学学报 ● 信息科学版, 2011, 36(5): 575-578.
    [10] 胡海, 游涟, 胡鹏, 彭会琨.  数字高程模型内插方法的分析和选择 . 武汉大学学报 ● 信息科学版, 2011, 36(1): 82-85.
    [11] 刘学军, 王彦芳, 晋蓓.  利用点扩散函数进行DEM尺度转换 . 武汉大学学报 ● 信息科学版, 2009, 34(12): 1458-1462.
    [12] 陈楠, 王钦敏.  基于地形因子信息量的数字高程模型分辨率的选择——以黄土高原的研究为例 . 武汉大学学报 ● 信息科学版, 2009, 34(6): 692-695.
    [13] 胡鹏, 高俊.  数字高程模型的数字综合原理研究 . 武汉大学学报 ● 信息科学版, 2009, 34(8): 940-942.
    [14] 胡鹏, 白轶多, 胡海.  数字高程模型生成中的高程序同构 . 武汉大学学报 ● 信息科学版, 2009, 34(3): 352-357.
    [15] 朱长青, 王志伟, 刘海砚.  基于重构等高线的DEM精度评估模型 . 武汉大学学报 ● 信息科学版, 2008, 33(2): 153-156.
    [16] 刘水强, 陈继业, 朱鸿鹏.  基于经验模式分解的数字高程模型数据伪装方法 . 武汉大学学报 ● 信息科学版, 2008, 33(6): 652-655.
    [17] 白建军, 赵学胜, 陈军.  基于椭球面三角格网的数字高程建模 . 武汉大学学报 ● 信息科学版, 2005, 30(5): 383-387.
    [18] 朱庆, 李志林, 龚健雅, 眭海刚.  论我国“1:1万数字高程模型的更新与建库” . 武汉大学学报 ● 信息科学版, 1999, 24(2): 129-133.
    [19] 万幼川, 林开愚, 李植生, 雷志洪.  二维水质扩散模型的建立及应用 . 武汉大学学报 ● 信息科学版, 1995, 20(1): 28-34.
    [20] 邱卫宁.  根据等高线建立数字高程模型 . 武汉大学学报 ● 信息科学版, 1994, 19(3): 199-203.
  • 加载中
图(4) / 表(3)
计量
  • 文章访问数:  624
  • HTML全文浏览量:  296
  • PDF下载量:  79
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-08-15
  • 刊出日期:  2021-07-10

基于深度置信网络的多源DEM点面融合模型

doi: 10.13203/j.whugis20190238
    基金项目:

    华东师范大学地理信息科学教育部重点实验室开放基金 KLGIS2017A03

    国家自然科学基金 41801263

    中央高校基本科研业务费专项资金 CUG170663

    作者简介:

    岳林蔚,博士,副教授,主要研究方向为遥感影像处理与地理空间数据融合等。yuelw@cug.edu.cn

  • 中图分类号: P237

摘要: 融合多源数字高程模型(digital elevation model, DEM)数据能有效利用数据间的互补优势,提升单一源数据的质量。提出一种基于深度置信网络(deep belief networks, DBN)的点面融合模型,在DBN的框架下考虑地形坡度、地表覆盖和空间位置信息等因素对DEM高程误差空间分布的影响,建立DEM高程值与高精度激光雷达测高数据之间的回归关系,从而实现多源栅格DEM与激光雷达测高点数据的空间融合,提升栅格DEM的垂直精度。对于空洞数据,根据空洞和非空洞区域的范围建立相应的输入数据集,分别进行融合,再利用不规则三角网差分曲面方法实现融合结果的无缝拼接。实验结果表明,相比原始DEM数据和两两融合的结果,所提出的多源DEM点面融合模型能够大幅度提升数据精度,有效解决原始数据中存在的空洞、噪声和异常值等问题。

English Abstract

岳林蔚, 沈焕锋, 袁强强, 刘修国. 基于深度置信网络的多源DEM点面融合模型[J]. 武汉大学学报 ● 信息科学版, 2021, 46(7): 1090-1097. doi: 10.13203/j.whugis20190238
引用本文: 岳林蔚, 沈焕锋, 袁强强, 刘修国. 基于深度置信网络的多源DEM点面融合模型[J]. 武汉大学学报 ● 信息科学版, 2021, 46(7): 1090-1097. doi: 10.13203/j.whugis20190238
YUE Linwei, SHEN Huanfeng, YUAN Qiangqiang, LIU Xiuguo. A Multi-source DEM Point-Surface Fusion Model Based on Deep Belief Network[J]. Geomatics and Information Science of Wuhan University, 2021, 46(7): 1090-1097. doi: 10.13203/j.whugis20190238
Citation: YUE Linwei, SHEN Huanfeng, YUAN Qiangqiang, LIU Xiuguo. A Multi-source DEM Point-Surface Fusion Model Based on Deep Belief Network[J]. Geomatics and Information Science of Wuhan University, 2021, 46(7): 1090-1097. doi: 10.13203/j.whugis20190238
  • 数字高程模型(digital elevation model,DEM)是重要的地理空间基础数据,广泛应用于地形分析、地质、水文等领域[1]。目前,已有多个版本的公开DEM数据,如雷达数据SRTM(shuttle radar topography mission)DEM [2]、光学数据ASTER GDEM(advanced spaceborne thermal emission and reflection radiometer global digital elevation model)[3]、ALOS AW3D30(advanced land observing satellite world 3D-30 m)[4]等,覆盖全球大部分陆地区域,为地学研究提供了重要的地形参考信息。然而,DEM在采集和生产过程中不可避免地会受到观测技术(如光学、雷达、激光雷达等)和地形环境等因素的影响[5-6]。例如,光学成像波长较短,难以穿透云雾,因此光学数据易受到噪声、异常值的影响; 雷达成像能够在一定程度上克服天气影响,全天候作业,但其侧视成像的观测模式更易受到地形倾角的影响,在坡度较大的地形起伏区域容易形成数据空洞。此外,星载激光雷达技术能够获取大范围、高精度的测高信息,但存在数据获取成本高、空间覆盖不连续的问题。综合来看,现有的DEM数据在精度、空间尺度和连续性等方面仍存在制约,影响数据的可用性[7]

    近年来,虽然欧洲的TanDEM-X任务[8]、日本的陆地观测卫星ALOS[9]以及中国的资源三号卫星[10]等能够陆续提供新的观测数据源,但新的数据制作成本高、周期长,同时数据质量仍不可避免地会受到观测原理和地表观测条件的限制和影响。与单一数据相比,多源数据的融合可以综合不同观测源的分辨率、覆盖范围和垂直精度等方面的互补优势,因而能够产生比单一信息源更加精确、完整和可靠的估计,以满足应用的更高需求,是近年来学者们研究的热点。

    面向多源高程数据融合的问题,国内外学者已经持续开展了系列工作[11-16]。最为常见的一类是针对不同栅格DEM的融合,根据数据中存在的尺度、噪声、异常值、空洞缺失等问题发展相应的融合方法,常用的模型框架包括地统计加权[11-12]、频率域变换[13]和正则化模型[14]等,近年来也有学者尝试引入深度学习的理论模型[15]。然而,这类方法受限于栅格数据的处理框架,缺乏对矢量测高数据的有效利用。

    多源观测数据的融合同时支持融入等高线、测高点等异构数据。然而,相比栅格的融合框架,目前关于多源异构测高数据融合的方法研究还相对较少,主要的研究有:Li等[16]结合克里金无偏估计的思想和稀疏表示理论,利用等高线地形图和低分辨率DEM数据重建生成高分辨率栅格DEM; Arefi等[17]尝试用ICESat激光雷达测高数据为控制点,利用普通移动平均插值算法得到差值面来提高ASTER GDEM的垂直精度; Yue等[18]利用曲面基本量的几何特性,构建了高精度的曲面建模方法,能够融合多源异构辅助数据对DEM空缺进行填补; Yue等[19]构建基于反向传播(back propagation,BP)神经网络的点面融合模型,尝试利用光学ASTER GDEM和高精度激光雷达测高数据ICESat GLAS对雷达SRTM1的空洞进行修复,重建空间无缝DEM; Pham等[20]利用LiDAR (light detection and ranging)测高值作为参考数据,结合坡度信息学习ASTER GDEM和SRTM1的线性加权关系,并应用到无参考数据覆盖的区域。总的来说,现有的融合方法仅考虑了影响高程数据质量的单一或有限因素,通常考虑两两数据的融合,从而难以顾及多源数据之间的地理空间差异特性,限制了融合结果的提升。

    综上,本文考虑高程数据误差的空间异质性,构建基于深度置信网络(deep belief networks,DBN)的多源DEM点面融合模型,以高精度激光雷达测高点为参考,引入地形因子、地物覆盖分类信息,学习栅格DEM误差的空间分布统计特征,利用学习得到的统计特征模式进行空间预测,得到融合后的无缝DEM。

    • 本文基于DBN实现激光雷达测高信息与栅格DEM的多源点面融合,实验数据主要包括分辨率均为1″(约30 m)的雷达DEM产品SRTM1、光学数据ASTER GDEM v2和ALOS AW3D30 v1.1以及星载激光雷达测高数据ICESat GLAS。对于SRTM1的空洞缺失以及ASTER GDEM、AW3D30数据中的噪声和异常值,本文融合的目的是结合不同数据在空间覆盖和精度上的互补优势,解决单一数据集中存在的空洞、噪声和异常值等质量问题。考虑到影响高程误差空间分布的关键因素,引入地形坡度、空间位置信息(经纬度)以及地表覆盖分类信息,将其作为模型输入的辅助数据。

      本文提出的点面融合方法在提取点对的过程中,需要输入的点、面数据之间具有空间对应关系。因此,若输入数据之间存在格网空间分辨率或参考坐标系不同的情况,则需要先对数据进行重采样和配准[21]。栅格SRTM1、ASTER GDEM和AW3D30的空间分辨率相同,因此无需进行重采样,其水平坐标基准和高程基准分别对应WGS84和EGM96,而ICESat GLAS数据的参考坐标为Topex/Poseidon。对于水平坐标,这两个基于不同参考椭球体的坐标系在经度和纬度方向上造成的水平偏差不超过1 m,因此本文主要考虑垂直向上的转换。

      基于Topex椭球体的椭球高$ {h}_{\mathrm{T}\mathrm{o}\mathrm{p}\mathrm{e}\mathrm{x}} $,需要转化为基于WGS84椭球体的椭球高$ {h}_{\mathrm{W}\mathrm{G}\mathrm{S}84} $,两个椭球体的高程差异可以近似表示为:

      $$ {h}_{\mathrm{W}\mathrm{G}\mathrm{S}84}={h}_{\mathrm{T}\mathrm{o}\mathrm{p}\mathrm{e}\mathrm{x}}-0.707 $$ (1)

      再由椭球高转换为相对于大地水准面EGM96的大地水准高$ H={h}_{\mathrm{W}\mathrm{G}\mathrm{S}84}-N $,从而与DEM数据集保持一致,其中N表示大地水准面间隔。在经过坐标转换之后,将数据划分为$ 1°\times 1° $的块,构成模型的输入数据。利用对GLAS的回波参数进行阈值判断,滤除低质量的异常点。本文主要剔除在数据获取过程中受到植被、云以及大气噪声影响的精度异常值。具体的滤波标准包括波形峰值数($ \mathrm{i}\_\mathrm{p}\mathrm{e}\mathrm{a}\mathrm{k}\le 5 $)、信号带宽($ \mathrm{s}\mathrm{i}\mathrm{g}\_\mathrm{w}\mathrm{i}\mathrm{d}\mathrm{t}\mathrm{h}\le 25\mathrm{ }\mathrm{m} $)、能量值($ \mathrm{e}\mathrm{n}\mathrm{e}\mathrm{r}\mathrm{g}\mathrm{y}\le 10\mathrm{ }\mathrm{f}\mathrm{J} $)以及GLAS与对应DEM高程值的绝对差值($ \mathrm{d}\mathrm{i}\mathrm{f}\le 100\mathrm{ }\mathrm{m} $)等,剔除可能受到严重影响的异常数据点[22]

      此外,本文引入全球地表覆盖分类数据GlobeLand 30提取相应的地物覆盖类别信息[23]。GlobeLand30数据采用WGS84坐标系,UTM(universal transverse mercartor)投影,6°分带,分辨率为30 m。本文先将高程数据对应的地理坐标系转换为GlobeLand30对应的投影坐标系,然后提取相应位置的GlobeLand30类别值,共包括耕地、森林、草地、灌丛地、水体、湿地、苔原、人造覆盖、裸地、冰川及永久积雪10个类别[23]

    • 星载激光雷达测高数据在轨道间的空间间隔较大(数公里到数十公里),由于GLAS点在轨道间的分布稀疏,传统基于插值方法和统计回归方法的点面融合模型往往会引入较大的空间预测误差。本文利用深度学习强大的数据统计特征挖掘能力和空间预测能力,在DBN模型中[24-25]考虑地学要素对空间误差分布的影响。DBN由多个限制波兹曼机(restricted boltzman machines,RBM)层组成,每个RBM又由一个可视层($ v $)和一个隐含层($ h $)组成,如图 1(a)所示。以图 1中DBN的第1个RBM结构为例,隐含层与可视层的关系可表示为:

      $$ \begin{array}{cc}{h}_{1, i}^{}=\left\{\begin{array}{c}\begin{array}{cc}1, & f\left({W}_{0, i}v+{b}_{i}\right)\ge \mu \end{array}\\ \begin{array}{cc}0, & f\left({W}_{0, i}v+{b}_{i}\right) <\mu \end{array}\end{array}\right.& , \mu \sim U\left(\mathrm{0, 1}\right)\end{array} $$ (2)

      图  1  DBN网络及点面融合模型的基本结构

      Figure 1.  Basic Structures of DBN and the Point-Surface Fusion Model

      式中,$ v $为网络可视层输入; $ i $表示该层的第$ i $个神经元; $ {W}_{0, i} $和$ {b}_{i} $分别表示对应第$ i $个神经元的权值和偏置; $ \mu $为$ \left[\mathrm{0, 1}\right] $之间的随机数。设定$ f\left(x\right)=1/\left(1+{\mathrm{e}}^{-x}\right) $为从可视层到隐含层的传输函数。随着网络训练过程的推进,权值得到不断更新。可以利用对比散度算法训练RBM,因此第$ n $次迭代的权值可以表示为:

      $$ {W}_{0}^{n+1}={W}_{0}^{n}+\varepsilon \cdot \left({\left({h}_{1}\right)}^{\mathrm{T}}v-{\left({h}_{1}^{2}\right)}^{\mathrm{T}}{x}_{1}^{}\right) $$ (3)

      式中,$ \varepsilon $为学习率; $ {x}_{1} $为从隐含层$ {h}_{1} $基于式(2)得到的结果,而$ {h}_{1} $和$ {h}_{1}^{2} $分别为利用$ v $和$ {x}_{1} $通过式(2)得到[24]。网络中的RBM依次通过这种非监督的方式进行预训练,预训练得到的权值用来初始化多层神经网络。DBN模型通过前馈方式传递误差,再通过后向传递的方式将误差回传,从而对权值进行微调,优化网络性能。

      在DBN的框架下,将栅格DEM高程、地表覆盖类型、地形坡度参数以及经纬度作为输入数据,将GLAS的高程值作为输出样本,构建网络的训练数据集,利用深度网络学习数据之间的误差统计关系; 同时考虑高程误差的空间自相关特性,避免数据配准误差对结果的影响,采取邻域窗口的方式构建训练样本对,最终的模型结构如图 1(b)所示。通过深度回归网络对训练数据的学习,利用得到的映射关系,可以得到没有控制点分布的像素的预测值。

      顾及多源高程数据误差的空间异质性,对于分块输入的高程数据,本文根据DEM是否缺失采用不同的融合策略。对于栅格DEM覆盖完整的区域,利用本文提出的地理深度回归网络实现GLAS数据与栅格数据SRTM1、ASTER GDEM和AW3D30的融合; 对于存在缺失的数据,根据空洞的范围建立相应的输入数据集分别进行融合,再利用不规则三角网(triangulated irregular network,TIN)差分曲面的方法将空洞和非空洞区域的融合结果进行无缝拼接。

    • 对于DEM的空洞和非空洞范围,利用不同融合方式得到处理后的高程信息还需要进行进一步的融合。由于多源数据之间存在垂直偏差,直接进行填充会使接缝线边缘形成断裂。为了得到空间无缝数据,本文利用基于TIN差分曲面的经典空洞填充算法[26]来处理数据集之间的偏差,其基本原理主要是计算辅助数据与待填充数据之间的垂直校正值。首先,分别利用两个输入数据在空洞区域周围的邻域像素点构建TIN,作为空洞区域的基面。邻域像素点通过在空洞数据A的空洞周边建立缓冲区来提取。然后,可以利用完整数据B的真实表面得到与相应基面的差分曲面。假设两个数据的地表起伏形态在空洞区域相一致,这个差分曲面同样可以适用于数据A,得到填充后的完整数据(即空间无缝数据$ {A}_{C} $)表示为:

      $$ {A}_{C}={A}_{b}+{B}_{C}-{B}_{b} $$ (4)

      式中,$ {A}_{b} $和$ {B}_{b} $分别对应于数据AB的基面; $ {B}_{C} $是空洞区域内数据B的有效高程值。考虑DEM数据可能受到噪声和异常值的污染,在填充之前对差分曲面进行平滑滤波,在填充之后利用轻微的羽化来平滑连接区域。

    • 为了验证模型的空间预测能力,本文采用交叉验证的方式进行测试。在实验中,DEM数据块的大小为$ 1°\times 1° $,将对应范围的GLAS点随机分为10等份,在每次实验中,将其中9份作为训练数据,1份作为独立的验证数据对结果进行验证,循环直至每份数据都作为一次验证集参与实验。

      本文随机选取6幅DEM作为实验数据,利用本文提出的深度置信网络方法在交叉验证实验中得到的平均训练精度和验证精度说明模型的空间预测效果。同时,本文将不同栅格的原始DEM数据集(表 1)和BP神经网络(back propagation neural network,BPNN)融合结果(图 2)的评价精度作为对比。在实验中,BPNN共3层,隐含层神经元个数为6,隐含层激活函数为tansig函数,学习率设为0.001。DBN采用两层RBM层,隐含层设15个神经元。本文的定量评价结果均由DEM和训练/验证数据集中ICESat GLAS点的高差统计得到,主要评价指标包括平均误差(MEAN)和均方根误差(root mean squared error,RMSE)。

      表 1  交叉验证实验定量评价结果(RMSE值)/m

      Table 1.  Quantitative Evaluation Results (RMSE) in the Cross-Validation Experiments/m

      数据块 训练精度 验证精度
      ASTER GDEM AW3D30 SRTM1 本文方法 ASTER GDEM AW3D30 SRTM1 本文方法
      N28E101 39.289 20.836 21.751 17.453 39.223 20.788 21.712 17.696
      N31E102 27.844 15.249 15.927 12.536 27.836 15.236 15.915 12.976
      S02W079 35.597 13.305 12.732 11.251 32.802 13.275 12.696 11.267
      N24E107 21.823 16.178 15.448 13.204 21.789 16.149 15.425 13.422
      N29E094 33.319 58.797 20.332 15.778 33.271 55.415 20.300 15.879
      N35W102 7.297 5.946 6.259 1.538 7.293 5.945 6.259 1.524

      图  2  交叉验证平均精度

      Figure 2.  Mean Accuracies in the Cross-Validation Experiments

      表 1中的RMSE结果表明,DBN模型无论是训练精度还是在没有参考数据的像素位置得到的验证精度,其相比原始数据的精度都有稳定提升。而从图 2中可以看出,相对于训练精度,两个模型的差异主要体现在验证精度上。对于不同地形、不同地物类别的实验数据,DBN模型的输出结果都能获得较为稳定的独立验证精度,表明其相比BPNN具有更好的空间预测能力。

    • 交叉验证实验反映了DBN模型的空间预测能力以及相对于传统BPNN更加优越的性能。本节主要分析基于DBN的多源点面融合模型的效果。根据交叉验证实验中的验证精度可以得到最优的训练网络,再输入测试数据集,得到融合结果。若DEM数据中存在空洞,则根据空洞位置选择相应的点面融合方式进行融合,再利用TIN差分曲面的方法将两部分拼接起来。

      表 2给出了N29E094和N35W102两组无空洞数据的定量评价结果。除了本文方法的融合结果外,表 2中还给出了3个原始DEM数据集(ASTER GDEM、AW3D30、SRTM1)的精度以及仅输入单一DEM与GLAS数据进行融合的结果(ASTER_c、AW3D30_c、SRTM1_c)。例如,ASTER_c是指在点面融合的过程中,训练数据仅输入ASTER GDEM的高程值以及相应的坡度和经纬度信息得到的结果。从表 2可以看出,相对于原始数据集,经过校正后DEM数据的精度都能得到相应的提升,而本文方法引入地表覆盖分类、地形坡度等地理空间要素,基于DBN模型融合3个数据,在精度表现出不同程度上的优势。这是由于DEM数据的误差存在空间异质性,即尽管ASTER GDEM数据在整体上表现出误差较大、噪声和异常值较严重的特点,但DEM数据的精度在不同的像素位置存在差异,因此通过本文提出的多源点面融合模型可以更加有效地利用数据集之间的互补信息。图 3是N29E094数据块的局部区域放大效果图。可以看出,尽管ASTER GDEM v2和AW3D30数据中都存在不同程度的噪声和异常值,但融合结果并没有受到影响,其保持了完整的地形纹理和细节,且在精度上相对于这个区域精度较高的SRTM1数据也有了显著提升。

      表 2  无空洞数据整体定量评价结果/m

      Table 2.  Quantitative Evaluation Results for the Non-void Data/m

      数据块 精度指标 ASTER GDEM AW3D30 SRTM1 ASTER_c AW3D30_c SRTM1_c 本文方法
      N29E094 MEAN -14.839 -12.266 -9.717 0.404 -0.192 0.120 0.067
      RMSE 33.526 58.839 20.824 26.570 49.951 16.930 15.293
      N35W102 MEAN -0.671 -5.323 -5.138 -0.001 0.017 0.037 -0.001
      RMSE 7.310 5.955 6.269 4.371 1.515 2.196 1.403

      图  3  N29E094数据块局部区域的视觉比较

      Figure 3.  Visual Comparison of a Local Region Within the Tile N29E094

      在SRTM1数据中存在空洞的情况下,融合的过程更为复杂。表 3中给出了4组实验数据分别在无空洞区域和空洞区域的定量评价结果。除了3个DEM数据之外,本文根据文献[19]中的方法,将ASTER GDEM和SRTM1的融合结果(简称BP_TIN)在空洞区域的精度评价作为对比。由于SRTM1的空洞主要分布在坡度较大的崎岖山地以及地形纹理较弱的沙漠、冰川等区域,因此通常DEM在空洞区域的质量要远低于非空洞区域。从表 3中可以看到,经过融合之后,本文方法无论是在空洞或者非空洞区域,相比原始数据集的精度都有显著提升。对比BP-TIN的结果可以得出,通过DBN模型学习DEM误差与地形、地物覆盖类别等因素的空间分布关系,从而融合多源数据集的互补信息,能够有效提升融合结果的精度。图 4给出了N24E107和S02W079数据块局部区域的放大效果(白色为空洞像素)。从图 4可以看出,在ASTER GDEM v2和AW3D30数据中都存在明显的异常值和噪声点,而SRTM1数据中存在明显的缺失区域,融合方法能够结合3个数据的优势,有效克服数据空洞、异常值和噪声的影响,重建得到更高质量的DEM数据。

      表 3  无空洞区域和空洞区域的定量评价结果/m

      Table 3.  Quantitative Evaluation Results for the Non-void Areas and Void Areas/m

      数据块 精度指标 无空洞区域 空洞区域
      ASTER GDEM AW3D30 SRTM1 本文方法 ASTER GDEM AW3D30 BP_TIN 本文方法
      N28E101 MEAN -12.499 -5.285 -4.358 -0.359 -27.495 -10.231 -8.347 0.069
      RMSE 29.002 14.358 14.182 11.497 55.009 30.263 46.570 25.942
      N31E102 MEAN -14.582 -3.682 -3.230 -0.206 -21.367 -14.094 -6.205 -4.139
      RMSE 27.083 14.619 13.445 12.006 48.979 31.070 36.276 28.151
      S02W079 MEAN 3.509 -2.147 -1.737 0.286 -51.750 -3.121 -15.648 -1.822
      RMSE 23.694 12.767 10.557 10.319 206.618 31.581 66.973 30.112
      N24E107 MEAN -0.940 -5.905 -3.439 0.306 -8.773 -7.888 -4.708 0.734
      RMSE 18.397 13.921 12.808 11.262 30.901 22.319 28.320 18.544

      图  4  N24E107和S02W079数据块局部区域的视觉比较

      Figure 4.  Visual Comparison of Two Local Areas Within Tiles N24E107 and S02W079, Respectively

    • 本文提出了一种基于DBN模型的多源点面融合方法,结合多源测高数据集的特点,根据数据中是否存在空洞区域制定不同的融合策略,利用TIN-差分曲面方法将不同区域的融合结果进行无缝拼接。实验结果表明,本文方法能够有效融合多源数据集的互补优势,相比两两数据的融合具有更加显著的优势。从视觉效果上看,本文模型的融合结果能够克服原始数据中空洞和异常值的影响,具有更加完整、自然的地形纹理特征。

参考文献 (26)

目录

    /

    返回文章
    返回