近日，南京师范大学数字地形分析研究团队在地理人工智能（GeoAI）与智能化地形建模领域取得重要突破，研究成果以“TIDA-SR: A Time-Conditioned Deformable Attention Network for DEM Super-Resolution in Cloud-Covered Mountainous Regions”为题，发表于国际地学遥感顶级期刊Remote Sensing of Environment。
论文链接：
https://www.sciencedirect.com/science/article/pii/S0034425726000246
山区地形复杂、气候多变，常年云雾覆盖严重制约了光学卫星摄影测量技术获取高分辨率（优于10米）数字高程模型（DEM）的能力，导致现有DEM产品在云遮挡区域普遍存在精度不足或数据缺失问题。针对这一挑战，研究团队创新性地提出了一种时间条件可变形注意力超分辨率网络TIDA-SR（Time-Conditioned Deformable Attention Super-Resolution Network）。该方法利用无云区域的高精度DEM作为训练样本，通过迁移学习对开源低分辨率DEM进行超分辨率重建，并引入羽化融合策略，有效整合多源DEM数据，实现云遮挡区域高保真地形重建。TIDA-SR网络架构深度融合了扩散过程建模、可变形卷积与卷积注意力机制，并设计了复合损失函数，显著增强了对复杂地貌细节的恢复能力（图1）。
图1 重建结果对比
为全面评估模型性能，研究团队将TIDA-SR与传统插值方法及多种主流深度学习超分辨率模型进行了系统对比。实验结果表明，在真实云雾遮挡场景下，TIDA-SR在地形结构完整性与微观地貌细节表达方面均显著优于现有方法，能够更准确地还原复杂山地形态。在光学摄影测量DEM与深度学习超分DEM的拼接过程中，TIDA-SR有效抑制了因数据源差异导致的边界伪影，显著提升了整体地形表面的连续性与视觉一致性，展现出优异的工程实用性与鲁棒性。此外，多尺度放大实验进一步验证了TIDA-SR的泛化能力（图2）。在不同放大倍数下，该方法均保持最优性能。相较于传统插值方法，重建精度提升达68%–78%；相比现有深度学习模型，精度提升幅度为5%–66%，充分体现了其在多尺度地形重建任务中的适应性与稳定性。
图2 不同超分倍数下不同方法垂直精度箱线图
本文第一作者为南京师范大学地理科学学院博士研究生陈凯，研究工作得到了南京师范大学汤国安教授、李发源教授、李思进老师，南京信息工程大学代文副教授，课题组硕士毕业生曹浩宇的大力支持，并受到了国家自然科学基金、江苏省基础研究计划自然科学基金等项目的支持。
