近日，南京师范大学数字地形分析研究团队在地形建模领域取得了阶段性进展，研究成果以“Integrating hydrological knowledge into deep learning for DEM super-resolution”为题，发表在国际地理信息科学领域顶级期刊《International Journal of Geographical Information Science》上。
DEM作为一种表示地形高程信息的模型，广泛应用于地表过程模拟、地貌分类和水文分析等领域。然而，受限于测量设备精度、获取成本等因素，高分辨率DEM的获取一直是相关研究中的热点与难点，因此，提出一种低成本、高效率提升DEM分辨率的方案具有重要的学术和应用价值。
该研究基于团队在数字地形分析领域的多年积累，创新性地将水文知识融入深度学习模型，成功解决了数字高程模型（DEM）超分辨率重建中维持水文特征的关键问题。水文结构在DEM超分辨率重建中至关重要，因为传统的地形因子可能导致不同约束条件之间的冲突，并且在降尺度过程中无法提供足够的约束能力。研究团队通过深入分析水文特征，揭示了流域边界、排水网络与地表水流动模式之间的耦合关系，并将这些水文知识应用于DEM超分辨率模型的构建。在新提出的HKSRCGAN模型中，有效保持了水文一致性，确保超分辨率DEM在高程精度上显著提升，并与水文特征紧密契合。实验结果表明，该模型在处理水流影响显著的地形区域时，效果显著优于传统方法，如双三次插值、SRCNN和SRGAN等。
这一研究成果为复杂地形区域的高精度水文分析提供了全新的数据解决方案，并有望应用于未来的DEM升尺度研究。研究表明，将水文知识融入深度学习模型，能够有效提升DEM的重建精度和保持水文一致性，具有广泛的应用前景。
本文第一作者为硕士研究生曹浩宇，论文通讯作者为熊礼阳教授。该工作还得到了奥地利萨尔茨堡大学Josef Strobl教授悉心指导以及国家自然科学基金面上项目以及江苏省研究生科研与实践创新计划等项目的资助，特此致谢！
