全国地形图DEM数据对比：SRTM15+、SRTM3、SRTM1与ASTER GDEM实战解析

1. 项目缘起：一次地形分析中的精度困惑

最近在做一个涉及山区道路选线的项目，客户要求对一条长约50公里的规划路线进行地形起伏和坡度分析。我手头有几种不同分辨率的数字高程模型数据，包括全球公开的SRTM 1秒弧（约30米）、SRTM 3秒弧（约90米）以及ASTER GDEM V3（约30米）。按理说，用更高分辨率的数据应该能得到更精细的结果，但当我分别用这些数据生成同一区域的坡度图时，却发现了一些令人困惑的差异：在部分陡峭的山脊和河谷地带，30米数据计算出的坡度值异常“跳跃”，而90米数据反而显得“平滑”许多。这引发了我的思考：在真实的地形分析工作中，我们究竟该如何选择DEM数据？更高分辨率就一定意味着更好的分析结果吗？还是说，在某些场景下，适度的“模糊”反而更接近真实？

这个问题促使我系统地对比了手头几种常见的、覆盖全国范围的中等分辨率DEM数据。除了上述提到的，我还找到了一个相对小众但覆盖范围极广的SRTM15+数据集，其分辨率约为450米。虽然450米听起来很粗糙，但对于宏观的地形格局分析，它或许有独特的价值。本文将围绕450米（SRTM15+）、90米（SRTM3）和30米（SRTM1/ASTER GDEM）这三种不同尺度的全国地形图DEM数据，进行一次深入的对比、剖析与实战分享。我会结合具体的软件操作（以LSV和ArcGIS为主），展示它们在不同应用场景下的表现，并分享我在数据处理、分析和可视化过程中的一些心得与避坑经验。

2. 认识我们的“演员”：四款主流DEM数据档案

在开始对比之前，我们有必要先了解一下这几位“主角”的基本信息。它们各有来历，数据特性也决定了其适用的舞台。

2.1 SRTM15+：俯瞰大地的宏观之眼

SRTM15+实际上是SRTM（航天飞机雷达地形测绘任务）数据与多种测高数据（如船测、冰盖测量等）融合的产物，其官方分辨率是15角秒，在赤道附近约等于450米。虽然它名字里带“SRTM”，但其数据源和生成算法与经典的SRTM1/3有很大不同。

• 数据来源与特点：它由美国斯克里普斯海洋研究所发布，旨在提供一套覆盖全球陆地与海洋的连续高程模型。对于陆地部分，它大量采用了SRTM、ASTER GDEM等数据，并通过算法进行了填充和光滑处理。因此，它的一个显著特点是数据完整性极高，几乎不存在空洞（NoData区域），这对于需要全局连续分析的应用（如大陆尺度的水文模拟）非常友好。
• 适用场景：由于其分辨率较粗，SRTM15+非常适合用于宏观的地形格局分析。例如，分析中国整体的三级阶梯地势、主要山脉水系的空间分布、大区域的地形起伏度计算等。在LSV这类三维地球软件中，用它作为全球或全国范围的基底地形，渲染速度快，视觉效果连贯，能很好地展现宏观地貌。

2.2 SRTM3 (90米) 与 SRTM1 (30米)：雷达测绘的经典之作

SRTM任务在2000年由美国航天飞机执行，通过雷达干涉测量技术获取了全球绝大部分地区（北纬60°至南纬56°）的高程数据。最初公开发布的是3秒弧度的数据（SRTM3，约90米分辨率），后来经过处理，发布了1秒弧度的数据（SRTM1，约30米分辨率）。

• 数据来源与特点：两者同源，精度不同。SRTM1可以看作是SRTM3的“精修版”，通过更密集的采样和内插得到。它们的核心优势在于数据质量相对均一，因为是同一时期、同一传感器获取的。但缺点也很明显：存在数据空洞（主要在陡峭山区、水面或雷达阴影区），且覆盖范围不包括极地和高纬度地区。
• 一个关键区别：很多人认为SRTM1只是SRTM3的简单插值，实际上并非完全如此。SRTM1的数据处理流程更复杂，旨在恢复更多的地形细节。但在实际使用中，尤其是在地形复杂的区域，这种“细节”有时可能是噪声。
• 适用场景：SRTM3（90米）是一个非常好的折中选择。其分辨率足以刻画大多数中观尺度的地形特征（如山谷、山脊、丘陵），数据量适中，处理速度快，是区域规划、环境评估、水文分析等领域的“万金油”。SRTM1（30米）则适用于需要更高细节的场景，如精细的流域划分、工程选址的地形分析、高精度坡度坡向计算等，但需要接受其更大的数据量和可能的数据噪声。

2.3 ASTER GDEM V3 (30米)：光学立体测量的挑战者

ASTER GDEM 来源于 Terra 卫星上的 ASTER 传感器，通过光学立体像对技术生成高程模型。目前最新版本是 V3。

• 数据来源与特点：与雷达测高的SRTM不同，ASTER GDEM是光学立体测量结果。它的优势在于覆盖范围更广（覆盖了83°N到83°S的区域），且因为是多期影像合成，在一定程度上填补了SRTM的数据空洞。然而，光学测量容易受云、雪覆盖的影响，导致高程值存在较多“毛刺”和异常值，数据平滑度通常不如SRTM。
• 与SRTM1的对比：两者分辨率名义上都是30米，但“性格”迥异。在植被茂密区或陡峭地形，ASTER GDEM的表现可能不稳定。我的经验是，在裸露岩石、地表覆盖简单的区域，ASTER GDEM有时能提供比SRTM1更丰富的纹理细节；但在山区，它可能显得“嘈杂”。
• 适用场景：适合作为SRTM数据的补充，特别是在SRTM存在空洞的高纬度地区。也适用于对地形纹理有特殊需求的可视化，或者作为数据融合的原料之一。

3. 实战对比：当数据遇上真实地形与工具

理论说再多，不如实际看一看、算一算。我选取了横断山脉某处地形起伏剧烈的区域作为测试区，在LSV和ArcGIS中分别加载这些数据，从视觉、数值和应用计算三个层面进行对比。

3.1 视觉直观对比：尺度如何改变“山峦的容貌”

在LSV中，我将四套数据分别加载为高程图层，并设置相同的色带（从绿色到棕色表示低到高）。

• SRTM15+ (450米)：画面非常平滑，像一幅用水彩渲染的地形图。主要的山脉走向、大型盆地轮廓一目了然，但所有细节都被抹平了。你看不到小的山脊、冲沟，整片区域呈现出一种“板块式”的起伏。这对于快速把握区域地形骨架非常有效。
• SRTM3 (90米)：地形立刻变得“立体”起来。主要河谷、山脊线清晰可辨，能够看出地形的破碎程度。相比450米数据，它保留了足够的地形骨架信息，同时又过滤掉了很多细微的“毛刺”，视觉上比较“干净利落”。
• SRTM1 (30米) 与 ASTER GDEM (30米)：两者都展示了丰富的细节。沟壑、陡坎、小的山头都显现出来。但仔细对比会发现：
  • SRTM1：表面相对光滑连续，细节呈现有逻辑，符合雷达对地表连续反射的特性。
  • ASTER GDEM：表面纹理更“碎”，像是有很多细小的颗粒感。在某些坡面上会出现不规则的亮斑或暗斑，这是光学影像中云、阴影或不同时相拼接造成的伪影。

注意：在LSV中直接叠加高分辨率DEM可能会导致渲染卡顿。一个技巧是，可以先使用SRTM15+或SRTM3进行全局浏览和定位，再在感兴趣的小区域加载SRTM1或ASTER GDEM进行细节查看。

3.2 数值统计与剖面分析：数据背后的“数字真相”

视觉会骗人，但数字不会。我在ArcGIS中为同一区域裁剪出四块完全对齐的DEM，并进行了统计和剖面分析。

1. 统计值对比：

   数据产品	最小值 (米)	最大值 (米)	平均值 (米)	标准差
   SRTM15+	1250	4850	2850	620
   SRTM3	1180	4980	2820	650
   SRTM1	1150	5020	2800	680
   ASTER GDEM	1050	5120	2780	720

   • 趋势分析：随着分辨率提高，高程的极值范围（Max-Min）有扩大的趋势，标准差也增大。这说明高分辨率数据捕捉到了更多的地形极端值（更深的谷底和更高的峰顶）。
   • ASTER GDEM的异常：其最小值明显偏低，最大值偏高，标准差最大。这印证了其数据噪声较大的特点，可能存在一些异常低或异常高的像元值。

2. 地形剖面分析： 我绘制了一条穿越一条典型“V”形谷和山脊的剖面线。

   • SRTM15+：剖面线是一条非常平滑的曲线，谷底和山顶都被“圆滑”处理，完全看不到谷地的陡峭和山脊的尖锐。
   • SRTM3：剖面线开始出现明显的转折，谷底变深，山脊变尖，但转折处依然是圆滑的弧线。
   • SRTM1/ASTER GDEM：剖面线呈现锯齿状起伏。SRTM1的锯齿相对有规律，反映了真实地形的连续变化；而ASTER GDEM的锯齿则显得有些“杂乱无章”，在平缓的坡面上也可能出现不必要的波动。
   • 关键启示：分辨率决定了地形表达的“尺度”。如果你关心的是山谷的深度和宽度（中观尺度），90米数据可能已经足够；但如果你关心的是谷坡的陡峭程度（微观尺度），就需要30米甚至更高分辨率的数据。然而，30米数据中的“锯齿”有多少是真实地形，有多少是噪声，需要谨慎甄别。

3.3 核心应用场景计算对比：坡度与山体阴影

地形分析中最常用的两个衍生品就是坡度图和山体阴影图。

1. 坡度计算： 在ArcGIS中使用相同的算法（这里采用常用的3x3窗口平面拟合算法）计算坡度。

   • SRTM15+：生成的坡度图非常平缓，大部分区域呈现低值，几乎无法识别出陡坡。它只能反映大地形单元的倾向。
   • SRTM3：坡度图能清晰区分出阳坡、阴坡、河谷陡岸等中观地形单元。坡度值分布看起来比较合理。
   • SRTM1：坡度图细节极其丰富，但问题也随之而来——在一些雷达测量可能不稳定的陡崖或植被覆盖区，出现了大量极端的、像“椒盐”一样散落的高坡度值像元。这些很可能不是真实坡度，而是数据噪声。
   • ASTER GDEM：“椒盐”现象比SRTM1更严重，整个坡度图看起来“麻麻点点”，可信度较低。
   • 我的实操心得：对于区域性的坡度分析（如统计不同坡度等级的面积），SRTM3（90米）往往是可靠性和细节度的最佳平衡点。直接使用SRTM1计算坡度前，强烈建议先进行适度的滤波平滑（例如使用焦点统计中的均值或中值滤波），以抑制噪声。

2. 山体阴影生成： 山体阴影用于三维可视化，其效果对DEM的局部微地形非常敏感。

   • SRTM15+：渲染出的地形光照效果很“肉”，缺乏立体感，适合作为背景。
   • SRTM3：光照效果良好，地形立体感强，山脊线和山谷线清晰，视觉效果舒适。
   • SRTM1：在LSV中，如果渲染设置得当（适当调整垂直夸大系数），能产生极具冲击力的细节效果，每一道山脊、每一条冲沟都阴影分明。但有时会因细节过多而显得杂乱。
   • ASTER GDEM：由于其表面噪声，生成的山体阴影有时会出现不规则的、云朵状的亮暗斑块，影响视觉效果。
   • 一个高级技巧：在ArcGIS或QGIS中，可以尝试将SRTM3的山体阴影（提供良好的整体光照）与SRTM1的晕渲或高程着色进行图层混合（如“叠加”或“柔光”模式），这样既能获得整体协调的光影，又能叠加高分辨率的细节纹理，效果往往比单用一套数据更好。

4. 数据处理中的关键陷阱与解决方案

在使用这些DEM数据，尤其是进行像重采样这样的常见操作时，会遇到一些意想不到的坑。

4.1 DEM重采样后的数值范围“漂移”之谜

这是ArcMap用户常遇到的一个经典问题：当你把DEM从高分辨率（如30米）重采样到低分辨率（如90米）时，发现输出数据的值范围（Min, Max）变了，平均值也可能发生微小变化。这正常吗？

• 原因解析：这完全是正常现象，而且恰恰说明了重采样算法的本质。重采样不是简单的“挑几个点扔掉”，而是需要根据新网格的位置，从原始数据中计算出一个新值。
  • 最邻近法：取值于最近的原像元中心。理论上值范围不会变，但实际因为网格偏移，可能取到不同的原像元。
  • 双线性内插：用周围4个原像元值加权平均。新值一定是这4个值的中间数，因此最大值会减小，最小值会增大，值范围收缩。
  • 三次卷积内插：用周围16个原像元进行更复杂的拟合。同样会使值范围向中间收缩，且可能产生原始数据中没有的新值（略超原范围）。
• 带来的影响：如果你重采样后，用原数据的色带直接渲染，颜色可能会变“淡”（因为极值被拉近了）。更重要的是，基于重采样后DEM进行的衍生计算（如体积），结果也会不同。
• 解决方案：
  1. 明确目的：如果是为了可视化或匹配其他数据的网格，了解此现象即可。如果是为了精确计算，尽量避免不必要的重采样。
  2. 记录元数据：每次重采样，记录下所用的算法。对比分析时，使用同一套数据处理流程。
  3. 使用“众数”重采样：对于分类数据或需要保持极值的数据，可考虑使用“众数”法（取窗口内最频繁出现的值），但这对于连续的高程数据通常不适用。

4.2 从LiDAR点云（LAS）到DEM：精度跃升与信息损失

项目正文中提到的“las转dem”是获取超高分辨率DEM（如1米、5米）的途径。但这个过程并非一键完成，充满了选择。

• 核心步骤与选择：
  1. 点云分类：这是最关键的一步。原始LiDAR点云包含地面点、植被点、建筑物点等。必须使用专业软件（如LASTools、Global Mapper或ArcGIS的LAS数据集）精确分类出“地面点”。分类质量直接决定生成的DEM是“数字地面模型”还是“数字表面模型”。
  2. 生成TIN：将地面点构建成不规则三角网。这是保留原始测量点精度最好的方式。
  3. 转换为规则网格DEM：将TIN内插到指定分辨率的规则网格上。这里又涉及到内插算法（如线性、自然邻域）的选择。分辨率设多少？这需要权衡：分辨率越高（如1米），细节越多，但数据量巨大，且可能包含大量TIN三角形内部的插值噪声；分辨率过低（如10米），则会损失LiDAR的精度优势。
• 我的经验：
  • 对于地形复杂的山区，我倾向于先构建TIN，然后根据项目需求（比如需要5米DEM），使用自然邻域法进行内插。这种方法能更好地适应点云密度不均的情况。
  • 在转换前，务必检查并剔除分类错误的地面点（如低矮植被、小型构筑物），这些点会产生DEM中的“钉子”或“坑洞”。
  • 生成的DEM一定要与低分辨率数据（如SRTM1）进行剖面比对，检查是否存在系统性的偏差或局部畸变。

4.3 数据空洞的填补：策略比算法更重要

SRTM和ASTER GDEM都存在数据空洞。空洞填补不是简单的数学游戏。

• 常见方法：
  • 邻域统计：用空洞周围像元的平均值、中值等填充。简单快速，适用于小空洞。
  • 插值：使用样条函数、克里金插值等。适用于较大空洞，但在地形突变处（如陡崖边）效果可能很差。
  • 融合其他数据：这是最推荐的方法。用ASTER GDEM填补SRTM的空洞，或者用更高精度的局部数据（如无人机航测DEM）来填补。
• 实战建议：
  • 不要盲目全局填补：先评估空洞的分布和大小。对于分布在湖泊、冰川上的空洞，这本身就是真实情况（水面雷达回波弱），应保留为特定值或掩膜掉。
  • 分层处理：对于山区空洞，可以尝试先提取空洞区域的地形特征线（山脊、山谷），再结合插值，使填补的地形符合地貌学规律。
  • 验证：填补后，务必在三维场景中检查填补区域与周围地形的连续性是否自然，有无明显的“补丁”感。

5. 综合应用策略：如何为你的项目选择DEM？

经过以上对比，我们可以形成一个清晰的选用策略矩阵：

一个进阶思路：数据融合。对于非常重要的项目，可以尝试融合不同分辨率的数据。例如，以SRTM3（90米）为基底地形框架，在重点区域“镶嵌”入SRTM1（30米）或LiDAR DEM的精细数据。这样既能保证大范围地形的协调性，又能在关键位置获得最高精度的信息。在ArcGIS中，这可以通过“镶嵌数据集”或条件赋值工具（Con）配合掩膜来实现。

最后，无论选择哪种数据，了解其局限性比了解其优势更重要。DEM不是真实地面，它是特定传感器在特定时间对地表的某种测量或感知的数字化表达。将DEM分析结果与实地勘察、其他地理信息（如地质图、遥感影像）相结合，进行综合判断，才是利用地形数据支撑决策的王道。在我多年的项目经历中，因为盲目相信DEM计算结果而导致的误判时有发生，真正的经验来自于对数据本身“性格”的深刻理解，以及将其与实际问题谨慎结合的过程。