全球尺度数字高程模型河流地形-水深一体化建模方法研究

本研究针对全球数字高程模型(DEM)缺乏水下地形数据的瓶颈问题，通过整合全球水文模型(GEOGLOWS)与稳态水力分析技术，开发了基于水面高程(WSE)和基流(baseflow)的自动化河流地形-水深(topobathymetric)建模方法。研究证实该方法能显著降低3DEP和FABDEM数据集的均方根误差(RMSEbed elevation)和偏差(Biasbed elevation)，为洪水淹没制图、军事机动评估等应用提供更精确的底层数据支撑。

　　

在数字地形建模领域，全球尺度数字高程模型(DEM)长期面临"水下盲区"的挑战——现有DEM主要反映陆地地形，对河流、湖泊等水域仅能提供近似水面高程(WSE)数据。这种缺陷严重制约了洪水预测、水电资源评估等关键应用的精度。更棘手的是，原始DEM中普遍存在的人工河道不规则性（如Airbus 2022年数据中的虚假沙洲）会进一步干扰自动化建模流程。美国陆军工程师研发中心(ERDC)的Joseph L. Gutenson团队在《Environmental Modelling》发表的研究，通过创新性整合全球水文数据与水力分析技术，为这一难题提供了系统性解决方案。

研究团队采用3DEP和FABDEM两套DEM数据集，结合GEOGLOWS模型提供的全球径流数据，运用自适应水力模型(AdH)和自主开发的ARC、Curve2Flood软件开展分析。关键技术包括：基于水面高程-基流的河床估算方法、DEM预处理清洁算法，以及通过银行高程(bank elevations)与满岸流量(bankfull discharge)的对比验证体系。所有分析均在美国本土超5000公里的河道样本上进行验证。

【Does the inclusion of riverine bathymetric estimation improve the accuracy of a DEM from an absolute and relative (pixel-to-pixel) perspective?】
通过对比清洁/未清洁DEM的河床高程误差发现：采用WSE-基流方法估算的地形-水深表面，使3DEP数据集的RMSE_{bed elevation}降低达42%，FABDEM的Bias_{bed elevation}改善37%。特别值得注意的是，预处理清洁步骤能有效消除DEM中93%的人工河道异常值。

【Applications】
生成的地形-水深一体化DEM可直接应用于HEC-RAS等水力模型，其军事价值体现在：结合土壤湿度模型(如Eylander 2023模型)可构建战场环境全景水文数据库，为两栖作战路径规划提供厘米级精度支持。在民用领域，该成果能提升全球洪水模型(GFM)对极端降雨事件的响应精度。

【Conclusions】
研究证实：① 基于WSE-基流的方法比传统银行高程法更适应全球尺度建模；② DEM预处理可显著提升自动化建模成功率；③ 虽然会简化真实河道形态，但这种折衷对 continental-scale 应用利大于弊。该成果的突破性在于首次实现无需现场测量数据的全球河流地形-水深自动化建模，其开源软件(ARC v2.1、Curve2Flood)已部署于GitHub平台。正如研究者强调，这种"数据稀疏地区友好型"方法，将为"一带一路"沿线国家的水灾预警系统建设提供关键技术支撑。