一种面向复杂地形的空间数据超分辨率重建方法与流程

摘要: 本发明涉及图像分析,具体为一种面向复杂地形的空间数据超分辨率重建方法。背景技术:1、现有空间数据超分辨率重建方法多采用插值、统计降尺度或端到端学习方式,将低分辨...
一种面向复杂地形的空间数据超分辨率重建方法与流程

本发明涉及图像分析,具体为一种面向复杂地形的空间数据超分辨率重建方法。

背景技术:

1、现有空间数据超分辨率重建方法多采用插值、统计降尺度或端到端学习方式,将低分辨率空间数据转换至高分辨率网格,在地势起伏较小、空间变化较为平缓的区域尚能获得连续结果,但应用于山地、峡谷、高原以及坡向快速变化区域时,原始数据所具有的空间平滑特性容易掩盖局地梯度和突变边界,使重建结果出现地形细节减弱、迎风坡与背风坡差异不清以及山顶与谷地特征混叠等情况,难以兼顾空间连续性与局部变化特征。

2、不同来源的数据在空间尺度和统计分布上存在差异,直接建立低分辨率数据与目标结果的映射关系,可能使源数据偏差随尺度转换传递;对于零值集中、分布偏斜且极端值较少的环境要素,重建结果还易出现极值偏弱、弱值扩散及干湿边界不清等问题。

3、此外,部分数据驱动方法主要依据像素误差调整模型参数,对不同环境变量之间的关联规律以及局部结果与区域统计特征之间的一致关系考虑不足,由此生成的高分辨率数据可能存在变量组合不协调、区域平均水平偏移或者局部细节与整体分布不匹配的情况;当训练样本与待重建时段的数据分布发生变化时,模型输出还可能产生波动,从而限制其在复杂地形及多种环境要素条件下的适用性。

4、为此,提出了一种面向复杂地形的空间数据超分辨率重建方法。

技术实现思路

1、本发明旨在提供一种面向复杂地形的空间数据超分辨率重建方法,用于改善多源空间数据尺度不一致及复杂地形条件下局部细节不易恢复的问题,同时兼顾极端值、低值区域和区域统计特征的重建表现。

2、为实现上述目的,本发明提供如下技术方案:

3、一种面向复杂地形的空间数据超分辨率重建方法,包括:

4、构建中间网格、中间模式场和中间参考场;根据所述中间模式场的环境变量、相邻格点值、中间网格高程及高程标准差构建订正输入;对于非负偏态环境要素,在对数域计算所述中间参考场与中间模式场的差值,对于其他环境要素,则在原数值域计算所述差值,以所述差值训练增量偏差订正模型,并将预测差值与所述中间模式场合并,得到订正中间场;

5、将所述订正中间场、中间网格高程及高程标准差输入meteo_d网络进行特征提取和上采样,与目标网格高程及高程标准差拼接并进行卷积处理,结合环境变量之间的预设物理关系约束网络输出,得到初始高分辨率重建场;

6、根据历史高分辨率参考场的分位点对应关系来校正极端值,并根据干湿区信息将非负偏态环境要素中低于预设阈值的格点值置零;计算初始高分辨率重建场与所述订正中间场的区域平均值差,限幅后加至初始高分辨率重建场,得到最终高分辨率重建场。

7、优选的,所述中间网格、中间模式场和中间参考场按照以下方式得到:

8、读取所述目标网格的行列坐标,按照预设整数步长分别沿行方向和列方向等间隔选取格点,将选取的格点组成所述中间网格,使每一中间网格格点与所述目标网格中的一个子区域对应,且各子区域之间互不重叠;读取所述低分辨率环境模式场的格点坐标和环境要素值,根据所述格点坐标对所述环境要素值进行双线性插值,并将插值结果写入所述中间网格的对应位置,得到所述中间模式场;按照中间网格格点与目标网格子区域之间的对应关系,提取各子区域内的高分辨率参考值,去除缺失值后计算平均值,并将所述平均值写入对应的中间网格格点,得到所述中间参考场,使所述中间模式场和所述中间参考场的对应格点表示相同的空间位置和空间范围。

9、优选的,根据中间模式场的环境变量、相邻格点值、中间网格高程及高程标准差构建订正输入包括:

10、提取所述中间模式场中各格点在历史时段内的环境要素值,并按照时间顺序组成格点时间序列;分别计算每一格点时间序列的时间平均值和时间标准差,将各环境要素值减去对应的时间平均值后除以对应的时间标准差,得到标准化时间序列;

11、采用k-means方法对各格点的标准化时间序列进行分组,并为每一格点记录对应的分组编号;在每一时间点,对具有相同分组编号的格点环境要素值求平均,得到同组平均值;

12、提取所述中间模式场的中心格点值和八个相邻格点值,并提取对应的中间网格高程、高程标准差、经度和纬度,将所述中心格点值、八个相邻格点值、中间网格高程、高程标准差、经度、纬度、分组编号和同组平均值按照预设顺序排列,得到所述订正输入。

13、优选的,所述得到订正中间场的步骤包括:

14、对于非负偏态环境要素,分别对所述中间参考场和所述中间模式场的对应格点值进行加一取对数处理,并以二者的差值作为训练差值;对于其他环境要素,以所述中间参考场与所述中间模式场的对应格点差值作为训练差值;将所述订正输入与对应的训练差值组成训练样本,按照自然月份分别训练增量偏差订正子模型;重建时,将待重建数据的订正输入送入对应月份的增量偏差订正子模型,得到预测差值;对于非负偏态环境要素,将所述预测差值与所述中间模式场的对数值相加后进行指数还原,对于其他环境要素,将所述预测差值与所述中间模式场直接相加,得到所述订正中间场。

15、优选的,所述初始高分辨率重建场的生成包括:

16、将所述订正中间场、中间网格高程及高程标准差输入meteo_d网络进行特征提取,将提取的特征上采样至所述目标网格尺寸;将上采样后的特征与目标网格高程及高程标准差进行拼接,并对拼接后的特征进行卷积处理;在同时重建温度、气压和比湿时,根据网络输出的温度、气压和比湿计算相对湿度,对超出预设范围的相对湿度对应的网络输出进行限制,并根据相邻格点的气压、高程和空气密度计算静力平衡差值,将所述静力平衡差值用于调整网络输出,得到所述初始高分辨率重建场。

17、优选的,校正极端值和格点值置零的步骤包括:

18、按照自然月份和预设区域,分别计算历史初始高分辨率重建场与历史高分辨率参考场的多个对应分位点;确定所述初始高分辨率重建场中待校正格点值所在的分位点区间,并按照该格点值在所述分位点区间内的位置,将其映射至历史高分辨率参考场的对应分位点区间,完成极端值校正;对于非负偏态环境要素,读取低分辨率环境模式场对应的干湿区信息,将干区映射至目标网格,并将干区内低于预设阈值的格点值设置为零。

19、优选的,所述得到最终高分辨率重建场的步骤包括:

20、分别计算所述订正中间场和所述初始高分辨率重建场中有效格点的第一平均值和第二平均值,以所述第一平均值减去所述第二平均值得到区域平均值差;当所述区域平均值差大于预设上限时,将所述预设上限作为校正值,当所述区域平均值差小于所述预设上限的负值时,将所述预设上限的负值作为校正值,其余情况下将所述区域平均值差作为校正值;将所述校正值加至所述初始高分辨率重建场的各有效格点,得到所述最终高分辨率重建场。

21、与现有技术相比,本发明的有益效果为:

22、1、通过在统一空间尺度下组织模式数据与参考数据,并将环境要素的中心信息、邻域变化、地形起伏及空间位置共同用于偏差学习,有助于在上采样之前识别不同区域的偏差差异;针对非负偏态环境要素在对数域内处理增量关系,可缓和较大数值对模型训练过程的影响,减少直接订正可能引起的异常波动,使订正后的中间数据在分布形态及局地变化方面更适合作为后续重建输入。

23、2、通过meteo_d网络对订正后的环境场及不同尺度的地形信息进行联合处理,使地形起伏及邻域差异参与高分辨率特征生成;在网络输出阶段引入环境变量之间的预设关系,并配合历史分位点映射及干湿区低值处理,有助于减轻变量组合失调、极端值偏弱以及弱值区域扩散等情况,使重建结果在空间细节、分布尾部和干湿边界方面呈现较为协调的状态。

24、3、增量偏差订正、地形信息融合、物理关系约束、分位点校正、干湿区处理和区域平均值限幅相互配合,前端对低分辨率数据中的偏差进行预处理,中段结合地形条件恢复细尺度空间变化,后端对极端分布、低值格点及整体均值作补充调整;各环节分别作用于数据分布、局部结构、变量关系和区域统计层面,有助于减轻单一处理方式侧重局部而忽略整体的情况。