DEM-SR
повышение разрешения карт рельефа в 3 раза
2 мин чтенияобновлено
Набор из двух моделей машинного обучения от автора Ichigo369 для задач геоинформатики и дистанционного зондирования Земли. Они решают задачу суперразрешения (super-resolution): берут цифровую модель рельефа (DEM) с шагом 30 метров из базы NASADEM, добавляют к ней спутниковый RGB-снимок Sentinel-2 и превращают в детализированную карту высот с шагом 10 метров (одна ячейка 30×30 м делится на девять 10×10 м). В репозитории лежат два варианта архитектуры на базе U-Net: детерминированная ResUNet-SR (17,8M параметров) и генеративная RFVelocityUNet (42,8M параметров) на основе Rectified Flow (метода генерации через выпрямленные потоки). В отличие от простой бикубической интерполяции, нейросети предсказывают уточняющие детали рельефа с опорой на реальные оптические снимки местности.
Ключевые особенности
- Две архитектуры на выбор: лёгкая детерминированная
unet_b64(272 МБ) с функцией потерь L1 + контроль уклона и более тяжёлаяrf_b64(653 МБ) с поддержкой CFG (classifier-free guidance — настройки силы следования условию). - Обучение на реальных данных: модели тренировались на 67 462 парных фрагментах размером 240×240 пикселей из 40 регионов Высокогорной Азии (горы, хребты, холмы и равнины).
- Удобный формат весов: чекпоинты
ckpt_best.ptсодержат усреднённые веса EMA и словарь параметровargs, поэтому архитектура восстанавливается автоматически без жёсткой привязки к коду.
Что можно сделать
- Детализировать 30-метровые карты высот NASADEM до 10-метрового формата GeoTIFF с сохранением геопривязки (CRS) через скрипт
predict_sr.py. - Сравнить на своих геоданных классическую регрессию (ResUNet-SR) и генеративный подход Rectified Flow, подбирая параметр guidance и число шагов NFE.
- Дообучить модели с последнего шага (
ckpt_last.pt) под другой регион или тип ландшафта на видеокарте уровня RTX 4060 с 8 ГБ VRAM.
Пример
import torch
from models_sr import ResUNetSR
ckpt = torch.load("unet_b64/ckpt_best.pt", map_location="cpu", weights_only=False)
unet = ResUNetSR(ckpt["args"]["base"])
unet.load_state_dict(ckpt["ema"])
unet.to("cuda").eval()
Подробнее
На тестовой выборке (256 фрагментов)unet_b64 показала RMSE 4,073 м, MAE 3,033 м и PSNR 41,27 дБ (у бикубической интерполяции — RMSE 7,199 м и PSNR 35,89 дБ), у rf_b64 — RMSE 5,085 м и PSNR 39,45 дБ.Обучались на одной видеокарте RTX 4060 (8 ГБ) с жёстким лимитом в 7,5 ГБ VRAM.
Ограничения: обучение остановлено до завершения полного бюджета шагов (46k/50k для U-Net и 64k/80k для RF), модели заточены только под Высокогорную Азию (система координат ESRI:102008, высоты EGM96), лицензия на коммерческое использование не предоставлена.










Комментарии