基于迁移学习的轮廓波残差驱动地形感知北极海底DEM超分辨率方法

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》：A transfer learning-based contourlet residual-driven terrain-aware method for Arctic seafloor DEM super-resolution

　　

北极海底数字高程模型（Digital Elevation Models, DEMs）是海洋科学研究、航行路线规划和海底资源勘探的基础数据。然而，由于 severe 环境约束，北极地区高分辨率测深数据极为匮乏。此外，北极中洋脊及其周边呈现出裂谷构造、断层崖、冰犁痕等多样且高度破碎的地貌形态，这些情况对DEM超分辨率重建构成了重大挑战。针对该问题，研究人员提出了面向北极海底DEM的轮廓波残差驱动地形感知超分辨率框架。该框架首先在全球沿海地形数据集上进行预训练以获取通用地形表征能力，随后在北极中洋脊数据集上采用分层学习率进行微调，以适应特定的构造-冰川地貌模式并缓解数据稀缺导致的过拟合。在网络设计方面，研究人员提出了地形感知特征聚合模块（Terrain-Aware Feature Aggregation Block, TAFAB），该模块将DEM的空间连续性和多属性相关特性-declared 嵌入双分支注意力机制，以实现多尺度地形结构的协同提取。同时，研究人员构建了轮廓波细化门控模块（Contourlet Refinement Gating module, CRG），通过地形复杂度自适应的拉普拉斯金字塔分解和可学习方向滤波器组在频域增强方向敏感的高频边缘信息。此外，研究人员构建了高程-坡度-结构联合优化损失函数，并引入基于同方差不确定性的自适应权重学习机制，以动态平衡不同地形特征的优化贡献。北极中洋脊数据集上的实验结果表明，与当前最先进的方法相比，该框架实现了RMSE降低3.5%?4.7%、MAE降低17.5%?25.6%、PSNR提升0.17–0.44 dB，为数据稀缺区域的精细化海底地形建模提供了有效的技术途径。

## 研究背景与问题

海底数字高程模型（Digital Elevation Model, DEM）是对海底地形的数字化表达，是极地海洋研究、海上安全评估、环境监测及海底资源勘探的关键基础数据。北极洋盆底长期受常年海冰覆盖、厚层沉积物及复杂构造背景的影响，在反复的冰川-海洋作用下发育了中洋脊裂谷、冰川侵蚀槽、海沟和深海盆地等多尺度地貌单元，形成了结构复杂、尺度差异显著的地形格局。高分辨率海底DEM不仅为重建北极构造-沉积演化历史提供重要依据，也为北极航线规划、近海工程选址和资源勘探风险评估提供关键支撑。

然而，北极海域高分辨率海底地形数据的获取长期面临观测条件和技术能力的双重制约。船载声呐测深（单波束/多波束）虽然测量精度高，但在极地环境中受高昂作业成本和有限巡航覆盖范围限制，难以实现系统性大面积测绘。卫星测高和重力场反演技术为全球尺度海底地形建模提供了新数据源，但受卫星测高固有分辨率限制及高精度测量数据稀缺影响，现有海底DEM在精细尺度地貌表征方面仍存在明显不足，尤其难以稳定分辨裂谷边界、断层崖和冰犁痕等小于1–2 km的高频地形特征。

超分辨率（Super-Resolution, SR）重建技术通过学学习低分辨率与高分辨率数据之间的映射关系，从易获取的低分辨率输入重建高分辨率输出，为DEM精细化重建提供了新途径。传统基于插值的方法在复杂起伏或边缘突变区域常产生过度平滑、边界模糊或局部畸变；基于卷积神经网络和生成对抗网络的深度学习方法虽取得进展，但面向北极数据极端稀缺和地貌复杂独特的应用场景仍面临挑战：一是船载测深数据覆盖不足北极海底面积的5%，直接训练SR模型不可行；二是北极中洋脊具有强烈各向异性的构造-冰川地貌，现有CNN方法受限于各向同性核而对方向特征不敏感，Transformer方法缺乏显式方向归纳偏置导致精细线性结构重建不佳，同时大尺度脊系统与小尺度微地貌共存的多尺度异质性使单尺度表示难以解析。

## 研究内容与方法

为应对上述挑战，研究人员提出了基于迁移学习的地形感知超分辨率框架CTASRNet（Contourlet residual-driven Terrain-Aware Super-Resolution Network），并发表在《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》。

**主要关键技术方法**包括：样本队列来源于国际北极海图册（IBCAO Version 5.0）的100 m高分辨率产品和400 m低分辨率产品构建4×超分辨率任务，全球沿海地形预训练数据集基于GEBCO 2023 Grid（15角秒分辨率）和NOAA的ETOPO 2022全球地形模型（1角分分辨率）构建。网络核心包含TAFAB模块实现空间-通道双维度多尺度特征提取，CRG模块结合拉普拉斯金字塔分解与可学习方向滤波器组进行频域增强，以及基于同方差不确定性的高程-坡度-结构联合优化损失函数。训练采用两阶段策略：全球沿海地形数据集预训练后，以层级递减学习率在北极中洋脊数据集微调。

## 研究结果

**定量比较结果**：在北极中洋脊三个测试区域（Area A、E、H）的评估中，CTASRNet在所有测试区域和评价指标上均达到最优性能。与最强竞争方法MDBN相比，CTASRNet在三个测试区域实现了RMSE降低3.5%–4.7%、MAE降低17.5%–25.6%、PSNR提升0.17–0.44 dB。相较于通用图像超分辨率方法（EDSR、ESRGAN），CTASRNet的RMSE降低幅度超过40%。跨区域泛化能力验证显示，CTASRNet在不同复杂度地形区域均保持稳定的领先优势，尤其在MAE metric上的优势更为显著，表明该方法不仅降低了整体误差，还有效抑制了异常大误差的出现。

**误差分布分析**：误差箱线图显示CTASRNet不仅实现了更低的中位数误差，其箱体高度也显著小于其他方法，表明重建质量更加稳定。在Area A和Area H的复杂地形中，其他方法的误差分布呈现明显的长尾现象，而CTASRNet的误差上限和异常值数量显著减少。像素级散点分布分析显示，CTASRNet在所有三个区域均表现出最紧凑的散点分布特征，尤其在Area A和Area H的复杂地形中，其与1:1参考线的散点距离显著小于其他方法，R²值分别达到0.978和0.981。

**定性比较结果**：高程可视化对比显示，CTASRNet在所有样本上均实现了最优重建质量，RMSE分别为11.319 m、4.212 m和11.074 m。在Area A中准确重建了中洋脊裂谷的V型断面和侧翼山脉的层级结构，边缘线条锐利清晰；在Area E中，断层带的线性趋势和两侧高程突变准确清晰；在Area H的破碎地形中，冰犁痕和海底沟槽等精细特征得到有效恢复。误差分布图显示CTASRNet的误差图视觉上最接近纯白色，误差空间分布极为均匀，几乎不存在系统性红蓝偏差。

**坡度相关误差分析**：按坡度区间分组的MAE箱线图显示，所有方法的误差随坡度增加而增大，但CTASRNet在陡坡区域的误差增长幅度略低于其他方法，且异常值极少。在极陡坡区域（30°–90°），其他方法的误差箱箱明显拉长，而CTASRNet仍保持紧凑分布，表明该方法在高坡度区域的优势明显，对裂谷边界和断层线等高梯度地貌的重建具有更好的鲁棒性。

**轮廓波分解可视化**：不同地形复杂度下的拉普拉斯金字塔分解可视化揭示了CRG模块的工作机制。复杂中洋脊裂谷地形执行3层分解，Level 1高频层主要捕获细微纹理和局部起伏，Level 2提取中等尺度脊线趋势，Level 3包含大尺度裂谷边界信息；中等复杂度断层地形采用2层分解；平坦深海平原仅需1层分解。这种频率域解耦机制使网络能够有针对性地增强高频细节，同时保持低频结构的一致性。

## 讨论与结论

**泛化能力与鲁棒性验证**：两阶段训练策略有效性验证表明，仅使用北极数据从零训练时，验证集上易发生过拟合；采用预训练+层级学习率微调后RMSE显著降低。预训练数据规模实验显示，数据量与微调性能呈正相关但存在边际递减效应，75%预训练数据量已接近最优性能，该发现对计算资源受限的实际应用具有指导意义。通过五种训练区域组合配置评估，CTASRNet在训练数据显著减少时表现出优雅的退化特性：训练数据从全部降至最少时，平均RMSE仅从3.962 m增至4.564 m（相对退化15.2%），PSNR仅从47.95 dB降至46.45 dB（下降1.50 dB），显著优于典型深度学习模型在数据稀缺场景下的陡峭性能多情化曲线。跨方法鲁棒性比较显示，在完整数据配置下CTASRNet相对于次优方法MDBN的RMSE领先优势为4.1%，在极端稀缺的Minimal配置下扩大至17.5%，即CTASRNet在Minimal配置下的性能仍超过MDBN在Full配置下的表现。

**8×超分辨率扩展性**：补充实验评估了CTASRNet在8×超分辨率设置下的表现。由于IBCAO v5.0仅提供100 m和400 m分辨率数据，通过对400 m数据进行2×空间下合成800 m输入，执行端到端800 m至100 m的超分辨率。CTASRNet在该设置下仍保持领先地位，相对于MDBN实现RMSE降低5.5%–8.1%。然而，与4×基线相比，重建精度出现明显下降，Area A的RMSE从5.40 m增至11.78 m，这源于8×尺度下800 m输入中缺少可学习的中频地形特征，裂谷边界和微地貌的重建缺乏任何可观测信号的约束。研究人员指出4×设置并非任意设计，而是对应IBCAO两种原生产品之间的分辨率差距，其中粗-细地形表示之间存在可学习的一致映射。

**模型复杂度评估**：CTASRNet在参数数量、计算成本和推理时间方面实现了效率与性能的良好平衡。与采用先上采样后特征提取流程的方法相比，CTASRNet在低分辨率空间执行大部分计算，效率更高。尽管基于Transformer的方法参数规模通常较紧凑，但其注意力操作引入额外计算开销导致推理速度较慢，而CTASRNet为大规模测深重建提供了更高效的实用解决方案。

**研究结论**：为应对北极海底DEM超分辨率重建中训练数据稀缺和复杂地形特征表达困难的双重挑战，研究人员提出了基于迁移学习的轮廓波残差驱动地形感知超分辨率框架CTASRNet。数据策略方面，通过全球沿海地形数据集预训练和北极中洋脊数据集层级学习率微调的两阶段迁移学习，有效缓解了数据稀缺导致的过拟合问题。网络设计方面，TAFAB将DEM空间连续性和多属性相关性嵌入双分支注意力，实现多尺度地形结构提取；CRG通过自适应频域分解和可学习方向滤波增强方向敏感高频边缘。优化方面，带自适应权重学习的联合损失函数动态平衡地形特征贡献。综合实验表明，CTASRNet在复杂中洋脊构造和冰犁痕的精度与细节重建方面均优于最先进方法，泛化实验证实了相对于基线方法在极端数据稀缺下的优越鲁棒性。