本研究由来自西南大学地理科学学院的Tao Fukun、Wang Yong、Jing Yinghong、She Xiaojun以及中国科学院空天信息创新研究院的Lu Shanlong、西南大学的Yao Li等研究者共同完成，通讯作者为Yao Li。该论文《Integrating topographic continuity and lake recession dynamics for improved bathymetry mapping from DEMs》发表于期刊《Hydrology and Earth System Sciences》2026年第30卷，页码为2741至2758。
湖泊水深与水量是水文与生物地球化学研究中的关键参数，但大范围、深水湖泊的水下地形测绘长期受限于高昂成本。传统实地测深依赖船载回声测深仪、机载激光雷达等手段，虽精度较高，却难以在偏远或大尺度区域推广应用。卫星遥感为内陆水体监测提供了低成本方案，但光学信号在水中快速衰减，主要适用于浅水区域；雷达高度计与数字高程模型虽能提供地形信息，但现有全球数字高程模型产品对水域通常赋予统一的水面高程值，无法表征真实水下地形。近年来的研究尝试结合卫星测高与光学影像建立面积—高程关系以推算水量，或利用周边地形统计模型估算深度，但往往依赖最大水深等先验信息，或对湖底形态进行简化，难以反映沉积作用塑造的真实水下地形。
针对上述局限，本研究提出了一种仅基于数字高程模型数据的三维湖底地形测绘方法，其核心思路是利用地形连续性，通过模拟湖泊逐步退缩过程来推断水下高程。该方法不需要任何实测水深数据作为约束，仅依靠湖岸地形梯度与沉积过程修正来重建湖底形态。研究选用的主要数字高程模型数据为NASADEM，空间分辨率约30米，该数据获取时间较早，能保留更多历史出露的湖岸地形信息。此外，还引入ALOS PALSAR DEM和MERIT DEM以评估不同分辨率输入对结果的影响。实测水深数据来自国家青藏高原科学数据中心，涵盖12个青藏高原湖泊，这些湖泊面积从约19平方公里到约2400平方公里不等，最大水深从约4米到约131米，具有多样的形态与水深特征。为评估方法在不同水文环境中的适用性，研究还利用美国米德湖的实测水下地形数据进行验证。
方法的整体流程包括三个主要步骤：参数初始化、水下高程计算和湖泊水量估算。在参数初始化阶段，首先利用更新版SRTM水体数据从数字高程模型中提取湖泊水体的空间范围作为水掩膜，通过连通域检测去除碎片水体，仅保留主湖体。随后围绕湖泊边界建立多级缓冲区，最大缓冲距离为600米，以100米为间隔生成嵌套缓冲带，并通过逐级采样识别地形转折点，以确定最终缓冲区范围。该设计旨在避免将远离湖岸的无关地形信号纳入岸坡估算。岸坡的估算采用方向性稳健方案，对每个湖泊边界像素沿八邻域方向提取陆地方向的高程序列，并通过回归拟合得到方向性坡降，同时生成缓冲区内的3×3窗口坡面图，将方向性坡降重标定至坡面图的值域范围。
在水下高程计算阶段，算法将水掩膜作为初始湖面，模拟水位逐步下降导致的湖泊退缩。每次迭代中，新出露的水下像素依据相邻陆域像素高程、距离及该处坡降计算自身高程。该过程不需要人工预定义每步水位降幅，而是自动以当前迭代中新计算像素的最低高程作为下一轮水位下降阈值。当湖面退缩导致湖泊被分割为多个子盆地时，算法会分别对每个子盆地独立执行退缩模拟，从而避免将所有湖泊简化为单一凹陷结构。针对每个水下像素可能接收多个方向的估计值这一问题，研究采用加权平均方法，以该像素到对岸的距离倒数为权重，优先采纳离岸更近、更具地形连续性的估计。
在坡降参数建模方面，研究假设沿湖剖面最低点位于较陡岸一侧，其位置由两岸坡度的相对大小决定。初始坡降沿剖面线性递减，并在最低点处趋于零。为反映沉积作用对湖底的改造，引入沉积修正项，以距离岸线的归一化距离的幂函数对初始坡降进行修正。修正指数根据缓冲区平均坡度确定，当平均坡度不超过5度时取1，超过5度时取2，以体现陡岸湖泊沉积物向湖心输送并形成平坦底层的趋势。这一参数来源于对青藏高原超过4000个湖泊岸线坡度的统计分析。
在水下高程完成赋值后，研究利用实测零水深边界提取模拟水深图，并计算湖泊水量。实测零水深边界叠加到模拟高程图上以生成水深分布，采用逐像元面积乘以水深的求和方法估算湖泊总水量。由于实测数据未包含水面高程，研究通过湖泊边界上的数字高程模型高程值拟合广义极值分布来估计水面高程，再将水深转换为湖底高程。
验证结果表明，在12个青藏高原湖泊中，模拟水深与实测水深之间的平均相关系数为0.72，平均归一化均方根误差为19.09%，水量估算的平均绝对百分比误差为23.47%。其中10个湖泊的水量估算误差低于30%，8个低于20%。对于昂孜错、布若错、昂拉仁错、色林错和塔若错等湖泊，水量误差均在10%以内。东错由于水深极浅且水量小，对高程误差高度敏感，产生了较大的相对误差。剖面验证显示，模拟剖面能有效捕捉深度变化的总体趋势，平均归一化均方根误差为27.34%，平均绝对误差为10.94米，但部分湖泊在湖底局部异常区域存在偏差，主要与湖泊复杂的地貌演化和不均匀沉积有关。
与已有数据集的比较显示，本研究方法在9个与Fang等重叠的湖泊中平均绝对百分比误差为27.14%，优于Globathy数据集的67.70%和Han等数据集的92.90%。在分辨率敏感性方面，30米分辨率的NASADEM模拟精度最优，90米分辨率输入会导致显著的深度低估，而12.5米分辨率的ALOS PALSAR反而降低了精度，这可能与数据获取时间较晚使湖岸出露信息减少有关。缓冲距离实验表明，300米、600米和900米的总体性能差异不大，但600米设置下误差分布最为集中。
在美国米德湖的扩展应用中，模拟水下地形图与实测图在整体形态上具有一致性，模拟水深与实测水深之间的相关系数为0.66。误差主要集中在原河道沉积区，这与该人工水库沉积分布集中于中央河道的特点有关。尽管深水区域不确定性增加，结果仍证明该方法对人工水库等不同水文环境具有推广潜力。
本研究的主要亮点在于：提出了一种完全无需实测水深数据约束、仅依赖数字高程模型与地形连续性原理的湖底地形重建方法；改进了湖泊退缩模拟，使其无需人工干预即可自动完成全湖迭代；引入多子盆地分割机制，避免了对复杂湖盆的过度简化；通过沉积修正项模拟湖底平坦化过程，提高了深水区形态模拟的合理性。该方法为数据匮乏地区的大尺度湖泊水量评估提供了低成本、可推广的技术路径，对区域和全球尺度水资源与生态研究具有重要应用价值。研究同时指出，数字高程模型垂直精度和模拟过程中的误差累积是主要不确定来源，未来可结合ICESat-2等可部分穿透水体的激光测高数据，以进一步降低系统误差并提高深水区可靠性。