基于ICESat-2的横断山区NASA DEM高程精度评价与误差校正研究学术报告

作者与发表信息

本研究由周鹏飞、王艳霞、周汝良（西南林业大学地理与生态旅游学院）合作完成，发表于《西南林业大学学报（自然科学）》2024年第44卷第5期（页码136–146），DOI: 10.11929/j.swfu.202308033。

学术背景

研究领域与科学问题

本研究属于数字高程模型（Digital Elevation Model, DEM）精度评价与校正领域，聚焦于全球DEM产品在复杂地形区的适用性问题。NASA DEM作为2020年发布的新型全球30米分辨率DEM，融合了SRTM、ASTER GDEM和ICESat/GLAS数据，但其在横断山区等高落差复杂地貌的精度表现尚未充分验证。

研究动机与目标

横断山区地形复杂、植被覆盖多样，传统DEM（如SRTM、ASTER GDEM）在此类区域存在高程被高估或低估的系统误差。本研究以星载激光雷达ICESat-2（Ice, Cloud, and land Elevation Satellite–2）的ATL08数据为参考，旨在：
1. 定量评价NASA DEM在横断山区的高程误差特征；
2. 分析坡度、坡向、植被覆盖度等地表变量对误差的影响规律；
3. 对比四种机器学习模型（随机森林RF、反向传播神经网络BPNN、XGBoost、LightGBM）的误差校正效果，为DEM应用提供方法论支持。

研究流程与方法

1. 数据准备与预处理

• 数据来源：
  
  • 参考数据：ICESat-2/ATL08陆地高程数据（精度0.1米），从NSIDC（美国国家冰雪数据中心）获取；
    
  • 实验数据：NASA DEM（30米分辨率）；
    
  • 辅助数据：Globeland30地表覆盖数据（2020版）、青藏高原植被覆盖度数据（FVC）。
    
• 数据清洗：
  
  • 剔除云量标记（cloud_flag_atm>1）、白天数据（night_flag=0）及坡度异常点（terrain_slope>0.01）；
    
  • 通过拉依达准则剔除高程差大于阈值（100米）的粗差点，最终保留25,930个有效ICESat-2高程点。
    
• 基准统一：将NASA DEM的正高基准转换为WGS84椭球高，与ICESat-2基准对齐。
  

2. 精度评价与误差分析

• 评价指标：平均误差（ME）、平均绝对误差（MAE）、均方根误差（RMSE）、决定系数（R²）；
  
• 误差分布统计：NASA DEM误差呈正态分布，整体ME=−3.5米，MAE=8.2米，RMSE=11.7米；
  
• 地表变量关联分析：
  
  • 坡度：MAE随坡度增大而升高，>40°时误差显著增加（如48°~56°区间MAE达21.8米）；
    
  • 坡向：北坡误差最小（ME=−2.9米），西南坡误差最大（ME=−4.7米）；
    
  • 植被覆盖度：FVC>80%时ME显著增大（−7.4米），因植被导致高程被高估；
    
  • 土地利用类型：森林区误差最大（MAE=9.3米），人造地表误差最小（MAE=4.2米）。
    

3. 机器学习模型构建与校正

• 输入变量：坡度、坡向、起伏度、FVC、土地利用类型；
  
• 模型选择与参数优化：
  
  • RF：决策树数量500，节点特征数通过网格搜索确定；
    
  • BPNN：3层隐含层，激活函数为ReLU，学习率0.001；
    
  • XGBoost：最大深度6，学习率0.1，正则化项λ=1；
    
  • LightGBM：Leaf-wise生长策略，最大叶子数31。
    
• 训练与验证：数据集按7:3划分，采用交叉验证优化超参数。
  

4. 校正结果验证

• 整体精度提升：
  
  • BPNN表现最优，校正后MAE降至6.9米（降低16%），RMSE=10.6米，R²=0.999828；
    
  • XGBoost与BPNN的RMSE相当（10.6米），但BPNN在不同地类中稳定性更佳；
    
  • RF与LightGBM校正后ME均为0米，但MAE改善有限（7.5米）。
    
• 土地利用类型差异：
  
  • 森林区：BPNN校正后MAE降低2.1米（至7.2米）；
    
  • 水体：所有模型改进不显著（MAE降幅<0.5米）；
    
  • 冰川区：仅BPNN降低RMSE（12.9米→12.6米）。
    

主要结果与结论

1. NASA DEM误差特征：在横断山区存在系统性低估（ME=−3.5米），误差与地形复杂度、植被覆盖度呈强相关性；
   
2. 机器学习校正有效性：BPNN模型综合表现最佳，尤其适用于森林等高植被覆盖区；
   
3. 方法论贡献：首次将LightGBM等新型算法引入DEM校正，为全球DEM产品优化提供技术参考。
   

研究价值与亮点

• 科学价值：揭示了NASA DEM在复杂地形的误差机制，填补了该数据在横断山区的精度评价空白；
  
• 应用价值：为地质灾害评估、水文建模等需高精度DEM的研究提供了数据校正方案；
  
• 创新性：
  
  • 多模型对比验证，明确BPNN在DEM校正中的优势；
    
  • 首次结合ICESat-2与NASA DEM，构建了横断山区高精度高程基准。
    

其他发现

• 误差空间分布：高程误差在河谷区表现为低估，在山脊区表现为高估，与地形遮蔽效应相关；
  
• 模型局限性：XGBoost虽计算效率高，但对小样本地类（如冰川）过拟合风险较高。
  

本研究为地学领域DEM数据选择与误差处理提供了实证依据，后续可扩展至其他全球DEM产品（如AW3D30、Copernicus DEM）的对比研究。