ArcGIS实战：两种DEM空缺值修复方案的场景化选择与效果对比

1. DEM数据空缺值处理的常见场景与挑战

数字高程模型（DEM）是地理信息系统中最基础也最重要的数据之一。在实际项目中，我们经常会遇到DEM数据存在空缺值的情况，就像衣服上出现了破洞，需要找到合适的"补丁"来修复。这些空缺值可能来源于传感器故障、云层遮挡、数据拼接缝隙等多种原因。

我处理过不少DEM数据修复的项目，发现空缺值主要分为两种典型场景：第一种是大范围的整片缺失，比如HMA数据中常见的连续空白区域；第二种是小范围的细碎缺失，就像数据表面散布的"芝麻点"。不同的缺失类型需要采用不同的修复策略，否则很容易出现"补丁比破洞还难看"的情况。

除了缺失范围的大小，修复方案的选择还需要考虑项目对数据精度的要求。有些项目强调地形的连续性，比如水文分析或视线分析；而有些项目则更看重数据的真实性，比如地质建模或工程量计算。这就好比修补衣服，日常穿着更注重美观，而工作服则更看重实用性。

2. 栅格镶嵌法的原理与实战操作

2.1 方法原理与适用场景

栅格镶嵌法就像是用另一块布料来修补衣服上的破洞。具体来说，就是使用其他来源的完整DEM数据来填补当前数据的空缺区域。这种方法特别适合处理大范围的整片缺失，尤其是当你能获取到同区域其他分辨率的DEM数据时。

我在一个山区地形分析项目中就成功运用了这个方法。当时使用的12米分辨率DEM有大片云层遮挡造成的缺失，而项目对地形连续性要求很高。我们采用了30米的SRTM数据作为补充，虽然分辨率有所下降，但保证了地形的整体连贯性。

栅格镶嵌法的优势在于：

• 填充值来自真实测量数据，可信度高
• 能处理大范围的缺失区域
• 操作简单直接，计算量相对较小

但要注意的是，这种方法存在明显的分辨率匹配问题。就像用粗布补细布，小范围的修补会显得特别突兀。

2.2 详细操作步骤

在ArcGIS Pro中实施栅格镶嵌的完整流程如下：

1. 准备数据：确保备用DEM与原始DEM使用相同的坐标系统
2. 打开"镶嵌至新栅格"工具（位于数据管理工具箱→栅格→栅格数据集）
3. 添加输入栅格时，建议先添加主DEM，再添加补充DEM
4. 关键参数设置：
   • 输出位置：指定结果保存路径
   • 像素类型：保持与输入一致
   • 波段数：通常为1
   • 镶嵌运算符：建议选择"FIRST"（优先保留第一个输入的值）
5. 运行工具并检查结果

python复制# 示例：使用ArcPy实现栅格镶嵌
import arcpy
from arcpy.sa import *

# 设置工作空间
arcpy.env.workspace = "C:/DEM_Data"

# 执行镶嵌
arcpy.MosaicToNewRaster_management(
    input_rasters=["HMA_8m.tif", "SRTM_30m.tif"],
    output_location="C:/Output",
    raster_dataset_name_with_extension="Mosaic_DEM.tif",
    coordinate_system_for_the_raster="PROJCS['WGS_1984_UTM_Zone_50N']",
    pixel_type="32_BIT_FLOAT",
    cellsize=8,
    number_of_bands=1,
    mosaic_method="FIRST",
    mosaic_colormap_mode="MATCH"
)

2.3 效果评估与典型问题

通过对比原始DEM和镶嵌结果的hillshade图，可以清晰评估修复效果。在我的经验中，大范围修复的效果通常不错，但小范围修复会出现明显的"台阶效应"。

常见问题及解决方案：

1. 边缘锯齿明显：尝试在镶嵌工具中启用"边界平滑"选项
2. 色差问题：使用"直方图匹配"功能改善视觉效果
3. 分辨率下降：考虑后续使用重采样工具提升显示效果

3. 高程空填充函数法的深度解析

3.1 算法原理与技术特点

高程空填充函数法更像是用绣花的方式来修补衣物。它基于现有数据，通过空间插值算法来估算空缺位置的高程值。ArcGIS中采用的是改进的反距离加权（IDW）算法，会考虑周边多个有效像素的影响。

这种方法特别适合处理：

• 小范围的细碎缺失（单个像素或几个像素的缺口）
• 对地形平滑度要求高的场景
• 缺乏辅助DEM数据的情况

我在城市微地形分析中就经常使用这个方法。比如处理LiDAR数据时，建筑物造成的微小数据缺口用这种方法修复后，地表连续性非常好。

3.2 分步操作指南

在ArcGIS Pro中使用高程空填充函数的完整流程：

1. 打开影像分析窗口（视图→窗格→影像分析）
2. 加载待修复的DEM数据
3. 右键点击数据，选择"函数编辑器"
4. 在函数链中添加"高程空填充"函数
5. 关键参数设置：
   • 搜索距离：通常设为3-5个像素
   • 平滑系数：建议从0.5开始尝试
   • 边缘处理：选择"自然邻域"效果较好
6. 应用函数并保存结果

python复制# 使用ArcPy应用高程空填充函数
dem_raster = arcpy.Raster("HMA_8m.tif")
filled_dem = arcpy.sa.FillMissingValues(
    in_raster=dem_raster,
    filter_size=5,
    smooth_factor=0.5,
    fill_method="NATURAL_NEIGHBOR"
)
filled_dem.save("C:/Output/Filled_DEM.tif")

3.3 效果对比与局限性

通过对比实验可以发现，对于小范围缺失，高程空填充的效果明显优于栅格镶嵌。修复区域的过渡更自然，不会出现明显的边界效应。

但这种方法有三个主要局限：

1. 大范围缺失时会产生不真实的"平滑盆地"
2. 填充值没有实测依据，不适合精度要求高的计算
3. 复杂地形区域可能出现过度平滑的问题

我曾在一个峡谷地区项目中就遇到过这种情况，插值结果完全抹平了重要的微地形特征，导致水文分析结果失真。

4. 场景化选择与决策指南

4.1 决策树构建

基于大量项目经验，我总结出以下选择标准：

1. 首先评估缺失范围：

   • 单个像素或小集群缺失（<10个像素）→ 高程空填充
   • 大块连续缺失（>100像素）→ 栅格镶嵌
   • 中等范围缺失 → 考虑混合方案

2. 其次考虑精度要求：

   • 强调视觉连续性 → 优先高程空填充
   • 强调数据真实性 → 优先栅格镶嵌

3. 最后评估数据可获得性：

   • 有辅助DEM → 栅格镶嵌
   • 无辅助数据 → 只能使用高程空填充

4.2 混合方案与进阶技巧

在某些复杂场景下，可以组合使用两种方法：

1. 先用栅格镶嵌处理大块缺失
2. 再用高程空填充处理剩余的小缺口
3. 最后使用焦点统计工具平滑过渡带

python复制# 混合处理方案示例
# 第一步：栅格镶嵌
mosaic_dem = arcpy.MosaicToNewRaster_management(...)

# 第二步：高程空填充
temp_filled = arcpy.sa.FillMissingValues(mosaic_dem,...)

# 第三步：边缘平滑
final_dem = arcpy.sa.FocalStatistics(
    temp_filled,
    neighborhood="Circle 3 CELL",
    statistics_type="MEAN"
)

4.3 质量检查与验证方法

无论采用哪种方法，修复后都应该进行严格检查：

1. 视觉检查：

   • 生成hillshade图多角度查看
   • 使用色带拉伸突出过渡区域

2. 统计检查：

   • 比较修复区域与周边统计特征
   • 检查高程变化率是否合理

3. 应用验证：

   • 在实际分析流程中测试修复效果
   • 对比不同方案的结果差异

我在项目中通常会保存多个修复版本，在实际分析中比较它们的结果差异，选择影响最小的方案。