曲面重建是三维重构技术中最基本的问题之一,特别是在地理信息系统领域具有重要意义。高精度曲面建模方法(High Accuracy Surface Modeling,HASM)解决了传统曲面重建中的误差问题,但它仍然存在一些应用缺陷:HASM依赖于高精度的输入驱动场,而高精度的驱动场通常是难以获得的数据;HASM也是基于有限的采样点数据推算出曲面未知点上的值,忽略了模型运行的基础参量数据(即历史数据);如果数据缺失或误差较大,HASM泛化能力则会极大的降低。针对应用中出现的上述问题,本文基于神经网络开展了如下研究工作:(1)提出了基于并行随机神经网络的曲面重建算法,以获得高精度的输入驱动场数据。神经网络具有很强的函数逼近能力,能够以任意精度逼近任意连续函数(特别是非线性关系),这恰恰是复杂曲面重建的关键,从而更好地逼近曲面,特别是常规的数学方法难以模拟的复杂曲面。(2)提出了基于数据融合强化学习的曲面空间信息预测算法,提高了模型的预测能力。首先,将历史数据作为训练数据融入到初始场的计算中,产生基于历史数据的趋势数据;然后,结合当前的采样点数据,在初始场和采样点数据之间找到一个最优解;最后,不断地利用新观测的数据作为强化信号校验模型参数,从而不断纠正并进一步提高模型的预测能力。(3)提出了基于Dropout的数据加权曲面重建优化策略,进一步增强模型的泛化能力和鲁棒性。该策略按照一定的概率将部分采样数据或网络节点暂时丢弃,能够消除数据异常点带来的影响,从而有效地避免过拟合现象,提高模型的泛化能力。综上所述,本文基于并行随机神经网络,融合历史数据与有限的的采样点数据,提出了鲁棒性更高的曲面建模方法。以气温,降水等气候要素进行模型的精度验证,通过实验结果对比分析可知,基于并行随机神经网络的曲面建模方法不仅在精度上有所提高,而且模型的泛化能力也得到了进一步的提升。