水系网提取方法综合研究

苏丹丹，，孟颖晨，刘佳玮，项晏琳

（1.长春师范学院城市与环境科学学院，吉林长春 130032；2.吉林大学综合信息矿产预测研究所，吉林长春 130026）

水系网提取方法综合研究

苏丹丹1，2，孟颖晨1，刘佳玮1，项晏琳1

（1.长春师范学院城市与环境科学学院，吉林长春 130032；2.吉林大学综合信息矿产预测研究所，吉林长春 130026）

在大范围的平坦区域提取水系网时往往存在一定误差，在中、低分辨率的DEM中提取水系网时尤为明显。本文针对这一情况，分别对基于传统提取水系网方法、基于数据结构原理、基于数学概率的多种改进方法进行分类研究，详细论述分类后各方法在提取水系网时的优点，以期对以后的研究提供参考。

水系网；数字河流湖泊网络；流燃烧；基准区域增长方法

数字高程模型（DEM）包含了用于水系网研究的高程信息。DEM的精确度依赖于插值方法和输入高程数据的间隔尺度。由于插值错误和没有输入足够的数据，DEM中通常包含有假坑和平坦地区。最为普遍使用的方法是通过提高坑的高程数值，使其达到它周围区域中的最低水平，然后通过产生的平坦地区来追踪流向。这些方法在坑的移除过程中，由于插值的错误和平坦地区的生成，产生了坑的问题。而且，在中、低分辨率的DEM中提取水系网时，这个问题尤为明显。本文主要针对这一情况，分别对基于传统提取水系网方法、基于数据结构原理、基于数学概率的多种改进方法进行分类研究，详细论述分类后各方法在提取水系网时的优点，以期对以后的研究提供有力参考。

1 基于传统提取水系网方法的改进方法研究

1.1 基于传统D8方法的改进方法研究

传统D8方法，又称确定水流模型方法，被广泛应用于计算水流方向。这种方法是在一个栅格DEM中做3×3单元格，选择中心单元格以外的8个单元格中有最大下降坡度的单元格方向为水流流向。由于受到8个方向的选择限制，所以在低分辨率的大范围内的平坦区域确定出来的水流方向与实际流向有很大的偏差。本文详细讨论传统D8方法分别与数字河流湖泊网络（DRLN）、流燃烧方法、基准区域增长方法（CBRGM）相结合产生的方法，尽量减少偏差，使其有效地解决这个问题。

1.1.1 传统D8方法结合数字河流湖泊网络（DRLN）的改进方法研究

由于传统D8方法在平面区域和凹陷区域提取水系网存在局限性和不足，而且也无法在平原地区区分湖泊。为了避免这些问题，一种新方法被提出来。这种方法在很大程度上是根植于D8的方法，采用DRLN纠正仿制水流方向，并且进行水流模型计算。对于与DRLN重叠的DEM单元，流动的方向使用DRLN连接来进行确定，其他DEM单元的流动方向使用D8方法确定[1]。D8方法使用一个被修改过的DEM，作为DRLN的函数的一个距离。该方法已在Chaudie测试，提取的水系网与DRLN相比表现出高度的一致性，计算流程图如下（图1）。

1.1.2 传统D8方法结合流燃烧技术的改进方法研究

要求准确地划定数字流域界限，是一项常规必要任务。在提取流域划分时，有无数的流域区划方法，但最准确的实现还是使用了“水文”和“高程”这两个增强数据集。而传统D8方法结合流燃烧技术的改进方法，能够有效地提高边界提取的准确性，完成流域水文网络成为数字高程模型，从而确保地形遵守河流网络，这个过程就叫流燃烧[2]。这种流向增强方法用于分水岭分析有以下三个主要的优点：生成一个非常精确的流向网格；整个过程容易实现，并且结果可以直接被用于已有的D8分水岭软件；新的流向网格有利于非常精确地捕获分区，确定水系网边界。

1.1.3 传统D8方法结合基准区域增长方法（CBRGM）的改进方法研究

一个分水岭的DEM可以被用来获取各种参数，如陆上流向、流动积累以及区域流动汇聚于任意一点。一个DEM的分辨率和质量对于获取这些参数的精确度有着很重要的影响。应用插值方法、减少DEM精度产生坑和平坦区域的方法会加剧高程信息不足，使得流动追踪变得更为困难。由于地形残余起伏，上面提到的三种问题就会更为突出。所以尝试将传统D8方法与基准区域增长方法相结合[3]，减少上面三种问题带来的影响。这种改进方法有以下主要优点：可以使用低分辨率数据库进行流动追踪；适用于残余起伏地形；适用于大型平坦区域。

图1 传统D8方法结合数字河流湖泊网络（DRLN）的改进方法计算流程图

1.2 基于传统TIN方法的改进方法研究

1.2.1 基于传统TIN方法的自适应平滑算法

这种自适应平滑算法，主要是从一个DEM中消除各种Strahler序列排水线的山谷，因此能够在一个地形中恢复局部的、区域的走向[4]。这种方法主要包括两个阶段：提取高密度的水系网和山脊线；用TIN给山脊线高程进行插值。

这种平滑方法相对于传统平滑方法的优势在于，它不要求预定义平滑参数，因此它更加符合地形图。另一个优点是平滑方法由地形的物理水文属性所控制。但是，平滑算法依赖于山脊线的几何形状和密度，并且应用了用户定义的河道序列，而且这种方法需要数字化提取的高密度河道和山脊线网络。

1.2.2 基于传统TIN方法的泛化DEM地形分析复合算法

这种算法的关键是重建网格表面高程数据，来形成不规则三角网(TIN)，优化保持重要地形特征、边形态以及少量的样本点。地形表面的关键控制点是从基于它们意义的DEM中提取的，不仅要测量局部分辨率,而且凭它们的重要性来识别在DEM中的内在地貌、排水特征。图2、3为研究区DEM图，图4为研究区关键点选取图[5]。

这种复合方法结合传统的附加点和特征点方法，就可以构建一个受限的排水不规则三角网。结果表明，复合方法能够利用附加点和特征点最大限度地保持算法地形特征，并且保持RMSE在一个合理的水平，进而减少99%以上高程数据点。图5和图6分别显示不受限排水网的TIN和受限排水网的TIN。

2 基于数据结构原理的水系网提取方法研究

这里提到的数据结构原理，主要是指路径优先搜索算法。传统D8方法在高分辨率的小范围的排水区域可以运行得很好，但是不能划定出主要的水系网。这就产生一些DEM数据的固有问题，关系到水系网分析。平坦区域和假坑会在分析中产生一定的问题，这与位于网格边缘的盆地相结合，就更难于分析。而基于数据结构原理的水系网提取方法优势如下：基于优先搜索权重曲线图而确立的算法，其实就是使用优先搜索算法（PFS）来为坑找到出口。然后从出口处沿着PFS路径回溯到高程的开始点，从而进行水系网校正，排除假坑和平坦区域，有效地生成连续的、有明确梯度的水系网[6]。另外，该方法可以定义内部盆地，并且限制排水位置。PFS可以很好地为中等分辨率地区划分排水区域。

图2 研究区DEM（1091×892单元格；单元格大小5米）

图3 研究区比较DEM（2134×1821单元格；单元格大小5米）

图4 研究区选取的关键点（绿色点为Z最大差算法获得，洋红点为补充的水流点）

图5 不受限的排水网的TIN

图6 受限的排水网的TIN

3 基于数学概率的水系网提取方法研究

该方法考虑使用逆概率地图作为伪DEM，然后从中提取水系网[7]。参考网络是用来评估提取水系网的空间匹配，使用欧氏距离作为比较简单的参数。从逆概率地图中提取的网络最接近参考值。这种误差建模概率方法的使用，显著增加提取水系网的可能性数值，并且与地面参考数据相匹配。这项研究提供一种可选择的方法来提取水系网，考虑非渠道可能性地图作为伪DEM。因此，通过模拟DEM错误，获取的水系网最大化地拥有河流的可能性。充填方法的影响表现在，在更均匀地貌考虑水系和地图的逆概率。用最优混合法处理数据，提供最可能的水系网，非常接近参考网络。分析分布的可能性，给出提取水系网的不确定性和结果的确认性。提取最有可能的网络，指示定位，在地形中找出特征的最大可能性。

4 结论

在大范围的平坦区域提取水系网时往往存在一定误差，在中、低分辨率的DEM中提取水系网时尤为明显。本文主要针对这一情况，分别对基于传统提取水系网方法、基于数据结构原理、基于数学概率的多种改进方法进行分类研究，得到如下结论：

（1）基于传统D8方法的改进方法除了可以减少在平坦区域和凹陷区域产生的误差以外，还有以下突出优点：传统D8方法与DRLN相结合的改进方法，可以在仿制网络里识别湖泊；传统D8方法与流燃烧方法结合的改进方法可以准确捕获分区，划定水系网边界；传统D8方法与CBRGM相结合的改进方法特别适用于低分辨率的残余起伏地形。基于传统TIN方法的自适应平滑算法，不要求预定义平滑参数，而且平滑方法由地形的物理水文属性所控制；基于传统TIN的泛化DEM地形分析复合算法，通过利用附加点和特征点来最大限度地保持算法地形特征。

（2）基于数据结构原理的水系网提取方法，主要以PFS为基础进行。该方法可以定义内部盆地，限制排水位置，并可以很好地为中等分辨率地区划分排水区域，确定DEM。

（3）基于数学概率的水系网提取方法，在做凹陷填充时，在更均匀地貌考虑渠道和地图运用逆概率，特别适用于平坦的区域形态。用最优混合法处理的数据，提供最可能的水系网，这样就非常接近参考网络。

[1]R.Turcotte,J.-P.Fortin,A.N.Rousseau and soon.Determination ofthe drainage structure ofa watershed usinga digital elevation model and a digital river and lake network[J].Journal ofHydrology,2001,240:225-242.

[2]Frank Kenny,Bryce Matthews.Amethodologyfor aligningraster flowdirection data with photogrammetricallymapped hydrology[J]. Computers&Geosciences,2005,31:768-779.

[3]R.Jana,T.V.Reshmidevi,P.S.Arun and soon.An enhanced technique in construction ofthe discrete drainage network fromlowresolution spatial database[J].Computers&Geosciences,2007,33:717-727.

[4]GyozoJordan.Adaptive smoothingofvalleys in DEMs usingTINinterpolation fromridgeline elevations:An application tomorphotectonic aspect analysis[J].Computers&Geosciences,2007,33:573-585.

[5]QimingZhou,Yumin Chen.Generalization ofDEMfor terrain analysis usinga compound method[J].ISPRSJournal ofPhotogrammetryand Remote Sensing,2011,66:38-45.

[6]Richard Jones.Algorithms for usinga DEMfor mappingcatchment areas ofstreamsediment samples[J].Computers&Geosciences, 2002,28:1051-1060.

[7]LauraPoggio,PierreSoille.Aprobabilisticapproachtorivernetworkdetectionindigitalelevationmodels[J].Catena,2011,87:341-350.

The Comprehensive Research on the Extraction Methods of Drainage Networks

SUDan-dan1,2,MENGYing-chen1,LIUJia-wei1,XIANGYan-lin1
(1.School ofUrban and Environmental Science,Changchun Normal University,Changchun 130032,China; 2.Institute ofIntegrated Information Mineral Prediction,Jilin University,Changchun 130026,China)

In the large and flat area,there are some errors when the drainage networks are extracted and especially obvious in the middle and low resolution of the discrete element method(DEM).In view of this situation,this paper sorts some methods and studies various improved methods respectively based on the traditional methods of drainage networks,the theory of data structures and the mathematical probability.Then it discusses the advantages of the extraction methods ofdrainage networks in detail,in order toprovide powerful reference for future research.

drainage networks;DRLN;streamburning;CBRGM

P208

A

1008-178X（2012）09-0090-04

2012-06-07

苏丹丹（1980-），女，吉林长春人，长春师范学院城市与环境科学学院实验师，硕士，从事地理信息系统研究。