EN中文

地球信息科学学报 >

2023 , Vol. 25 >Issue 2: 252 - 264

DOI: https://doi.org/10.12082/dqxxkx.2023.220701

地球信息科学理论与方法

基于开源数据和条件生成对抗网络的地形重建方法

  • 陈凯 , 1, 2 ,
  • 雷少华 3 ,
  • 代文 , 1, * ,
  • 王春 2 ,
  • 刘爱利 1 ,
  • 李敏 2
展开
  • 1.南京信息工程大学 地理科学学院，南京 210044
  • 2.实景地理环境安徽省重点实验室，滁州 239000
  • 3.南京水利科学研究院 水文水资源与水利工程科学国家重点实验室，南京 210029
* 代 文（1995— ），男，贵州毕节人，博士，讲师，研究方向为实景三维建模与数字地形分析。 E-mail:

陈 凯（1999— ），男，甘肃天水人，硕士生，研究方向为实景三维建模与数字地形分析。E-mail:

收稿日期: 2022-09-19

  修回日期: 2022-10-31

  网络出版日期: 2023-04-19

基金资助

江苏省高等学校自然科学研究项目(22KJB170016)

国家自然科学基金项目(42101384)

江苏省自然科学基金青年基金项目(BK20210043)

安徽高校省级自然科学研究重大项目(KJ2021ZD0130)

江西省水利厅重大科技项目(202124ZDKT29)

“实景地理环境安徽省重点实验室”开放课题资助(2022PGE013)

收起

Terrain Rebuilding Method based on Open Source Data and Conditional Generative Adversarial Networks

  • CHEN Kai , 1, 2 ,
  • LEI Shaohua 3 ,
  • DAI Wen , 1, * ,
  • WANG Chun 2 ,
  • LIU Aili 1 ,
  • LI Min 2
Expand
  • 1. School of Geographical Sciences, Nanjing University of Information Science and Technology, Nanjing 210044, China
  • 2. Key Laboratory of Physical Geographic Information in Anhui Province, Chuzhou 239000, China
  • 3. State Key Laboratory of Hydrology-Water Resources and Hydraulic Engineering, Nanjing Hydraulic Research Institute, Nanjing 210029, China
* DAI Wen, E-mail:

Received date: 2022-09-19

  Revised date: 2022-10-31

  Online published: 2023-04-19

Supported by

The Natural Science Foundation of the Jiangsu Higher Education Institutions of China(22KJB170016)

The National Natural Science Foundation of China, No.42101384(42101384)

The Natural Science Foundation of Jiangsu Province(BK20210043)

The Major Project of Natural Science Research of Anhui Provincial Department of Education(KJ2021ZD0130)

The Water Conservancy Science and Technology Project of Jiangxi Province(202124ZDKT29)

The Foundation of Anhui Province Key Laboratory of Physical Geographic Environment(2022PGE013)

Fold

摘要

如何使用少量的地形特征复原地形地貌一直为地学领域的难题。本文使用开源数据集提取地形特征要素，使用地形特征要素作为约束条件构建了用于生成DEM的条件生成对抗网络(Conditional Generative Adversarial Networks, CGAN)，设计了基于开源DEM、开源DEM与遥感影像组合、以及5m高精度DEM提取地形特征要素生成DEM的对比实验，并对结果进行视觉效果、相关性分析以及地形因子的对比与评价。结果表明：① 在视觉效果上，3种不同方式生成的DEM在视觉效果上均十分逼近原始5 m DEM，都远好于传统插值方法生成DEM，基于开源12.5m DEM提取要素和1m遥感影像的重建效果最接近于原始5 m DEM；② 在相关性上，三种不同方式生成的DEM与原始5m DEM相关性均能达到0.75以上，组合开源数据提取要素重建DEM与原始5 m DEM相关性可达到0.85以上；③ 在地形因子方面，基于开源12.5 m DEM和1 m遥感影像提取要素重建DEM的坡度和坡向的分布趋势与原始5 m DEM最为一致。本文为高精度DEM建模提供了新的思路，在高精度DEM难以获取的区域，可以利用开源数据集和条件生成对抗网络进行高精度地形建模，从而进行地学分析和地理模拟等。

关键词： 开源数据; 遥感影像; 条件生成对抗网络; 数字高程模型; 地形特征要素; 地形重建; 地形骨架; 黄土高原

本文引用格式

陈凯 , 雷少华 , 代文 , 王春 , 刘爱利 , 李敏 . 基于开源数据和条件生成对抗网络的地形重建方法[J]. 地球信息科学学报, 2023 , 25(2) : 252 -264 . DOI: 10.12082/dqxxkx.2023.220701

Abstract

How to use a small number of topographic features to restore the topography has been a difficult problem in the field of geology. In this paper, we extract topographic features from open source datasets, and construct Conditional Generative Adversarial Networks (CGAN) for DEM generation using topographic features as constraints, a comparative experiment was designed based on the combination of open-source DEM, open-source DEM and remote sensing image, as well as the generation of DEM by extracting topographic features from the high-precision DEM with a resolution of 5 m, the results were compared and evaluated by visual effect, correlation analysis and topographic factors. The results show that: (1) in the visual effect, the DEM generated by three different methods are very close to the original DEM with a resolution of 5m, which is much better than the traditional interpolation method, (2) the correlation between DEM generated by three different methods and the original DEM with a resolution of 5m is more than 0.75, and the result of reconstruction based on dem with a resolution of 5 m extracted from open source and remote sensing image with a resolution of 1m is closest to that of the original DEM with a resolution of 5m, the correlation between DEM and original 5m DEM can reach more than 0.85. (3) in the aspect of terrain factor, based on dem with a resolution of 5 m and remote sensing image with a resolution of 1m, the distribution trend of slope and aspect of reconstructed DEM is most consistent with the original DEM with a resolution of 5 m. This paper provides a new idea for high-precision DEM modeling. In the areas where high-precision DEM is difficult to obtain, high-precision terrain modeling can be carried out by using open source data sets and Conditional Generative Adversarial Networks, so as to conduct geoscience analysis and geographical simulation.

Key words： open source data; remote sensing images; conditional generative adversarial networks; Digital Elevation Model; topographic features; topographic rebuilding; terrain skeleton; Loess Plateau

1 引言

地形是地球表面形状的描述，是各种地貌演变过程的结果。它不仅承载着地质变化等剧烈地壳运动，也能反映出水土流失、土壤侵蚀等微小变化过程[1-2]。地形建模就是人为通过模型表达地形，地形建模从环境变化、灾害防控、水文分析、地学分析等科学研究领域到军事战场、游戏建模等工程应用场景广泛涉及[3⇓⇓⇓⇓⇓-9]。近年来，已有众多学者提出各种地形建模方法，主要可分为基于野外测量的实际地形建模与根据已知信息和地学知识的虚拟地形建模方法2种。
在基于野外测量的实际地形建模中，主要为传统测绘手段，通过测量仪器直接得出高程等相关地形信息或是通过无人机建模等方法模拟实际地形从而间接解算出地形高程[10-11]。基于实地测量的建模方法虽然精确，但是付出的成本很高。在根据已知信息和地学知识的地形模拟方法中，主要是通过已知的地形知识和地形信息建立模型。如基于地形特征重建（或约束内插算法）、函数化地形建模方法。约束内插算法有反距离加权法、三次卷积内插法等[12⇓⇓-15]。函数化地形建模方法，即通过确定各种地表参数，输入公式从而输出地形的方法，典型算法有分形算法、物理模型法、元胞自动机以及使用流体粒子系统等模拟算法[16⇓-18]。根据已有信息建模方法虽然简单，但地形容易失真。地形的形成包含了一定的地貌发育过程和地理规律，使用单一函数的方法，难以描述地表细节和体现地貌发育过程。
根据已有地形知识或信息构建地形的难点在于坡面高程特征具有一定规律，很难确定哪种坡面高程序列的对应关系或者说映射量太大导致难于把控。深度学习作为解决大数据的最优方法之一，可以自主挖掘学习特征[19]。因此，基于深度学习的地形建模方法逐渐被发展了起来。规则格网形式的地形建模在深度学习领域可以看作是带有特征要素的图像生成问题。在图像生成的各类深度学习方法中，条件生成对抗网络(Conditional Generative Adversarial Networks, CGAN)已经取得了广泛的应用并且可以取得较好的结果。因此有学者[20-21]提出了利用5 m高精度DEM提取的地形要素训练CGAN网络，然后基于训练的网络生成DEM的方法。这类方法思路为“高精度DEM-地形特征要素-高精度DEM”，即通过高精度DEM提取出地形特征要素再尽可能地生成与原始DEM相似的DEM。虽然这种方法为地形建模提供了新思路，但是还存在明显的问题：① 在山区和偏远地区高精度DEM难以获取，该方法对高精度DEM的依赖限制了其适用性； ② 在已有高精度DEM的情况下，再来训练生成对应高精度DEM其现实意义不高。
在现实场景中，经常会遇到某一个大区域有整个区域的粗分辨率DEM和影像数据，但只有部分区域的高精度DEM。在这种情况下，如何利用已有地形信息和部分区域的高精度数据训练模型，再重建具有相同地貌特征区域的高程信息具有重要的科学和应用价值。因此，本文利用全球开源数据集谷歌地球影像和目前分辨率最高的全球开源DEM数据ALOS 12.5m DEM提取地形特征要素，使用地形特征要素作为约束条件构建了用于生成DEM的条件生成对抗网络，实现对5 m高精度DEM的重建。同时，本文还讨论了不同数据集生成5 m高精度DEM的能力，在工程建设、环境评估和战场环境模拟等不同情景下可以根据已有的数据集快速实现高精度地形建模。

2 研究方法

2.1 研究思路

地形特征要素，如山脊线、山谷线和沟沿线等，是地形的骨架，是人们对地表高低起伏的直观认识，这也是利用深度学习方法生成模拟地形的基础。因此，本文的主体技术路线是提取地形特征要素（山脊线、山谷线和沟沿线），输入训练好的CGAN网络进行建模，生成5 m DEM。为了对比不同分辨率开源地形特征要素生成地形的优劣，本文设计了3种方式提取地形特征要素（表1）：① 原始5 m DEM提取地形特征要素进行地形重建，作为评估开源数据建模效果时对照使用；② 12.5 m DEM提取地形特征要素进行地形重建；③ 12.5 m DEM提取山脊线与山谷线，同时使用1 m遥感影像提取沟沿线，然后进行地形重建。最后将这3种方式生成的5 m DEM结果与原始5 m DEM进行视觉效果对比、相关性分析以及地形因子分析。技术路线如图1所示。
表1 基于不同数据源地形特征要素的CGAN地形重建实验

Tab.1 The experiment of CGAN terrain reconstruction based on different terrain features from different data sources

序号 实验名称 实验目的
1 基于5 m DEM地形特征要素的地形重建生成实验 作为对照组，评估网络模型精度
2 基于12.5 m DEM地形特征要素的地形重建实验 探究单一低分辨率开源DEM数据地形特征要素生成高分辨率地形的效果
3 基于1 m遥感影像+12.5 m DEM组合开源数据
地形重建实验		 1 m遥感影像可以提高沟沿线精度，因此将其组合；探究组合开源数据地形特征要素生成高分辨率地形的效果
图1 研究技术路线

Fig.1 Work flow of the study

2.2 基于地形特征要素的CGAN网络介绍

本文使用基于CGAN[22]的网络模型，CGAN网络和普通GAN（Generative Adversarial Networks, GAN）网络都是由生成器和判别器构成，生成器生成图片，然后判别器判断是否为与原图像相似，通过生成器和判别器的不断博弈从而优化模型。不同点在于CGAN的模型架构上加入了控制条件-地形特征要素，加强对地形的控制，而不是由随机噪声生成。此外，由于地形为连续的曲面，像元值是连续的，因此还需去除判别网络中锐化效果的Patch-GAN[16]结构。CGAN模型与判别器、生成器结构如图2所示。
图2 CGAN模型与判别器、生成器结构

Fig.2 CGAN model and the structure of discriminator and generator

CGAN网络生成器利用U-Net[23]网络将输入的地形特征要素输入到每一层上采样过程中，从而加强地形特征的控制作用。生成器目的在于生成目标图像，将地形特征要素输入入网络，然后生成地形特征要素对应的地形。本文使用的生成器的“编码器-解码器”结构为U-Net结构，U-Net将输入输出相匹配的编码解码器之间增加了跳跃连接层，通过将标签和特征图合并，达到增强特征图的目的，从而增强了条件在结果中的控制作用，使网络更加符合条件所得结果。由于计算机视觉是对RGB图像进行处理，因而输出有3个波段，但是DEM是单波段图像矩阵，故需要在生成模型最后的卷积层输出修改为一个波段。
判别器的目的在于判断生成器生成的地形数据能否匹配输入的地形特征要素信息[24]。判别器的网络结构如图2所示，它类似于生成器中的U-Net编码器结构，只是在第一层和最后两层不同。判别器的第一层输入数据是地形特征要素和对应原始DEM拼合后的矩阵。判别器的最后两层编码操作过程中使用的卷积核步长为1，并且不向下进行下采样操作。判别器的输出结果是长宽都为30的0和1组成的矩阵，0和1表示判断的结果。判别器优化目标函数与GAN的损失函数一样，如式（1）所示。但是它们的区别在于本文网络模型的输出为长宽都为30的二值化矩阵，而一般GAN的判别器输出是一个布尔值。将判别器的两个输出结果输入到判别器损失函数中计算，求得损失值后输入生成器中作为误差进行修正，从而影响生成器损失函数，进而达到利用判别器反馈生成器的目的。
l o s s D = 1 n ∑ - l o g p r e a l + ε + l o g 1 - p f a k e + ε
式中：lossD是指判别器的损失值；n为样本个数； preal是指生成DEM被判别器判别为真的概率；ε是误差修正值；pfake是指生成DEM被判别器判别为伪的概率。

2.3 建模效果评价方法

2.3.1 视觉效果分析

为了评估训练的模型对于地形建模的能力，首先从生成地形模型的视觉效果进行分析，评估不同数据源得到的结果在视觉上能否与原始DEM相似。在利用开源数据进行地形建模时，也需要对比重建DEM与原始DEM的视觉效果。在评价视觉效果时，通过直接对比灰度图即可看出重建高程结果的优劣。此外，山体阴影作为重要的地形特征，可以很好地表现出地貌的立体形态，也能直观的看出地形遮蔽信息。通过直接对比两种分辨率的原始DEM和不同方案生成的DEM灰度图以及山体阴影，可以达到较好的视觉对比目的。

2.3.2 高程相关性

相关性作为分析2个变量之间的关联程度，可以量化2个变量之间的相互关系，相关性越大，表明2个变量之间联系越强。由于视觉效果只能定性的分析建模效果，而且主观性太强，要想达到客观的评估建模效果。还需知道重建DEM与原始DEM相关性，这样才能科学定量的评估生成的DEM与原始DEM的相似性与差异性。

2.3.3 地形因子分析

地形因子是描述地形特征的基本参数。地形因子有坡度、坡向、平面曲率等。其中坡度和坡向作为地学分析最重要和最常用的地形因子。坡度图则可以直观的表现地形坡面的微小变化，在一定程度上反映了地貌类型和地貌发育程度[25]。坡向图则反映了山体的坡面朝向。通过坡度图和坡向图对比，可获知生成地形与原始地形在坡面形态上的差异。本文以原始5 m DEM和原始12.5 m提取的坡度和坡向作为参考，对比不同方案生成的坡度和坡向评估重建DEM的优劣。

3 试验区概况及数据来源

3.1 研究区与数据

由于黄土高原地区土质松软、气候复杂，地表同时受风力侵蚀和降雨冲刷，形成了沟壑纵横、地势崎岖的地貌特征[26-27]，地形建模难度很大。本文选择陕西省境内的黄土高原作为研究区，一方面可以使训练的模型适应于复杂地形建模，另一方面可以使验证的结果具备较高的可信度。由于训练样本数量需求较大，因此，选取了多景黄土高原5 m DEM。为了更好测试训练效果，选择的验证样区为黄土高原特有梁峁丘陵沟壑地貌的延川县地区（图3）。
图3 研究区与建模样区

Fig.3 Study area and modeling sample area

本文研究数据分为2种：① 训练CGAN网络数据为5 m分辨率DEM数据，来自于陕西省测绘局；② 验证地形建模数据为ALOS开源数据12.5 m DEM和1 m谷歌地球遥感影像数据。
由于CGAN网络对于输入有严格的规定，而且空间分辨率作为地学领域一个关键数据属性，需要保留。因此，需要对训练数据和验证数据进行裁切，本文将训练样本长宽都设置为256个像元的正方形，每个训练样本长宽对应实际距离为1.28 km。故在进行12.5 m DEM和1 m遥感影像数据的裁切时，都需要将样本裁切到实际长度为1.28 km的正方形面片。对延川县5 m DEM经过裁切后，得到56个样本，随机选择4个样本作为本文测试样本（图3中样本A、样本B、样本C、样本D）。

3.2 地形特征要素提取

利用GAN网络重建地形的基本思想是“特征”复原到“细节”。在数字地形分析中，黄土地貌点状地形有山顶点、鞍部点；线状要素有山脊线、山谷线、沟沿线；面状地形有正负地形、流域等。在提取地形特征要素时，地形要素携带的信息量：面状信息>线状信息>点状信息。提取信息过多，则会增加网络负担影响输出；信息过少，则会使得生成地形细节不够。因此，提取要素时需充分考虑地形特点，需要相互独立又不能损失主要地貌。比如山脊线包含山顶点和鞍部点，因此只保留山脊线；而山脊线虽能表达地势中的线状突出，但不能表达出沟坡的范围，因此选择沟沿线；而为了表达出地势低洼处，需要选择山谷线反映地势中较低处。
在选取好山脊线、山谷线、沟沿线作为地形特征要素后，就需要准确将要素提取出来。山脊线山谷线提取方法众多，本文所选方法为水文分析法[28]。山谷线水文分析提取方法是以栅格高程作为依据，寻找栅格周围八邻域中像元值最低值作为出水口的方法，步骤有填洼、流向计算、流量计算、河网分级。而对于山脊线，可以看作是反DEM的山谷线。水文分析法的提取由汇流累积量决定，阈值过小，提取要素过多会影响网络分级；阈值过大则使得细节不能很好表现。李可等[29]提出在黄土高原范围，5 m分辨率DEM阈值为2000时提取的山脊山谷对于地形的控制作用效果较好，因此本文汇流阈值选择为2000。本文提取结果如图4（a）所示。
图4 地形特征要素提取与数据集制作开源地形特征要素数据集制作

Fig.4 Feature geographic element extraction and open source geographic feature dataset production

沟沿线作为区分正负地貌的线状要素，是沟壑侵蚀的边界线[30-31]，是水流分散区和汇集区的分界线，对地形具有非常重要的控制作用。因此，本文利用融合遥感影像和DEM的面向对象分析 方法提取沟沿线[28,32]。不同DEM提取的沟沿线 结果以及谷歌影像目视解译的沟沿线提取结果如图4（a）所示。

3.3 训练与验证数据集制作

通过5 m DEM提取出地形特征要素后，将山谷线、山脊线、沟沿线各赋值为255并按照R、G、B形式存储为RGB三波段图片，由于CGAN网络训练时需要将输入图像与目标图像合成一起放入网络，因此将地形特征要素与对应5 m DEM合成一个数据对。利用黄土高原已有5 m DEM数据经过裁切后，制作大约1000个样本。数据组合方式如图4（b）所示。验证数据集的制作流程与训练数据集的相似，只需将不同的地形特征要素拼接成RGB影像即可（图4（c））。

4 结果分析

4.1 视觉效果对比

本文提出的地形建模方法和传统插值方法的建模效果如图5所示。总体来说，所有深度学习方法重建的地形山体阴影轮廓与形状都是效果好于传统插值方法的，传统插值方法相比原始12.5 m DEM提升不大。尽管插值结果相对原始DEM增加了一下地形细节，但是其地形细节的丰富程度远不如深度学习方法，因此后文只针对深度学习方法作比较。对比5 m原始DEM与5 m要素重建的DEM，可以看出重建DEM能较好的反映地表地势起伏，特别是在沟谷区能够很好地重建原始地貌，说明训练的模型能够保持原有5 m DEM能够表达的地形特征。但是在一些支沟和沟谷的末梢可以看出重建细节不能很好的表现；而且重建地形的正地形区域面积明显大于实际地形，说明模型在地势较高处重建效果较差。从山体阴影对比来看，可以看出5 m重建的DEM在山脊突出处重建的较为平缓，沟沿线附近坡度变化更加明显，可能是由于5 m DEM提取沟沿线时提取面积比实际面积大引起的。
图5 插值方法与深度学习方法生成DEM视觉对比

Fig.5 Visual contrast of DEM generated by interpolation method and deep learning method

从单一开源数据（12.5 m DEM）重建的5 m DEM来看，可以看出明显比原始12.5 m DEM沟谷边界具有明显的锐化效果，能清晰反映沟谷走势，重建的DEM提取的山体阴影表达地形骨架比原始12.5 m DEM分明，但缺点是在沟谷与山地之间过渡地带不能复原，并且同样出现了和5 m重建DEM的问题—在沟谷末梢和正地形面积信息损失较大。总之，12.5 m DEM重建5 m DEM效果不如 5 m DEM重建，说明单一的12.5m DEM数据携带的信息量不足以重建5 m DEM，但重建出来的5 m DEM比原始12.5 m DEM包含更多的信息。
从组合开源数据（12.5 m DEM和1 m遥感影像）重建的5 m DEM视觉效果来看，效果都好于 5 m重建DEM和12.5 m重建DEM。较好的解决了对于5 m出现的正地形面积较大问题，但是在沟谷末梢以及沟谷宽度复原与5 m原始DEM差异较大。说明1 m遥感影像可以提供更加精确的沟沿线信息，优化地形建模。

4.2 相关性对比

通过对比4个样本地区3种重建DEM与原始5 m DEM的散点相关性图（图6），可以看出重建DEM与原始DEM的相关系数（R）都能达到0.80以上。其中12.5m DEM要素重建的5m DEM拟合效果最差，5 m DEM提取要素重建的5 m DEM和组合开源数据重建的5 m DEM与原始5 m DEM拟合度均在0.85以上，说明此模型重建效果良好。5 m DEM提取要素重建的5 m DEM稍好于组合开源数据提取重建的DEM。此外，通过散点图，可以看出5 m要素重建与12.5 m重建在灰度较大处都出现散点向上偏移的现象，灰度图中较大值表示高程较高处，说明在山脊处重建不理想，这也和前面山体阴影得出结论一致。但是组合开源数据的拟合散点图未出现偏移，散点均在拟合线两侧，说明山脊的表现效果可能与沟沿线的精度有关。
图6 样本重建地形与原始5 m DEM拟合

Fig 6 Reproduced terrain and original 5 m DEM fitting map of sample data

为了验证3种不同数据源提取的要素生成DEM的能力，本文另外选择了56个样本区域重复上述散点图和相关性的实验，并将这56次实验得到的相关系数做成了箱型图，对比其差异（图7），可以看出与图6得出结论一致。组合开源数据重建的DEM在与参考DEM的相关性比仅使用单一12.5 m数据的结果精度大幅提高，且在一些地区能接近于5 m要素重建的DEM，表明本文的方法可以通过开源数据去重建一些缺少高分辨率DEM的地区。
图7 全部样区相关性箱型图

Fig.7 Correlation box diagram of all sample areas

4.3 地形因子对比

图8中对比了不同方案重建DEM与原始5 m DEM提取的坡度图。通过分析2种分辨率的原始DEM坡度和重建DEM坡度，可以看出与5 m原 始DEM整体相似性：12.5 m+1 m重建>5 m重建>12.5 m重建>12.5 m原始。在细节刻画上，可以看出12.5m重建的5 m DEM比原始12.5 m表达的沟谷更加清晰细致，但是重建DEM的一些坡度较小，其坡度比原始更小，使得重建的地形平缓处面积比实际大很多；5 m重建的5 m DEM相比12.5 m重建具备更多的细节，比12.5 m原始DEM表现陡峭地方更加精确；组合开源数据重建的5 m DEM和原始 5 m DEM轮廓最为相似，能够清晰分明地表达出原始5 m DEM能够表现的地形。
图8 坡度图对比

Fig.8 Fitting scatter diagram of all sample areas

通过对比几组数据的坡度曲线图（图9），可以看出12.5 m+1 m重建的5 m DEM与原始5 m DEM趋势基本一致，5 m重建、12.5 m重建都和12.5 m原始坡度呈现相同趋势，坡峰都往右偏移，说明5 m重建以及12.5 m重建都和粗分辨率12.5 m DEM一样，在表达陡峭的地方时都会失真，山峰处面积表达都会大于实际地形，这与前面结论均为一致。另外，在坡度较小地区，可以发现5 m重建和12.5 m重建比实际地区表现的更加平缓。说明当输入数据的沟沿线分辨率不够精确时，对于正地形的表达不能很好表现。
图9 坡度分布图对比

Fig.9 Comparison of Slope distribution

坡向表示高程值变化的最大变化方向，可以表示地形坡面的朝向信息。坡向图为像元值为-1~360的图像，在地学领域内坡向被划分为八个方向区间值。通过对比2组原始DEM与3组重建DEM数据的坡向8个方向的像元个数图（图10），可以发现几组数据在坡向表达上，12.5 m DEM表示的坡向与其他几组数据在表达上相差最大，说明分辨率对坡向影响较大。在重建的5 m DEM中，可以看出组合开源数据与原始5 m DEM最为接近，趋势基本一致，5 m要素重建与12.5 m要素重建相差不大。说明，此模型在坡向表达上效果良好，能较好的复原原始DEM的坡向信息。
图10 坡向分布图对比

Fig.10 Comparison of Aspect distribution

5 讨论

为了更加直观地比较不同数据源要素的地形重建效果，本文将3种方法的性能归纳如表2所示。组合开源地形特征要素重建的结果在视觉效果和地形因子方面相比其他方法是最优的。这是可能因为提取沟沿线的影像精度为1 m，其沟沿线提取结果精度比5 m DEM的提取精度高。沟沿线作为黄土地貌重要的地形特征线，沟沿线以上和以下有着完全不同的地貌特征，如沟沿线以上正地形区域其径流为发散水流，而沟沿线以下区域径流为汇聚水流[33]。因此，沟沿线的提取精度对地形重建具有重要影响。在相关性上，5 m地形特征要素重建的结果与原始5 m DEM相关性最好是因为5 m地形特征要素本身来源于5 m DEM，而其他2种方法是来自不同的独立数据源，故相关性低于5 m特征要素重建的结果。3种方法主要差别是因为地形特征要素的分辨率不同，分辨率越高，携带信息量越大。但由于DEM数据目前开源产品分辨率只能达到12.5 m，因此需要提供分辨率更高的遥感数据。但是遥感数据提取沟沿线适用范围只能在植被较少的裸地。因此，如果建模样区地表覆盖较多，遥感数据不能充分利用，可以使用开源DEM进行建模；如果建模样区地表覆盖较少，可以利用遥感数据提取沟沿线，可以利用组合开源DEM与遥感数据达到更加精细的建模。
表2 3种重建方法重建效果总结

Tab.2 The submersions of three rebuilding methods

① 基于5 m地形特征要素的重建 ② 基于12.5 m地形特征要素的重建 ③ 基于组合开源地形特征要素的重建
视觉效果 ③ > ① > ②
高程相关性 0.87~0.96 0.77~0.92 0.83~0.96
地形因子 坡度分布 ③ > ① > ②
坡向分布 ③ > ①> ②

6 结论

本文提出了基于开源数据和条件生成对抗网络生成高精度DEM的方法框架。首先，使用开源数据集提取地形特征要素；然后，使用地形特征要素作为约束条件构建了用于生成DEM的CGAN网络，并设计了基于开源DEM、开源DEM与遥感影像组合、以及5 m高精度DEM提取地形特征要素生成DEM的对比实验；最后，从视觉效果、相关性分析和地形因子分析3个方面对基于CGAN网络生成的DEM进行了评价。实验结果表明，基于CGAN网络生成的高精度DEM地表细节丰富比传统插值方法有很大提升。其中，在视觉效果上，基于开源12.5 m DEM提取要素和1 m遥感影像的重建效果相比其他方法最接近于原始5 m DEM；在相关性上，基于开源12.5 m DEM提取要素和1 m遥感影像的重建效果与原始5 m DEM相关性可达到0.84到0.93。同时，本文验证了重建的DEM提取因子方面的效果，实验结果发现基于开源12.5 m DEM和1 m遥感影像提取要素重建DEM的坡度和坡向的分布趋势相比其他方法（12.5 m地形特征要素重建与5 m地形特征要素重建）与原始5 m DEM也最为一致。
不同数据集提取的要素生成DEM效果差异主要与要素提取的精度有关。基于开源DEM和遥感影像的地形特征要素提取效果已经十分接近基于高精度DEM的提取效果。因此，基于开源DEM和遥感影像的DEM建模效果也与原始高精度DEM十分接近。本文为高精度DEM建模提供了新的思路，在高精度DEM难以获取的区域，可以利用开源数据集和条件生成对抗网络进行高精度地形建模，从而进行地学分析和地理模拟等。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
徐亚莉, 罗明良, 梁倍瑜, 等. DEM空间插值方法对土壤侵蚀模拟的影响研究——以USPED分析干热河谷典型冲沟为例[J]. 地理科学进展, 2016, 35(7):870-877.

DOI

[ Xu Y L, Luo M L, Liang B Y, et al. Effects of different DEM spatial interpolation methods on soil erosion simulation: A case study of a typical gully of dry-hot valley based on USPED[J]. Progress in Geography, 2016, 35(7):870-877. ]

[2]
陈传法, 岳天祥. 基于条件随机模拟的DEM误差分析——以董志塬水土流失等级划分为例[J]. 地球信息科学学报, 2009, 11(5):5572-5576.

[ Chen C F, Yue T X. DEM error analysis based on conditional stochastic simulation[J]. Journal of Geo-information Science, 2009, 11(5):5572-5576. ]

[3]
兰进京, 于海洋, 陈琳, 等. 机载LiDAR DEM在流域水文分析与模拟中的尺度效应[J]. 测绘通报, 2020(4):40-46.

[ Lan J J, Yu H Y, Chen L, et al. Scale effect of airborne LiDAR DEM in watershed hydrological analysis and simulation[J]. Bulletin of Surveying and Mapping, 2020(4):40-46. ] DOI:10.13474/j.cnki.11-2246.2020.0109.

DOI

[4]
Dai W, Qian W, Liu A L, et al. Monitoring and modeling sediment transport in space in small loess catchments using UAV-SfM photogrammetry[J]. CATENA, 2022, 214:106244. DOI:10.1016/j.catena.2022.106244.

DOI

[5]
王金鑫, 秦子龙, 赵光成, 等. 基于球体网格与DEM的流域地形特征尺度效应分析——以长江流域为例[J]. 应用基础与工程科学学报, 2022, 30(5):1109-1120.

Qin Z L, Zhao G C, et al. Scale Effect analysis of basin topographic features based on spherical grid and DEM: taking the Yangtze River Basin as an example[J]. Journal of Basic Science and Engineering, 2022, 30(5):1109-1120. ] DOI:10.16058/j.issn.1005-0930.2022.05.005

DOI

[6]
Dai W, Yang X, Na J M, et al. Effects of DEM resolution on the accuracy of gully maps in loess hilly areas[J]. CATENA, 2019, 177:114-125. DOI:10.1016/j.catena.2019.02.010

DOI

[7]
毛玉辉, 宋众艳, 岳忠奇, 等. 灰度图在地形建模中的应用[J]. 火力与指挥控制, 2019, 44(11):160-164.

[ Mao Y H, Song Z Y, Yue Z Q, et al. Application of grey scale image in terrain modeling[J]. Fire Control ＆ Command Control, 2019, 44(11):160-164. ] DOI:10.3969/j.issn.1002-06 40.2019.11.032

DOI

[8]
徐建华, 顾浩, 曾艳阳, 等. 自适应屏幕分辨率的海底地形建模研究[J]. 计算机仿真, 2022, 39(4):142-145.

[ Xu J H, Gu H, Zeng Y Y, et al. Research on seabed terrain modeling with adaptive screen resolution[J]. Computer Simulation, 2022, 39(4):142-145. ]

[9]
代文, 那嘉明, 杨昕, 等. 基于DEM光照晕渲模拟的梯田自动提取方法[J]. 地球信息科学学报, 2017, 19(6):754-762.

DOI

[ Dai W, Na J M, Yang X, et al. An automatic retrieval method for artificial terrace based on illumination model of DEM shading[J]. Journal of Geo-information Science, 2017, 19(6):754-762. ]

[10]
毕瑞, 甘淑, 李绕波, 等. 面向东川复杂山地泥石流沟谷三维地形建模及特征分析的无人机遥感探测应用研究[J]. 中国地质灾害与防治学报, 2021, 32(3):91-100.

[ Bi R, Gan S, Li R B, et al. Application research of unmanned aerial vehicle remote sensing detection for 3D terrain modeling and feature analysis of debris flow gullies in complex mountainous area of Dongchuan[J]. The Chinese Journal of Geological Hazard and Control, 2021, 32(3):91-100. ] DOI:10.16031/j.cnki.issn.1003-8035.2021.03-12

DOI

[11]
James M R, Robson S, D'oleire-Oltmanns S, et al. Optimising UAV topographic surveys processed with structure-from-motion: Ground control quality, quantity and bundle adjustment[J]. Geomorphology, 2017, 280:51-66. DOI:10.1016/j.geomorph.2016.11.021

DOI

[12]
李清, 侯永军, 沈春林. 数字地形数据的二维三次卷积插值[J]. 南京航空航天大学学报, 1997, 29(4):378-384.

[ Li Q, Hou Y J, Shen C L. Two dimensional cubic convolution interpolation for digital map data[J]. Transactions of Nanjing University of Aeronautics ＆ Astronautics, 1997, 29(4): 378-384. ]

[13]
刘世彬, 刘兴彦. 最小二乘内插数学模型生成虚拟地形的可视化研究[J]. 计算机工程与科学, 2008, 30(9):29-31.

[ Liu S B, Liu X Y. Research on the visualization of the virtual terrain generated by the least-squares interpolation mathematical model[J]. Computer Engineering ＆ Science, 2008, 30(9):29-31. ]

[14]
刘世彬, 刘兴彦. 多面函数内插数学模型生成虚拟地形的可视化研究[J]. 火力与指挥控制, 2009, 34(9):28-30.

[ Liu S B, Liu X Y. Visualization for virtual terrain generated by multi-face function interpolated mathematic model[J]. Fire Control and Command Control, 2009, 34(9): 28-30. ]

[15]
王耀革, 王鑫, 朱长青. 基于双线性内插规则格网DEM地形误差模型[J]. 测绘科学技术学报, 2007, 24(6):419-421.

[ Wang Y G, Wang X, Zhu C Q. A terrain error model of grid DEM based on bilinear polynomial[J]. Journal of Zhengzhou Institute of Surveying and Mapping, 2007, 24(6):419-421. ]

[16]
Krištof P, Beneš B, Křivánek J, et al. Hydraulic erosion using smoothed particle hydrodynamics[J]. Computer Grap- hics Forum, 2009, 28(2):219-228. DOI:10.1111/j.146 7-8659.2009.01361.x

DOI

[17]
Cordonnier G, Galin E, Gain J, et al. Authoring landscapes by combining ecosystem and terrain erosion simulation[J]. ACM Transactions on Graphics, 2017, 36(4):1-12. DOI:10.1145/3072959.3073667

DOI

[18]
Cordonnier G, Cani M P, Benes B, et al. Sculpting Mountains: Interactive terrain modeling based on subsurface geology[J]. IEEE Transactions on Visualization and Computer Graphics, 2018, 24(5):1756-1769. DOI:10.1109/TV CG.2017.2689022

DOI

[19]
Li S J, Hu G H, Cheng X H, et al. Integrating topographic knowledge into deep learning for the void-filling of digital elevation models[J]. Remote Sensing of Environment, 2022, 269:112818. DOI:10.1016/j.rse.2021.112818

DOI

[20]
Li S J, Li K, Xiong L Y, et al. Generating terrain data for geomorphological analysis by integrating topographical features and conditional generative adversarial networks[J]. Remote Sensing, 2022, 14(5):1166. DOI:10.3390/rs14051166

DOI

[21]
江西林, 王少荣, 李文玉, 等. 以特征线和高程范围为约束的DEM-cGAN框架[J]. 计算机辅助设计与图形学学报, 2021, 33(8):1191-1201.

[ Jiang X L, Wang S R, Li W Y, et al. DEM-cGAN framework constrained by feature lines and elevation range[J]. Journal of Computer-Aided Design ＆ Computer Graphics, 2021, 33(8):1191-1201. ]

[22]
Isola P, Zhu J Y, Zhou T H, et al. Image-to-image translation with conditional adversarial networks[C]// 2017 IEEE Conference on Computer Vision and Pattern Recognition. IEEE,: 5967-5976. DOI:10.1109/CVPR.2017.632

DOI

[23]
Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation[M]// Lecture Notes in Computer Science. Cham: Springer International Publishing, 2015:234-241. DOI:10.1007/978-3-31 9-24574-4_28

[24]
唐贤伦, 杜一铭, 刘雨微, 等. 基于条件深度卷积生成对抗网络的图像识别方法[J]. 自动化学报, 2018, 44(5):855-864.

[ Tang X L, Du Y M, Liu Y W, et al. Image recognition with conditional deep convolutional generative adversarial networks[J]. Acta Automatica Sinica, 2018, 44(5):855-864. ] DOI:10.16383/j.aas.2018.c170470

DOI

[25]
张勇. 黄土高原地面坡谱研究[D]. 西安: 西北大学, 2003.

[ Zhang Y. A research on slope spectrum of the loess plateau[D]. Xi'an: Northwest University, 2003. ]

[26]
代文, 汤国安, 胡光辉, 等. 基于无人机摄影测量的地形变化检测方法与小流域输沙模型研究[J]. 地理科学进展, 2021, 40(9):1570-1580.

DOI

[ Dai W, Tang G A, Hu G H, et al. Modelling sediment transport in space in a watershed based on topographic change detection by UAV survey[J]. Progress in Geography, 2021, 40(9):1570-1580. ]

DOI

[27]
王静, 张军, 代文, 等. 黄土高原县域贫困空间格局及地形影响因素研究[J]. 地域研究与开发, 2020, 39(3):30-35,52.

[ Wang J, Zhang J, Dai W, et al. Spatial distribution and topographic influencing factors of poverty-stricken counties in the loess plateau of China[J]. Areal Research and Development, 2020, 39(3):30-35,52. ]

[28]
晏实江, 汤国安, 李发源, 等. 利用DEM边缘检测进行黄土地貌沟沿线自动提取[J]. 武汉大学学报·信息科学版, 2011, 36(3):363-367.

[ Yan S J, Tang G A, Li F Y, et al. An edge detection based method for extraction of loess shoulder-line from grid DEM[J]. Geomatics and Information Science of Wuhan University, 2011, 36(3):363-367. ] DOI:10.13203/j.whugis2011.03.015

DOI

[29]
李可. 基于深度学习的虚拟地形生成方法研究[D]. 南京: 南京师范大学, 2019.

[ Li K. Virtual terrain generation based on deep learning[D]. Nanjing: Nanjing Normal University, 2019. ]

[30]
朱红春, 汤国安, 张友顺, 等. 基于DEM提取黄土丘陵区沟沿线[J]. 水土保持通报, 2003, 23(5):43-45,61.

[ Zhu H C, Tang G A, Zhang Y S, et al. Thalweg in loess hill area based on DEM[J]. Bulletin of Soil and Water Conservation, 2003, 23(5):43-45,61. ] DOI:10.13961/j.cn ki.stbctb. 2003.05.011

DOI

[31]
Zhou Y, Yang C Q, Li F, et al. Spatial distribution and influencing factors of Surface Nibble Degree index in the severe gully erosion region of China's Loess Plateau[J]. Journal of Geographical Sciences, 2021, 31(11):1575-1597. DOI:10.1007/s11442-021-1912-2

DOI

[32]
Liu K, Ding H, Tang G A, et al. Large-scale mapping of gully-affected areas: An approach integrating Google Earth images and terrain skeleton information[J]. Geomorphology, 2018, 314:13-26. DOI:10.1016/j.geomorp h.201 8.04.011

DOI

[33]
张磊, 汤国安, 李发源, 等. 黄土地貌沟沿线研究综述[J]. 地理与地理信息科学, 2012, 28(6):44-48.

[ Zhang L, Tang G A, Li F Y, et al. A review on research of loess shoulder-line[J]. Geography and Geo-information Science, 2012, 28(6):44-48. ]

Options
文章导航

/

〈 〉