地球资源数据云——数据资源详情

全球30m分辨率移除树木和建筑物的数字高程模型数据集（FABDEM）

高程数据是许多应用的基础，特别是在地球科学领域。最新的全球高程数据包含了森林和建筑的假象，限制了其在需要精确地形高度的应用中的作用，例如洪水模拟。 在本研究中通过使用使用机器学习从哥白尼数字高程模型中去除建筑物和森林，首次产生了30m空间分辨率无建筑物和森林的全球数字高程模型数据集。研究通过在这些数据来自12个国家，涵盖广泛的气候区和城市范围的参考高程数据上训练校正算法，这与以前在单一国家的数据上训练的DEM相比，这种方法具有更广泛的适用性。该套算法方法将建筑区的平均绝对垂直误差从1.61米减少到1.12米，将森林区的平均绝对垂直误差从5.15米减少到2.88米。新的数字高程模型比现有的全球数字高程模型更准确，将会更好服务于高质量全球地形信息的应用和模型。 全球尺度或近全球尺度的DEM数据大多是以3角秒（约90米），以及最近的1角秒（约30米）的空间分辨率。3角秒网格间距的全球DEM包括广泛使用的航天飞机雷达地形任务SRTM，以及MERIT、TanDEM - X 90和Copernicus GLO - 90。1角秒的产品包括ASTER GDEM V3、AW3D30 v3.2 、SRTM、NASADEM和最近的Copernicus DEM GLO - 30（以下简称COPDEM30）。 COPDEM30和TanDEM - X数据作为最新和最准确的DEM数据。可以通过COPDEM30准确地解析大多数特征，Guth和Geoffroy甚至说COPDEM30应该成为全球DEM的 "黄金标准"。因此，COPDEM30被选为这项工作的基础，用于制作全球裸地DEM。 使用随机森林回归模型的机器学习技术，本研究从COPDEM30中移除了建筑物和树的高度偏差，以创建一个名为 FABDEM(Forest And Buildings removed Copernicus DEM)的新数据集。新数据集在60∘S和80∘N 之间，网格间距为1弧秒（约30米），是第一个同时删除树木和建筑物的数字高程模型数据集。通过参考高程数据进行验证，并将其与其他全球 DEM 进行比较。与现有的全球DEM相比，FABDEM的分辨率和精度的提高将使许多对地形的表现非常重要的应用受益。洪水淹没模型尤其如此，因为地形是决定水流的关键因素，从而决定了洪水的位置。 对于城市校正，参考COPDEM30数据的平均绝对误差（MAE）为1.72米，在训练样本上的预测结果降为0.94米，而在验证样本上的预测结果的MAE为1.35米。对于森林模型（北纬52°以南），分割样本验证结果为。COPDEM30数据的MAE为7.2米，对训练样本的预测MAE为3.52米，对验证样本的预测MAE为6.55米。最后，对于北方森林模型（北纬52°以北），分割样本验证结果是COPDEM30数据的MAE为3.77米，对训练样本的预测MAE为1.72米，对验证样本的预测MAE为3.24米。 在每种情况下，验证样本的误差都大于训练样本，但与COPDEM30数据相比有所减少。上述分割样本验证的结果是在应用任何后处理之前，针对随机森林模型预测的参考数据的误差。 图1 美国佛罗里达州（包括迈阿密）地区不同DEM 的比较 图2 荷兰地区不同DEM的比较