The deep-learning-based models were trained with theacceleration of graphics processing units GPUs The modelparameters and running time are summarized in Table II basedon the aforementioned settings S

基于上述设置，深度学习模型是在图形处理单元（GPU）的加速下进行训练的。根据表II总结的模型参数和运行时间，令人惊讶的是，参数较少的EDCSTFN模型所需的时间只比复杂得多的GAN-STFM模型稍微短一些。这是因为从磁盘加载数据组到GPU内存中是非常耗时的，而与EDCSTFN相比，GAN-STFM只需要三分之二的输入图像，这在模型训练时可以节省一些时间，当GPU的计算性能不是系统瓶颈时。图6展示了在验证数据集上进行深度模型训练时的均方差（MSE）变化。毫不奇怪，EDCSTFN比GAN-STFM更快地收敛。这是因为EDCSTFN模型需要三个输入图像，参考和预测日期之间的时间非常接近，因此在短时间内没有太大的显著变化。相比之下，与EDCSTFN模型相比，GAN-STFM模型设计为仅接受两个输入图像，并且在训练中随机选择细分辨率的参考图像。在这种情况下，与EDCSTFN模型相比，输入和输出之间的关系相对较复杂，因为GAN-STFM算法需要从大量细分辨率的参考图像中提取共同的高通特征，而不是特定于样本的特征。从图6中可以看出，EDCSTFN的训练误差在CIA和LGC研究区域都小于GAN-STFM模型，而验证误差则相反。这证实了EDCSTFN比GAN-STFM模型更容易训练，并且而且GAN-STFM显示出更高的泛化能力