CN115690341B - 全球地理高程数据90m分辨率DEM计算地形因子的校正方法 - Google Patents

Abstract

本发明提供一种全球地理高程数据90m分辨率DEM计算地形因子的校正方法，其包括：S1、创建90m分辨率SRTM3DEM数据的地形因子优化模型；S2、获取待优化的目标流域90m分辨率SRTM3DEM数据；S3、处理获取的数据，得到模型所需的相关参数；S4、根据优化模型及相关参数对数据中基于像元的原始坡度因子及坡长因子进行优化，得到优化后的地形因子。本发明通过建立地形因子优化模型，以流域为单元逐像元进行地形因子校正，充分考虑空间变异性，进行目标区域的地形因子校正，使得在流域尺度上低分辨率和高分辨率计算的地形因子相当，从而有效提高土壤侵蚀模型估算的准确度。

Description

全球地理高程数据90m分辨率DEM计算地形因子的校正方法

技术领域

本发明涉及土壤侵蚀技术领域，尤其是涉及一种用于土壤侵蚀的全球地理高程数据90m分辨率DEM计算地形因子的校正方法。

背景技术

地形因子LS包括坡长因子L和坡度因子S，其是USLE、RUSLE或CSLE模型中反映地形特征对侵蚀作用大小的因子，在中小尺度应用时多采用1:1万或1:5 万国家标准地形图计算。但是当应用在大尺度如全球或某一区域尺度时，一般只能选择全球地理高程数据的地形数据计算，如SRTM3的DEM(90m分辨率)。然而数据分辨率较低，地形局部细节不足，可靠性较差，由其计算得到的地形因子LS会产生系统偏差，不利于土壤侵蚀的准确估算。因此，需要建立LS地形因子的优化模型。

现有研究中，已有学者建立不同尺度之间地形因子的模型关系，但多数研究集中在坡度、单位汇水面积和不同尺度地形因子比较等方面，在土壤侵蚀所涉及到的LS因子校正模型或降尺度模型较少，有关降尺度处理或者提升低分辨率 DEM计算LS因子精度的研究较为少见。为了弥补这一空白，需要进一步探究以低分辨率数据计算LS地形因子的降尺度处理或者优化方法。

发明内容

为了克服现有技术的不足，本发明利用全球地理高程数据DEM数据和标准高分辨率DEM数据进行LS因子的估算，对比分析不同分辨率DEM数据计算的结果，对LS因子按流域逐像元进行优化/校正，创建90m分辨率SRTM3 DEM数据的地形因子优化模型，得到优化后地形因子。在本发明优先实施方式中，模型训练数据集包含7个典型区(县)90m分辨率DEM数据，按照小流域划分，采用相关特征参数构建非线性模型，并进一步开展模型验证，探究本发明的适用性，验证数据集包含2个典型区(县)和全球11个典型区的DEM数据，通过对低分辨率DEM数据得到的LS因子进行校正，发现校正后LS因子与国家标准高分辨率DEM数据计算结果一致，同时得到了在某一区域和全球较高精度的坡度因子图和坡长因子图，即获得某一区域和全球在小流域尺度上更为精确的LS因子值，达到提升土壤侵蚀模型估算准确度的目的。

为实现上述目的，本发明所采用的解决方案为一种全球地理高程数据90m 分辨率DEM计算地形因子的校正方法，其包括以下步骤：

S1、创建90m分辨率SRTM3 DEM数据的地形因子优化模型：

所述地形因子优化模型包括基于像元的坡度因子优化模型及基于像元的坡长因子优化模型：

所述基于像元的坡度因子优化模型为：

S′_90，i＝f_s90(S_90，i+0.25) (1)

其中，S′_90，i为优化后的SRTM3 DEM计算的某流域第i个像元的坡度因子，i∈ {1，2，...，n}，n为该流域的像元总个数；f_s90为坡度因子优化系数，S_90，i为原 SRTM3 DEM计算的某流域第i个像元的坡度因子，σ_s90为原SRTM3 DEM计算的某流域坡度因子的标准差，为原SRTM3 DEM计算的某流域坡度因子的均值；

所述基于像元的坡长因子优化模型为：

其中，L′_90，i为优化后的SRTM3 DEM计算的某流域第i个像元的坡长因子；f_L90为坡长因子优化系数；L_90，i为原SRTM3 DEM计算的某流域第i个像元的坡长因子，L_cv90为原SRTM3DEM计算的某流域第i个像元的坡长因子的变异系数；

S2、获取待优化目标流域的90m分辨率SRTM3 DEM数据；

S3、处理步骤S2获取的数据，得到地形因子优化模型所需的相关参数；

所述相关参数包括目标区域各流域的坡度因子标准差σ_s90、坡度因子均值和坡度因子变异系数L_cv90；

S4、根据所述优化模型及所述相关参数对数据中基于像元的原始坡度因子S_90，i及原始坡长因子L_90，i进行优化，得到精度提升的地形因子S′_90，i及L′_90，i。

进一步地，所述步骤S2中的数据包括某流域第i个像元的坡度因子S_90，i及某流域第i个像元的坡长因子L_90，i。

进一步地，所述步骤S3具体为：

S31、处理收集到的90m分辨率ASTER GDEM数据，得到目标流域的子流域划分栅格文件、坡度栅格文件、坡度因子栅格文件、坡长栅格文件和坡长因子栅格文件；

S32、将子流域划分栅格文件转化为流域面积大于最小阈值的子流域划分矢量文件；

S33、以子流域划分矢量文件来统计各个小流域内坡度因子栅格文件、坡长因子栅格文件的模型所需的相关参数，得到平均值标准差σ_s90和变异系数 L_cv90。

进一步地，所述步骤S31采用LS计算工具处理收集到的90m分辨率ASTER GDEM数据。

进一步地，所述步骤S33中流域面积的最小阈值根据目标区域尺度确定。

进一步地，所述步骤S33中还包括面积小于阈值的小流域合并入周围子流域内。

与现有技术相比，本发明的有益效果在于：

1、本发明通过创建90m分辨率SRTM3的DEM数据的地形因子优化模型，以低分辨率DEM数据获取准确度较高的坡长因子L和坡度因子S，克服了高精度 DEM数据难以获取的问题，如若研究区为大尺度区域，则进一步克服了数据量大，数据处理繁琐且周期长的技术难题，有助于大尺度上快速高效的获取地形因子；

2、本发明在区域和流域尺度上都较为适用，相比于低分辨率DEM数据得到的LS因子精度来说，由于其空间分辨率粗糙，未能充分考虑流域和地形上的空间分异性，本发明按照流域划分来进行LS因子的尺度下推，能够获得精度更高的LS因子，从而提高土壤侵蚀预报方程的准确度。

附图说明

图1为本发明流域尺度上90m分辨率DEM数据地形因子的优化方法的流程框图；

图2为本发明一个实施例的9个典型区(县)的空间分布图；

图3为本发明一个实施例的典型区域SRTM3 DEM计算坡度因子的优化前(左图)和优化后(右图)与1:5万DEM计算结果对比图；

图4为本发明一个实施例的典型区域SRTM3 DEM计算坡长因子的优化前(左图)和优化后后(右图)与1:5万DEM计算结果对比图；

图5为本发明一个实施例的验证区SRTM3 DEM计算坡度因子的优化前(左图)和优化后后(右图)与1:5万DEM计算结果对比图；

图6为本发明一个实施例的验证区SRTM3 DEM计算坡长因子的优化前(左图)和优化后后(右图)与1:5万DEM计算结果对比图；

图7为本发明一个实施例的全球11个典型区的空间分布图；

图8a为本发明一个实施例的典型区N_America-1的坡度图；

图8b为本发明一个实施例的典型区N_America-1的坡长图；

图9a为本发明一个实施例的典型区N_America-1的坡度因子图；

图9b为本发明一个实施例的典型区N_America-1坡长因子图；

图10为本发明一个实施例的典型区N_America-1的子流域划分矢量图；

图11为本发明一个实施例的典型区N_America-1中SRTM3 DEM计算坡度因子S的优化前(左图)后(右图)与ALOS DEM计算结果的均值对比图；

图12为本发明一个实施例的典型区N_America-1中SRTM3 DEM计算坡长因子L的优化前(左图)后(右图)与ALOS DEM计算结果的均值对比图。

具体实施方式

以下，参照图1-图12对本发明的实施方式进行说明。

为了克服公开地形数据的不足，本发明用公开DEM数据和高分辨率DEM数据进行LS因子的估算，对比分析不同分辨率DEM数据计算的结果，发现LS因子精度相差较大，需要对LS因子进行率订/校正。训练数据集包含了某一区域7 个典型区(县)90m分辨率DEM数据，按照小流域划分，采用相关特征参数来构建非线性模型。进一步开展模型验证，探究本发明的适用性，验证数据集包含了某一区域2个典型区(县)和全球11个典型区的DEM数据，通过对低分辨率DEM数据得到的LS因子进行校正，发现校正后LS因子与高分辨率DEM数据计算结果一致，也得到了某一区域和全球较高精度的坡度因子图和坡长因子图。通过本发明方法，可以获得某一区域和全球在小流域尺度上较为精确的LS因子值，达到提升土壤侵蚀模型估算准确度的目的。

本发明提供一种流域尺度上全球地理高程数据90m分辨率DEM数据地形因子的优化方法，其包括步骤1：确定90m分辨率SRTM3 DEM数据的地形因子优化模型，步骤2：确定研究目标区域，获取DEM数据；步骤3：处理步骤S2获取的数据，得到地形因子优化模型所需的相关参数；步骤4：使用步骤1的优化模型和步骤3的参数对90m分辨率SRTM3 DEM获得的LS因子值进行校正，得到校正的地形因子后，与同区域的高分辨率DEM数据计算得到的LS因子进行对比，以评估校正模型的效用。在本发明的一个优选实施方式中，为了验证本发明上述优化方法的可靠性，还可以进一步增加一个步骤5，即将某一区域或全球陆地区域进行流域划分，使用校正模型进行地形因子优化，得到全球较高精度的坡度因子图和坡长因子图。本发明构建的地形因子校正模型，在较低空间分辨率的DEM数据中获得精度较高的L因子和S因子数据，提高土壤侵蚀模型估算的准确度。本发明期望获得更为准确的地形因子LS，有助于进一步精确估算某区域上土壤侵蚀量。

为实现上述目的，作为一个具体实施的例子，其包括以下步骤：

步骤1：确定90m分辨率SRTM3 DEM数据的地形因子优化模型，具体包括以下步骤：

步骤11：基于像元的坡度因子S的优化模型。

以流域为单位对90m分辨率的SRTM3 DEM计算的坡度因子S进行优化，即每个流域SRTM3 DEM计算的坡度因子加上一个调节常数后乘以一个特定优化系数：

S′_90，i＝f_s90(S_90，i+0.25) (1)

式中，S′_90，i为SRTM3 DEM计算某流域第i个像元的坡度因子的优化结果，i∈ {1，2，...，n}，n为该流域的像元总个数；f_s90为某流域90m分辨率SRTM3 DEM 计算坡度因子的优化系数，S_90，i为SRTM3 DEM计算的某流域第i个像元的坡度因子。因90m分辨率DEM和30m分辨率DEM差异的尺度差异大，公式1中S_90，i先加上一个调节常数0.25(经验确定)，再乘以优化系数f_s90。

优化系数f_s90的建模公式如下：

式中，σ_s90为90m分辨率SRTM3 DEM计算某流域坡度因子的标准差，则为该流域坡度因子的均值；sin为正弦三角函数。

步骤12：基于像元的坡长因子L的优化模型。

以流域为单位对90m分辨率的SRTM3 DEM计算的坡长因子L进行优化，即每个流域内SRTM3 DEM计算的坡长因子乘以一个该流域的优化系数：

式中，L′_90，i为90m分辨率SRTM3 DEM计算某流域第i个像元的坡长因子的优化结果；i∈{1，2，...，n}，n为该流域的像元总个数；f_L90为该流域SRTM3 DEM计算坡长因子的优化系数；L_90，i为SRTM3 DEM计算的该流域第i个像元的坡长因子。仅仅针对SRTM3 DEM计算的坡长因子L的流域均值在2以上的进行优化，如果小于2则不做优化。

优化系数f_L90的建模公式如下：

式中，L_cv90为90m分辨率SRTM3 DEM计算的该流域坡长因子的变异系数，f_L90为该流域SRTM3 DEM计算坡长因子的优化系数。

步骤2：确定研究目标区域，获取DEM数据，具体包括以下步骤：

步骤21：某区域侵蚀类型可以划分为东北黑土区(东北山地丘陵区)、北方风沙区(新甘蒙高原盆地区)、北方土石山区(北方山地丘陵区)、西北黄土高原区、南方红壤区(南方山地丘陵区)、西南紫色土区(四川盆地及周围山地丘陵区)和西南岩溶区(云贵高原区)。根据土壤侵蚀类型分区及区域地形地貌特征，在每个侵蚀类型区选择一个县作为土壤保持服务的典型区，即研究区域，共计9个典型区(见图2)。

步骤22：训练数据集为7个典型区的1:5万地形因子和90m分辨率SRTM3 DEM 数据，本发明在小流域尺度上对7个县(区)的地形数据进行率定优化。见下表1：

表1：9个典型县(市、区)表

步骤23：验证数据集为2个典型区的1:5万地形因子和90m分辨率SRTM3 DEM 数据，以及全球11个典型区的12.5m分辨率ALOS PALSAR DEM数据和90m分辨率SRTM3 DEM数据，见下表2，在小流域尺度上开展地形因子LS的率定优化。其中ALOS(Advanced Land ObservingSatellite)全称为卫星相控阵型L波段合成孔径雷达，ALOS PALSAR是免费的、开源的、覆盖全面的、12.5m分辨率DEM 数据的来源。

表2：全球11个典型区表

步骤3：处理步骤S2获取的数据，得到地形因子优化模型所需的相关参数，具体包括以下步骤：

采用LS工具处理步骤12中的地形数据，得到L因子、S因子和小流域划分栅格文件。借助ArcGIS10.2版本的软件，将小流域划分栅格文件转化为矢量文件，再根据目标区域尺度来确定小流域面积的阈值(如区县尺度小，定为50km²，全球11个典型区的尺度大，定为75km²)，将面积小于阈值的小流域合并到周围流域中，得到小流域划分的矢量文件。统计每个流域地形因子的特征指标，如流域面积、地形因子的平均值、标准差和变异系数等；

步骤4：使用步骤1的模型对训练数据集和验证数据集的90m分辨率SRTM3 DEM获得的LS因子值进行校正，经校正后的LS因子，与同区域的高分辨率DEM 数据计算得到的LS因子进行对比，评估校正模型的效用，具体包括以下步骤：

步骤41：训练数据集中某区域7个典型区(区或市)的L因子和S因子对比验证。

数据90m SRTM3 DEM计算地形因子优化后的结果与1：5万地形数据计算结果，二者近似一致(见图3和图4)。其中90m分辨率SRTM3 DEM计算的流域坡度因子平均为2.52，优化后的流域坡度因子平均为3.75，优化后均值与1:5万 DEM计算流域坡度因子平均值3.75一致。SRTM3 DEM计算的流域坡度因子与1:5 万DEM计算流域坡度因子平均绝对差异为1.23，但优化后的SRTM3 DEM计算坡度因子与1:5万DEM计算流域坡度因子平均绝对差异缩小到0.32，优化后平均绝对差异缩小了72.2％。

统计7个典型县(区或市)90m分辨率SRTM3 DEM计算的流域坡长因子均值，仅仅针对均值在2以上的流域坡长因子进行优化。SRTM3 DEM计算的各流域坡长因子平均为2.84，优化后的流域坡长因子平均为2.46，优化后均值与1:5 万DEM计算流域坡长因子平均值2.46一致(见图4)。SRTM3 DEM计算的流域坡长因子与1:5万DEM计算流域坡长因子平均绝对差异为0.392，但优化后的 SRTM3 DEM计算坡长因子与1:5万DEM计算流域坡长因子平均绝对差异缩小到 0.102，优化后平均绝对差异缩小了74.0％。

步骤42：进一步验证模型的广泛适用性，对验证数据集进行步骤3的操作，即对某一区域2个典型区(县)和全球11个典型区县的两种DEM数据进行LS 因子计算，处理生成小流域划分的矢量文件，并统计相关特征参数。采用步骤1 中的优化模型对SRTM3 DEM计算的地形因子进行优化，并与高分辨率DEM计算结果进行对比。

步骤43：某一区域2个典型区(县)的L因子和S因子对比验证。

坡度因子的优化前后对比显示(见图5)，验证区域90m分辨率SRTM3 DEM 计算的流域坡度因子平均为0.83，优化后的流域坡度因子平均为1.24，优化后均值与1:5万DEM计算流域坡度因子平均值1.23基本一致，但存在个别流域还是差别较大。SRTM3 DEM计算的流域坡度因子与1:5万DEM计算流域坡度因子平均绝对差异为0.41，但优化后的SRTM3 DEM计算坡度因子与1:5万DEM计算流域坡度因子平均绝对差异缩小到0.18，减小了55.7％。

坡长因子的优化前后对比显示(见图6)，验证区域仅针对SRTM3 DEM计算的流域坡长因子均值在2.0以上的流域进行对比分析。90m分辨率SRTM3 DEM 计算的流域坡长因子平均为2.40，优化后的流域坡长因子平均为2.18，优化后均值与1:5万DEM计算流域坡长因子平均值2.19基本一致，优化取得明显效果，但个别流域的差别还是较大。SRTM3 DEM计算的流域坡长因子与1:5万DEM计算流域坡长因子平均绝对差异为0.22，但优化后的SRTM3 DEM计算坡长因子与1:5 万DEM计算流域坡长因子平均绝对差异缩小到0.14，减小了35.3％。

证明本发明优化方法有效，优化后地形因子精度显著提升。

步骤44：全球11个典型区的L因子和S因子对比验证。

坡度因子的优化前后对比显示，验证区域90m分辨率SRTM3 DEM计算的流域坡度因子S优化后均值与12.5mALOS DEM计算流域坡度因子平均值基本一致，但存在个别流域还是差别较大。SRTM3 DEM计算的流域坡度因子S与12.5mALOS DEM计算流域坡度因子平均绝对差异为0.56，但优化后的SRTM3 DEM计算坡度因子S与12.5mALOS DEM计算流域坡度因子S平均绝对差异缩小到0.21，减小了62.01％。

坡长因子的优化前后对比显示，验证区域仅针对SRTM3 DEM计算的流域坡长因子均值在2.0以上的流域进行对比分析。90m分辨率SRTM3 DEM计算的流域坡长因子优化后均值与12.5mALOS DEM计算流域坡长因子平均值基本一致，但个别流域的差别还是较大。SRTM3 DEM计算的流域坡长因子与12.5mALOS DEM 计算流域坡长因子平均绝对差异为0.73，但优化后的SRTM3 DEM计算坡长因子与12.5mALOS DEM计算流域坡长因子平均绝对差异缩小到0.64，减小12.1％。

通过上面的对比可知，本发明优化方法有效，优化后地形因子精度显著提升。

进而，针对本发明的一个优选方式，本发明的校正方法还包括步骤5：将某一区域或全球陆地区域进行流域划分，使用校正模型进行地形因子优化，得到某一区域和全球较高精度的坡度因子图和坡长因子图，具体包括以下步骤：

步骤51：确定使用步骤1中的地形因子优化模型。

步骤52：确定研究区域为某个国家区域和/或者全球，数据源为90m分辨率 SRTM3DEM数据。

步骤53：采用LS工具处理步骤52中的数据并获取模型参数。

由于LS计算工具计算量的限制，将某个国家区域和全球陆地区域按大洲分割成数十个部分进行计算，其中各部分相连则有重叠区域(缓冲区)。经计算得到每个部分的坡度、坡长及坡度因子S和坡长因子；

依据研究区尺度确定的流域面积最小阈值为200km²，将每个部分划分成 200km²左右的流域，将面积小于最小阈值的小流域合并到临近的面积较大的流域中。对各部分的坡度、坡长及坡度因子和坡长因子等，分别进行拼接，分别得到某一区域和全球的坡度图、坡长图、坡度因子图和坡长因子图；对各部分的小流域划分图进行拼接，得到某一区域和全球的小流域划分矢量图。

基于某一区域和全球流域划分矢量图，分别统计得到某一区域和全球各流域的坡度因子和坡长因子等各指标的统计特征值，包括流域的平均值、标准差和变异系数。

步骤54：采用步骤1中建立的适用于全球的坡度因子优化模型和坡长因子优化模型，分别对地形因子进行优化，最终得到某一区域和全球较高精度的坡度因子图和坡长因子图。

下面以一个具体实施例对本发明的主要实施方案进行说明。

本发明实施例提供一种流域尺度上90m分辨率DEM数据地形因子的优化方法，包括：

步骤1：确定使用的优化模型，模型如下：

步骤11：基于像元的坡度因子优化模型。

以流域为单位对90m分辨率的SRTM3 DEM计算的坡度因子S进行优化，即每个流域SRTM3 DEM计算的坡度因子加上一个调节常数后乘以一个特定优化系数：

S′_90，i＝f_s90(S_90，i+0.25) (1)

式中，S′_90，i为SRTM3 DEM计算的某流域第i个像元的坡度因子的优化结果， i∈{1，2，...，n}，n为该流域的像元总个数；f_s90为某流域90m分辨率SRTM3 DEM计算的坡度因子的优化系数，S_90，i为SRTM3 DEM计算的某流域第i个像元的坡度因子。因90m分辨率DEM和30m分辨率DEM差异的尺度差异大，公式1中S_90，i先加上一个调节常数0.25(经验确定)，再乘以优化系数f_s90。

优化系数f_s90的建模公式如下：

式中，σ_s90为90m分辨率SRTM3 DEM计算某流域坡度因子的标准差，则为该流域坡度因子的均值；sin为正弦三角函数。

步骤12：基于像元的坡长因子的优化模型。

以流域为单位对90m分辨率的SRTM3 DEM计算的坡长因子进行优化，即每个流域内SRTM3 DEM计算的坡长因子乘以一个该流域的优化系数：

式中，L′_90，i为90m分辨率SRTM3 DEM计算的某流域第i个像元的坡长因子的优化结果；i∈{1，2，...，n}，n为该流域的像元总个数；f_L90为该流域SRTM3 DEM计算的坡长因子的优化系数；L_90，i为SRTM3 DEM计算的该流域第i个像元的坡长因子。仅仅针对SRTM3 DEM计算的坡长因子的流域均值在2以上的进行优化，如果小于2则不做优化。

优化系数f_L90的建模公式如下：

式中，L_cv90为90m分辨率SRTM3 DEM计算的该流域坡长因子的变异系数，f_L90为该流域SRTM3 DEM计算坡长因子的优化系数。

步骤2：确定典型研究区，获取DEM数据；

全球典型区中选定N_America-1区域作为实施例的研究区域。训练数据集采用SRTM3 DEM(90m分辨率)公开DEM数据，验证数据集采用12.5m分辨率的 ALOS DEM数据。

步骤3：采用LS工具处理研究区域的训练数据和验证数据，设置相应参数，其中汇流面积参数设为60000000，其他参数使用默认值，得到子流域划分栅格文件、坡度栅格文件、坡度因子栅格文件、坡长栅格文件、坡长因子栅格文件，加载到ArcGIS 10.2中，使用from raster to polygon工具将子流域划分栅格文件转为矢量文件，并使用Eliminate工具消除面积75km²阈值以下的小图斑合并到周边大流域内。使用Zonal Statistics asTable工具统计坡度因子、坡长因子的栅格文件的相关特征参数，如平均值、标准差、变异系数等。

步骤4：使用步骤1的模型对N_America-1典型区90mDEM获得的LS因子值进行校正，经校正后的LS因子，与同区域的12.5m ALOS DEM数据计算得到的 LS因子进行对比，发现校正模型效果良好；

由此可知，本发明构建的地形因子校正模型，在较低空间分辨率的DEM数据中获得精度较高的L因子和S因子数据，提高土壤侵蚀模型估算的准确度。与现有技术相比，本发明提出的提出一种基于流域划分以低分辨率DEM数据获取高精度的地形因子LS的优化/优化模型。由于高精度DEM数据难以获取，如若研究区为大尺度区域，则要求数据量大，数据处理繁琐且周期长，费时费力，本方法模型使用简便、精度高，大大缩短数据处理周期，有助于大尺度上快速高效的获取较为精确的LS因子值。相比于低分辨率DEM数据得到的LS因子精度来说，本方法在区域和流域尺度上都较为适用，前者由于空间分辨率粗糙，无法充分体现地形的变化及空间分异性，本方法按照流域划分建立LS因子的校正模型，进行降尺度处理，以期获得精度更高的回归模型，从而提高土壤侵蚀预报方程的精度。

以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (6)

1.一种全球地理高程数据90m分辨率DEM计算地形因子的校正方法，其特征在于，其包括以下步骤：

S1、创建90m分辨率SRTM3 DEM数据的地形因子优化模型：

所述地形因子优化模型包括基于像元的坡度因子优化模型及基于像元的坡长因子优化模型：

所述基于像元的坡度因子优化模型为：

S′_90,i＝f_s90(S_90,i+0.25) (1)

其中，S′_90,i为优化后的某流域第i个像元的坡度因子，i∈{1，2，...，n},n为该流域的像元总个数；f_s90为坡度因子优化系数，S_90,i为SRTM3 DEM计算的某流域第i个像元的原始坡度因子，σ_s90为SRTM3 DEM计算的某流域坡度因子的标准差,为SRTM3 DEM计算的某流域坡度因子的均值；

所述基于像元的坡长因子优化模型为：

其中，L′_90,i为优化后的某流域第i个像元的坡长因子；f_L90为坡长因子优化系数；L_90,i为SRTM3 DEM计算的某流域第i个像元的原始坡长因子，L_cv90为SRTM3DEM计算的某流域坡长因子的变异系数；

S2、获取待优化目标流域的90m分辨率SRTM3 DEM数据；

S3、处理步骤S2获取的数据，得到地形因子优化模型所需的相关参数；

所述相关参数包括目标区域各流域的坡度因子标准差σ_s90、坡度因子均值和SRTM3DEM计算的某流域坡长因子的变异系数L_cv90；

S4、根据步骤S1中的地形因子优化模型及步骤S3得到的相关参数对数据中基于像元的原始坡度因子S_90,i及原始坡长因子L_90,i进行优化，得到优化后地形因子S′_90,i及L′_90,i。

2.根据权利要求1所述的全球地理高程数据90m分辨率DEM计算地形因子的校正方法，其特征在于，所述步骤S2中的数据包括某流域第i个像元的坡度因子S_90,i及某流域第i个像元的坡长因子L_90,i。

3.根据权利要求1所述的全球地理高程数据90m分辨率DEM计算地形因子的校正方法，其特征在于，所述步骤S3具体为：

S31、处理收集到的90m分辨率ASTER GDEM数据，得到目标流域的子流域划分栅格文件、坡度栅格文件、坡度因子栅格文件、坡长栅格文件和坡长因子栅格文件；

S32、将子流域划分栅格文件转化为流域面积大于最小阈值的子流域划分矢量文件；

S33、以子流域划分矢量文件来统计各个小流域内坡度因子栅格文件、坡长因子栅格文件的模型所需的相关参数，得到平均值标准差σ_s90和SRTM3DEM计算的某流域坡长因子的变异系数L_cv90。

4.根据权利要求3所述的全球地理高程数据90m分辨率DEM计算地形因子的校正方法，其特征在于，所述步骤S31采用LS计算工具处理收集到的90m分辨率ASTER GDEM数据。

5.根据权利要求3所述的全球地理高程数据90m分辨率DEM计算地形因子的校正方法，其特征在于，所述步骤S33中流域面积的最小阈值根据目标区域尺度确定。

6.根据权利要求3所述的全球地理高程数据90m分辨率DEM计算地形因子的校正方法，其特征在于，所述步骤S33中还包括将面积小于阈值的小流域合并入周围流域内。