總部位于 Bristol 的洪水建模公司 Fathom 與布里斯托爾大學 FloodLab 聯(lián)手推出了 FABDEM，通過使用 FABDEM 將裸地（bare earth）地圖制圖變?yōu)楝F(xiàn)實，這是之一個以 30 米分辨率移除森林和建筑物的全球數(shù)字高程模型 （DEM）。
FABDEM 的 GIS 應用程序最初旨在為洪水建模、山體滑坡建模和位置分析來創(chuàng)建更準確、更詳細的數(shù)據(jù)集，事實證明，它比最初想象的要廣泛得多。從規(guī)劃線性資產(chǎn)，如數(shù)據(jù)稀缺地區(qū)的運輸路線、電信和能源基礎(chǔ)設(shè)施，到林業(yè)和農(nóng)業(yè)項目以及為飛行模擬和游戲創(chuàng)建人工環(huán)境，F(xiàn)ABDEM 的潛在應用已遍布多個行業(yè)。
數(shù)字高程模型 (DEM)：用戶指南
數(shù)字高程模型（DEM）以其最簡單的形式表示選定參考面上方地形面的高程，最常見于規(guī)則網(wǎng)格上。有基于衛(wèi)星測量值的免費全球 DEM，水平分辨率低至1角秒（約30米）。不過問題在于全球 DEM 容易出現(xiàn)較大誤差，通常包括表示地球地形上方各層（例如植被或建筑物）的高程。現(xiàn)實情況是，許多應用程序需要裸地高程，即植被和建筑物下方的地面高程。
全球免費提供的哥白尼 DEM，GLO-30，于2020年發(fā)布。它以30m分辨率工作，并且與以前的全球 DEM 相比，使用更新和更準確的測量，因此，建議它應該成為全球 DEM 的黃金標準。在 Fathom 和 Bristol 大學，開始使用這種 黃金標準 模型來創(chuàng)建一個有效的 DEM，該模型可以剝離植被和建筑物，以真實地表示地面地形。FABDEM（FAB 代表森林和建筑物移除）被開發(fā)為哥白尼 DEM 的 “bare earth” 版本。
當團隊首次開發(fā) FABDEM 時，目的是用它來提升全球洪水建模能力。通過移除地表對象，該數(shù)據(jù)集非常適合模擬自然危險，例如洪水，其中結(jié)果受到了地面高程等變量的顯著影響。然而自發(fā)布以來，也受到了來自各種行業(yè)和廣泛用例的極大關(guān)注，證明了 FABDEM 在許多其他應用程序也非常有用。
添加微信好友, 獲取更多信息
復制微信號
除水風險外，調(diào)查范圍也從動物遷徙和大流行建模到游戲和航空航天的 3D 模擬。雖然我們知道 FABDEM 可以應用的常見用途，但觀察其數(shù)據(jù)適用的許多環(huán)境是一件很有趣的事情。最終，任何需要地球表面 3D 表示的事物都可以在 FABDEM 中找到結(jié)果。迄今為止，我們發(fā)現(xiàn)的最有趣的用例是地形數(shù)據(jù)在人道主義援助和響應中的應用。通過使用 DEM，供應物流和救濟測繪等功能都變得更加高效。
FABDEM 與其他數(shù)字高程模型的比較
FABDEM 的一個重要元素是其對 LiDAR 的驗證以及與其他全球 DEM 的比較。首先將數(shù)據(jù)集與哥白尼 DEM 進行了比較，以表明 FABDEM 中來自森林和建筑物的高程偽影被刪除或嚴重減少。
荷蘭某地點不同 DEM 之間的視覺比較
我們還將重點放在與 MERIT DEM 的比較。作為唯一一個移除森林高度和其他誤差的全球 DEM，MERIT DEM 在概念上最接近 FABDEM。通過與 MERIT 的比較發(fā)現(xiàn)，與參考數(shù)據(jù)相比，F(xiàn)ABDEM 的誤差更低，空間檢查顯示 FABDEM 中景觀要素的變現(xiàn)形式更加清晰。
美國圣路易斯的 MERIT DEM、FABDEM 和當?shù)鼗?LiDAR 的 DEM 之間的視覺比較
需要注意的是，當前的全球 DEM 數(shù)據(jù)基于比 LiDAR 測量粗糙許多倍的觀測結(jié)果，由于高質(zhì)量的本地 DEM 覆蓋全球 不到 1%，因此迫切需要對世界其他地區(qū)的全球 DEM 進行改進。
DEM 構(gòu)建中的機器學習
為了生成 FABDEM，可以使用機器學習 *** 來估計 DEM 中植被和建筑物相對于地面的高度，可從哥白尼 DEM 高程中減去這些估計值。機器學習算法的兩個關(guān)鍵輸入是高質(zhì)量的參考數(shù)據(jù)，表示地面高程和預測器數(shù)據(jù)集，可用于估計植被和建筑物高度，機器學習算法的兩個關(guān)鍵輸入是高質(zhì)量的參考數(shù)據(jù)，表示地面高程和預測器數(shù)據(jù)集，可用于估計植被和建筑物高度。
參考數(shù)據(jù)
除了全球 DEM，許多地方還有更高分辨率的本地 DEM，例如由飛機飛行的 LiDAR 產(chǎn)生的，該 LiDAR DEM 非常準確，可以提供厘米級的水平分辨率。對于 FABDEM 中的植被和建筑物移除，可以使用來自 12 個不同國家的本地 DEM 來學習機器算法。在這里，使用來自不同位置的訓練數(shù)據(jù)很重要，在有限類型的景觀上訓練模型往往會過度擬合，并產(chǎn)生在其他位置使用較少的結(jié)果。
預測數(shù)據(jù)
機器學習算法使用預測數(shù)據(jù)集來開發(fā)集中的值與目標，以及它們（森林或建筑物的高度）之間的規(guī)則或連接， 由于森林和建筑物之間的預測數(shù)據(jù)集不同，為每種情況應用了單獨的機器學習模型。例如，使用 Forest Height 和 Canopy Cover 數(shù)據(jù)集作為森林移除的關(guān)鍵預測因子。
然而，在查看城市遷移時，在其他數(shù)據(jù)集中使用了建筑足跡（世界定居足跡）、人口密度和前往城市中心的旅行時間等信息。盡管每個單獨的預測器數(shù)據(jù)集都不是孤立的，但通過組合不同的有用數(shù)據(jù)，可以為機器學習算法提供可靠信息。
森林高度預測器示例：上圖顯示森林高度，下圖顯示相應的衛(wèi)星圖像
更多關(guān)于 FABDEM 信息
FABDEM 結(jié)合了大量組合使用的數(shù)據(jù)集，能夠可靠地預測全球地形的 “bare earth” 表示。如希望能夠準確預測地形成分，以及對改變或大型項目的影響，那么地圖制圖的地面或 “bare earth” 的模型就尤為重要。應用 FABDEM 改進的地形信息可以提高洪水模型的準確性，以及跨工程、GIS 制圖和地理空間分析的許多其他應用程序的準確性。
如對數(shù)據(jù)感興趣，可在此處免費下載，或者在此處了解有關(guān) Fathom 許可 的更多信息。
來源鏈接：https://www.osgeo.cn/post/1360a
本站聲明:網(wǎng)站內(nèi)容來源于 *** ,如有侵權(quán),請聯(lián)系我們,我們將及時處理。
