面向电力工程规划的遥感影像数字表面模型重建OA

在电力工程规划中,高精度数字表面模型(digital surface model,DSM)是输电线路设计、杆塔布设与可行性评估的重要基础数据,然而复杂地形条件、地物尺度差异及光谱混淆往往导致DSM重建精度受限。为此提出一种面向电力工程规划的语义引导卷积神经网络-Transformer混合网络(semantic-guided CNN-Transformer hybrid network,SCTHN),以提升大范围电力场景的遥感影像DSM重建质量。该方法融合3项关键技术:①语义引导模块——利用语义信息缓解光谱混淆;②通道与空间增强的空间金字塔池化模块——通过引入通道与空间注意力机制,减少跨尺度特征的语义鸿沟并提升多尺度信息融合能力;③多尺度边缘增强模块——通过多层次边缘信息强化,提高边界区域的重建精度。基于ISPRS Vaihingen和Potsdam数据集的评估表明,SCTHN在DSM重建任务中具有优秀的性能:在Vaihingen数据集上,SCTHN的结构相似性(structure similarity index measure,SSIM)、平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE)分别达到0.947、1.042 m、1.423 m;在Potsdam数据集上,SCTHN的SSIM、MAE、RMSE分别达到0.943、1.388 m、2.189 m。所提网络在定性和定量结果上相比其他模型表现出显著优势,同时消融实验也充分证实了网络各模块的设计有效性。