1. 标题

基于DCGAN地形纹理生成模型的DEM空洞修复

2. 成果信息

Qiu, Z., Yue L., and Liu X. (2019). "Void Filling of Digital Elevation Models with a Terrain Texture Learning Model Based on Generative Adversarial Networks." Remote Sensing 11(23): 2829.

3. 成果团队成员

邱中航，本科，154.com皇冠，主要研究兴趣为遥感图像处理，深度学习等。

岳林蔚，博士，154.com皇冠，副教授，主要从事三维地理空间数据质量改善，遥感数据融合，水资源环境监测应用等研究，联系邮箱：yuelw@cug.edu.cn

刘修国，博士，154.com皇冠，教授，主要从事遥感信息提取及其地学应用、地学大数据建模及可视分析等方面研究。

4. 成果介绍

在缺少有效观测值的情况下，传统的图像修复算法对单源DEM数据的修复难取得较好修复效果。本文利用深度卷积生成对抗网络（DCGAN）对DEM数据的特征挖掘与学习能力，通过对具备相似地形纹理的DEM数据进行训练学习，结合数据缺失区域的邻域信息对DEM进行修复，构建基于深度卷积生成对抗网络的地形纹理生成模型，模型结构如图1所示。

图1 地形纹理生成模型（TTGM）结构示意图

自适应地形纹理生成模型由生成器（G）和判别器（D）组成，输入随机向量z，生成模型可以模拟训练数据生成具有地形纹理的DEM数据，而判别器可以提取生成数据特征，与具备真实地形纹理的训练数据进行对比，通过判别和误差回传来更新深度网络的权值，最终得到一个可以稳定生成符合真实地形纹理特征DEM数据的模型。为了得到更加符合地形起伏规律的生成数据，本文利用高程、坡度和地形起伏度等多个因子组合构建训练数据样本集；在判别器模型中使用步幅卷积（strided convolutions）来替代空间池化（pooling），有效消除生成结果中的伪痕效应。同时，构建由像素一致性约束项、加权区域感知约束项以及数据分布先验约束组成的损失函数，根据输入的待修复数据估计数据的分布空间，确定输入的随机向量z。

本项目在全球四个主要山脉分布区域选取DEM数据构建训练数据集（图2），通过蒙特卡洛随机裁剪的方式得到了70000幅尺寸为64x64的DEM数据，其中70%用于构建训练数据集，30%用于构建测试数据集。经过训练的地形生成模型实现输入含空洞的山区DEM数据，可以对无数据区域进行有效修复，重建地形纹理。从实验结果可以看出，与传统插值方法相比（图3-4），本项目基于深度网络构建地形纹理生成模型，能够处理较大空洞区域，重建自然的地形纹理。同时，基于地形纹理生成模型的处理结果能够用于地形特征提取等应用，与参考数据具有较好的一致性，因此能够提升DEM数据的有效性。

                             图2 训练数据选取及训练集构建

图3 实验结果展示。(a)和(d)为空洞数据，(b)和(e)为样条插值结果，(c)和(f)为本项目方法处理结果。

图4 实验结果效果展示