通过DEM精度对比评估与偏差校正技术提升城市集水区划分精度

《Science of Remote Sensing》:Improving urban catchment delineation through comparative DEM accuracy assessment and bias correction techniques

【字体: 大 中 小 】 时间:2026年07月06日 来源:Science of Remote Sensing 7.1

编辑推荐:

  精确地形表征对于水文建模至关重要,然而,免费获取的全球数字高程模型(Digital Elevation Models,DEMs)往往包含显著的垂直误差,尤其是在复杂城市环境中,这是因为其表征的是地表高程而非真实裸地地形。该研究在印度北部Assi河流域内,基于1

  
精确地形表征对于水文建模至关重要,然而,免费获取的全球数字高程模型(Digital Elevation Models,DEMs)往往包含显著的垂直误差,尤其是在复杂城市环境中,这是因为其表征的是地表高程而非真实裸地地形。该研究在印度北部Assi河流域内,基于1695个高精度地面控制点(Ground Control Points,GCPs),采用独立训练—测试验证框架,对4种广泛使用的DEM——ALOS PALSAR、SRTM、ASTER GDEM和CARTO——进行了精度评估。未经校正的DEMs表现出不同的误差特征:ALOS PALSAR和CARTO呈现较大的系统性垂直偏差(~–60?m),SRTM表现出中等偏差,而ASTER GDEM则主要受高随机噪声主导。为解决这些局限性,研究人员采用了一种两步式混合校正方法,将线性偏差校正与基于克里金(Kriging)的残差曲面相结合。该方法使均方根误差(Root Mean Square Error,RMSE)最高降低90%,并消除了全局垂直偏移,使所有DEM的残差均接近正态分布。基于校正后DEM开展的水文分析表明,划定的集水区面积发生了显著变化。ALOS PALSAR由15.78?km2增至16.39?km2(+0.61?km2),SRTM由17.20?km2降至15.06?km2(?2.14?km2),CARTO由14.11?km2扩展至22.90?km2(+8.79?km2),ASTER GDEM由1.56?km2增至3.46?km2(+1.90?km2)。这些结果表明,原始DEM中的垂直偏差会显著扭曲流域边界及水文解释,而所提出的校正框架可显著提升DEM在城市集水区研究中的可靠性。总体而言,该研究强调了在低起伏城市景观中,为实现精确洪水建模、排水规划和基于地形的水文评估,开展DEM预处理的必要性。
该论文发表于《Science of Remote Sensing》,聚焦于城市环境下数字高程模型(Digital Elevation Model,DEM)误差对流域划分结果的影响及其校正方法。研究背景在于,DEM是流域提取、径流估算、排水网络建模与地形水文分析的基础数据,但许多全球开放DEM并不是真正的裸地数字地形模型,而更接近地表高程模型。在城市地区,建筑物、植被冠层及其他地表构筑物会被雷达或摄影测量手段记录到高程中,导致DEM存在明显垂直误差。对于地势起伏较弱、微地形控制显著的城市集水区而言,这类误差会直接传递至流向判定、汇流累积、分水岭提取和集水区面积计算,造成流域边界失真、排水路径中断甚至面积严重低估。因此,研究人员开展该研究,旨在系统比较常用全球DEM在城市流域中的误差特征,并验证偏差校正是否能够实质改善城市集水区划分精度。

研究人员以印度北部Assi河城市流域为对象,收集了覆盖整个研究区的1695个高精度地面控制点(Ground Control Points,GCPs),使用差分全球导航卫星系统(Differential Global Navigation Satellite System,DGPS)和连续运行参考站(Continuously Operating Reference Station,CORS)网络获取正高数据,并将其作为DEM精度评估与校正基准。研究比较了ALOS PALSAR、SRTM、ASTER GDEM和CARTO四种DEM产品,在统一水平与垂直基准后,采用独立训练—测试框架评估其误差,并进一步构建结合线性偏差校正与普通克里金(ordinary kriging)残差插值的两步式混合校正方法。研究结论表明,原始DEM在城市流域中存在显著且类型不同的垂直误差;经校正后,各DEM的系统性偏差基本消除,RMSE显著下降,流域边界与排水结构更符合实际水文过程。该研究的重要意义在于为缺乏高分辨率LiDAR数据的城市或城郊区域提供了一种透明、可复制、成本较低的DEM改进路径,并证明DEM预处理应成为城市水文研究中的标准步骤。

就关键技术方法而言,研究主要采用以下几类技术:第一,基于DGPS/CORS获取的1695个GCP建立高精度地面高程参考,并按80%训练集、20%测试集进行独立验证;第二,对4类DEM进行统一投影、重采样和垂直基准统一,确保全部数据在WGS84/UTM Zone 44N与EGM96正高框架下可比;第三,采用普通最小二乘法(Ordinary Least Squares,OLS)建立线性变换模型,校正全局垂直偏移、比例误差与平面趋势;第四,基于训练集残差构建球状半变异函数并实施普通克里金插值,生成空间连续偏差曲面;第五,使用ArcGIS水文工具,通过Fill、D8流向、汇流累积和统一出口点进行集水区划分与面积计算,以比较校正前后的水文响应差异。

以下结合论文结果部分各小标题,对研究发现进行概括。

研究结果

3. Results
研究首先比较了四种DEM的地形表面表达差异。不同数据源对同一研究区的高程范围和地貌形态呈现明显不同,反映出传感器特性、生成机制与垂直精度的差异。诊断性基准检查显示,研究区椭球高与正高的理论分离量约为45–50?m,但ALOS PALSAR与CARTO中观测到的约60?m偏移更大,说明其误差不能仅由垂直基准不一致解释。

The uncorrected (raw) DEMs show markedly different error characteristics
未经校正的DEM呈现出显著不同的误差模式。ALOS PALSAR和CARTO均表现出约?60?m的大幅负均值误差,标准差相对较小,说明其总误差主要由系统性垂直偏移主导;SRTM仅表现为+3.01?m的中等偏差,RMSE为4.14?m;ASTER GDEM均值误差接近0,但标准差与RMSE最高,表明其主要问题不是整体偏移,而是强随机噪声。误差直方图、Q–Q图及DEM与GCP散点关系共同证明,ALOS PALSAR和CARTO是“窄分布+大偏移”,ASTER则是“低偏移+高离散”。

Representative sample-point comparisons demonstrated that vertical datum harmonisation substantially reduced the large systematic elevation discrepancies
样点对比显示,统一到EGM96正高框架后,ALOS PALSAR和CARTO原有的大系统偏移被明显削弱,说明垂直基准不一致解释了其误差的重要组成部分。然而,统一基准后多个点位仍保留残余误差,表明这些DEM还存在数据源自身的垂直不准确性,因此仍需进一步基于GCP实施残差校正。

The elevation at any point was estimated using a linear transformation model
研究人员使用线性变换模型估计各DEM的校正参数,包括空间坐标项、高程尺度项和垂直偏移项。结果表明,不同DEM所需参数差异明显,反映了误差结构的传感器依赖性。其中ALOS PALSAR和SRTM所需的偏移修正项较大,CARTO的高程尺度调整更强,而ASTER与原始高程之间的误差相关性相对较弱。

The statistical accuracy of DEMs after bias correction
在应用线性校正与克里金残差校正后,所有DEM的均值误差均接近0?m,说明全局偏差已被有效移除。校正后CARTO的精度最佳,RMSE约为2.09?m;ALOS PALSAR与SRTM均达到约2.25?m;ASTER虽仍是四者中误差较大的数据,但RMSE已降至约2.35?m。Q–Q图显示,校正后残差更接近正态分布,重尾现象明显减弱,DEM与GCP之间的散点分布也更接近1:1关系,证明混合校正框架显著提升了垂直精度与统计一致性。

The corrected DEMs yield significantly different catchment delineations
校正后的DEM在集水区划分结果上产生了显著变化。ALOS PALSAR提取面积由15.78?km2增至16.39?km2;SRTM由17.20?km2降至15.06?km2;CARTO由14.11?km2大幅升至22.90?km2;ASTER GDEM由1.56?km2增至3.46?km2。其中CARTO和ASTER变化最大,说明原始误差曾显著压缩其排水范围。校正后不同DEM所得到的Assi河流域边界更具一致性,也更符合水文学上的合理性。

The DEM correction also influenced derived hydrological characteristics of the drainage network
除了集水区边界,DEM校正还影响了排水网络结构。校正后的DEM通常能够产生更连续、连通性更好的河网,提高总河道长度并使排水密度更一致。改善最明显的是CARTO和ASTER,说明垂直误差不仅影响流域面积,还会干扰城市流域中河道提取与汇流组织。

DEMs exhibiting large vertical biases produced watershed boundaries that frequently intersected or displaced beyond the ridge-aligned GCPs
研究还将DEM划定的分水界与位于地形高部和自然分水岭附近的GCP进行空间对照。结果显示,存在较大垂直偏差的DEM常常使分水界穿越或偏离这些脊线控制点,反映其无法准确表达低起伏城市区域中决定排水分配的细微高程梯度。经偏差校正后,SRTM与GCP定义的分水岭吻合度最高,表明其在去除系统误差后,对局部地形形态的保持相对更好。

讨论部分总结表明,该研究明确揭示了全球DEM在复杂城市环境中的误差具有显著传感器依赖性:雷达类DEM更易出现较大的系统性垂直偏移,光学立体像对DEM则更容易受到随机噪声影响。两步式混合校正方法首先利用线性变换去除全局偏移、比例误差和平面趋势,再通过克里金建模削弱空间变异残差,因此在全部DEM中都取得明显改善,特别是对CartoDEM的RMSE降幅接近90%。论文同时指出,该方法的优势在于仅依赖GCP和常规GIS/地统计工具,不需要建筑物轮廓、LiDAR样本或高成本辅助数据,因此适合多数城市地区推广应用。文章也强调了局限性:克里金效果依赖GCP密度与空间分布,ASTER这类噪声较强的数据即使校正后仍存在较高残差,说明插值校正对强随机误差的改善有限。

结论部分可译为:该研究表明,在Assi河流域这类复杂城市环境中,广泛使用的全球DEM存在显著且差异化的垂直误差。原始DEM主要表现出两类误差模式:雷达派生数据集(ALOS PALSAR和CARTO)具有较大的系统性偏差,光学数据集(ASTER GDEM)具有显著随机噪声,而SRTM则表现出中等但不可忽视的偏差。这些不准确性直接影响水文输出,导致划定集水区面积出现明显不一致。该研究提出的混合校正方法将线性偏差校正与基于克里金的残差插值相结合,能够有效消除系统性偏移并降低总体高程误差。RMSE最高可降低90%,校正后的DEM与地面控制点表现出良好一致性。更重要的是,由校正后DEM提取的集水区边界更一致且更符合水文实际。集水区面积由?2.14?km2到+8.79?km2的绝对变化,表明未经校正的DEM会严重扭曲水文评估结果。研究证实,在城市地区开展可靠的流域划分、洪水模拟和排水规划时,DEM预处理至关重要。所提出的方法为在缺乏高分辨率LiDAR数据条件下提升DEM精度提供了实用、透明且可扩展的解决方案,并强化了在城市水文研究中将DEM校正纳入标准流程的必要性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号