摘要: 总部位于 Bristol 的洪水建模公司 Fathom 与布里斯托尔大学 FloodLab 联手推出了 FABDEM,通过使用 FABDEM 将裸地(bare earth)地图制图变为现实,这是第一个以 30 米分辨率移除森林和建筑物的全球数字高程模型 (DE...
总部位于 Bristol 的洪水建模公司 Fathom 与布里斯托尔大学 FloodLab 联手推出了 FABDEM,通过使用 FABDEM 将裸地(bare earth)地图制图变为现实,这是第一个以 30 米分辨率移除森林和建筑物的全球数字高程模型 (DEM)。
FABDEM 的 GIS 应用程序最初旨在为洪水建模、山体滑坡建模和位置分析来创建更准确、更详细的数据集,事实证明,它比最初想象的要广泛得多。从规划线性资产,如数据稀缺地区的运输路线、电信和能源基础设施,到林业和农业项目以及为飞行模拟和游戏创建人工环境,FABDEM 的潜在应用已遍布多个行业。
数字高程模型 (DEM):用户指南
数字高程模型(DEM)以其最简单的形式表示选定参考面上方地形面的高程,最常见于规则网格上。有基于卫星测量值的免费全球 DEM,水平分辨率低至1角秒(约30米)。不过问题在于全球 DEM 容易出现较大误差,通常包括表示地球地形上方各层(例如植被或建筑物)的高程。现实情况是,许多应用程序需要裸地高程,即植被和建筑物下方的地面高程。
全球免费提供的哥白尼 DEM,GLO-30,于2020年发布。它以30m分辨率工作,并且与以前的全球 DEM 相比,使用更新和更准确的测量,因此,建议它应该成为全球 DEM 的黄金标准。在 Fathom 和 Bristol 大学,开始使用这种 黄金标准 模型来创建一个有效的 DEM,该模型可以剥离植被和建筑物,以真实地表示地面地形。FABDEM(FAB 代表森林和建筑物移除)被开发为哥白尼 DEM 的 “bare earth” 版本。
当团队首次开发 FABDEM 时,目的是用它来提升全球洪水建模能力。通过移除地表对象,该数据集非常适合模拟自然危险,例如洪水,其中结果受到了地面高程等变量的显著影响。然而自发布以来,也受到了来自各种行业和广泛用例的极大关注,证明了 FABDEM 在许多其他应用程序也非常有用。
除水风险外,调查范围也从动物迁徙和大流行建模到游戏和航空航天的 3D 模拟。虽然我们知道 FABDEM 可以应用的常见用途,但观察其数据适用的许多环境是一件很有趣的事情。最终,任何需要地球表面 3D 表示的事物都可以在 FABDEM 中找到结果。迄今为止,我们发现的最有趣的用例是地形数据在人道主义援助和响应中的应用。通过使用 DEM,供应物流和救济测绘等功能都变得更加高效。
FABDEM 与其他数字高程模型的比较
FABDEM 的一个重要元素是其对 LiDAR 的验证以及与其他全球 DEM 的比较。首先将数据集与哥白尼 DEM 进行了比较,以表明 FABDEM 中来自森林和建筑物的高程伪影被删除或严重减少。
![六个地形表面的比较](https://www.osgeo.cn/static/upload/bd/bdc09b08-1133-11ed-ad6c-00163e056ce7_m.jpg)
我们还将重点放在与 MERIT DEM 的比较。作为唯一一个移除森林高度和其他误差的全球 DEM,MERIT DEM 在概念上最接近 FABDEM。通过与 MERIT 的比较发现,与参考数据相比,FABDEM 的误差更低,空间检查显示 FABDEM 中景观要素的变现形式更加清晰。
![三个绿色和黄色阴影的 DEM 并排放置](https://www.osgeo.cn/static/upload/c6/c61f5528-1133-11ed-a397-00163e056ce7_m.jpg)
需要注意的是,当前的全球 DEM 数据基于比 LiDAR 测量粗糙许多倍的观测结果,由于高质量的本地 DEM 覆盖全球 不到 1%,因此迫切需要对世界其他地区的全球 DEM 进行改进。
DEM 构建中的机器学习
为了生成 FABDEM,可以使用机器学习方法来估计 DEM 中植被和建筑物相对于地面的高度,可从哥白尼 DEM 高程中减去这些估计值。机器学习算法的两个关键输入是高质量的参考数据,表示地面高程和预测器数据集,可用于估计植被和建筑物高度,机器学习算法的两个关键输入是高质量的参考数据,表示地面高程和预测器数据集,可用于估计植被和建筑物高度。
参考数据
除了全球 DEM,许多地方还有更高分辨率的本地 DEM,例如由飞机飞行的 LiDAR 产生的,该 LiDAR DEM 非常准确,可以提供厘米级的水平分辨率。对于 FABDEM 中的植被和建筑物移除,可以使用来自 12 个不同国家的本地 DEM 来学习机器算法。在这里,使用来自不同位置的训练数据很重要,在有限类型的景观上训练模型往往会过度拟合,并产生在其他位置使用较少的结果。
预测数据
机器学习算法使用预测数据集来开发集中的值与目标,以及它们(森林或建筑物的高度)之间的规则或连接, 由于森林和建筑物之间的预测数据集不同,为每种情况应用了单独的机器学习模型。例如,使用 Forest Height 和 Canopy Cover 数据集作为森林移除的关键预测因子。
然而,在查看城市迁移时,在其他数据集中使用了建筑足迹(世界定居足迹)、人口密度和前往城市中心的旅行时间等信息。尽管每个单独的预测器数据集都不是孤立的,但通过组合不同的有用数据,可以为机器学习算法提供可靠信息。
![显示森林高度的绿色层作为顶部图像,底部图像是该地区的卫星图像。](https://www.osgeo.cn/static/upload/d1/d15cf774-1133-11ed-ad6c-00163e056ce7_m.jpg)
更多关于 FABDEM 信息
FABDEM 结合了大量组合使用的数据集,能够可靠地预测全球地形的 “bare earth” 表示。如希望能够准确预测地形成分,以及对改变或大型项目的影响,那么地图制图的地面或 “bare earth” 的模型就尤为重要。应用 FABDEM 改进的地形信息可以提高洪水模型的准确性,以及跨工程、GIS 制图和地理空间分析的许多其他应用程序的准确性。
如对数据感兴趣,可在此处免费下载,或者在此处了解有关 Fathom 许可 的更多信息。