1. 引言当你的地形数据“破了个洞”搞GIS的朋友尤其是经常和数字高程模型DEM打交道的人估计都遇到过这种让人头疼的情况好不容易拿到手的地形数据一加载到软件里要么是地图上出现一块块刺眼的“空白”我们叫数据空洞要么就是本该平滑的山坡上莫名其妙冒出几个尖刺或者深坑这就是异常值也叫噪点。这些“瑕疵”看着不起眼但实际用起来麻烦可就大了。你想做三维可视化那座山中间缺了一块怎么看怎么别扭你想做水文分析计算水流方向一个异常的高点可能就把整个流域的汇水路径给带偏了结果完全不可信。以前处理这些问题步骤相当繁琐就像原始文章里提到的得反复在图层、选择工具、分析菜单之间来回切换先框出有数据的范围再反选得到空洞然后计算高程、生成格网……一套流程下来没点耐心真搞不定。而且一旦数据量大了或者空洞的形状特别不规则手动操作不仅效率低还容易出错。好在GlobalMapper 20在数据处理智能化方面迈出了一大步。它把这一系列零散的操作整合、优化成了更清晰的逻辑链条。今天我就结合自己踩过的坑和实战经验给大家分享一个我称之为“三步法”的智能修复流程识别、填充、优化。这个方法的核心思想是把修复过程从“手工作坊”升级为“流水线作业”每一步都利用GlobalMapper 20里更高效、更精准的工具目标是快速、可靠地让“受伤”的地形数据恢复健康确保它能在后续的各种分析应用里扛得起大梁。接下来我们就一步步拆解看看怎么用这三个阶段搞定那些烦人的数据空洞和异常值。2. 第一步智能识别——精准定位问题所在修复问题的第一步永远是先搞清楚问题在哪儿、有多大。对于地形数据修复盲目地全局处理既低效也可能破坏原本完好的数据。GlobalMapper 20提供了多种“侦察兵”工具帮助我们精准锁定两类目标数据空洞和异常高程值。2.1 揪出“空白区域”数据空洞的快速圈定数据空洞通常表现为DEM栅格中的“NoData”值在图上就是一片空白。GlobalMapper 20处理这个的思路非常巧妙它不再需要我们手动去描边而是利用图层本身的信息进行自动化边界提取。我的常用操作流程是这样的加载你的DEM数据后在图层列表里右键点击它找到Bounding Boxes / Coverages这个选项然后选择Create Bounding Box/Coverage for Loaded Data。这时软件会弹出一个对话框问你是否“仅针对选中的图层创建”这里通常选“否”让它基于当前视图或所有相关数据来计算。这个命令的聪明之处在于它会自动分析你的栅格数据生成一个或多个矢量多边形Polygon这些多边形严丝合缝地包裹住了所有有有效数据的栅格单元格。你可以把这个过程想象成在一张洒了芝麻有效数据点的大饼上用笔画出所有芝麻聚集的区域。画出来的这个区域就是有数据的范围。那么剩下的空白区域不就是我们想要找的“洞”吗接下来我们只需要一个“反向选择”操作。选中刚刚生成的那个代表数据范围的多边形图层右键选择Selection菜单下的Invert Selection。瞧软件瞬间就选中了数据范围之外的所有区域——也就是所有的数据空洞。这一步比手动数字化空洞边界要快得多也准确得多特别是当空洞形状复杂时。注意在GlobalMapper 20.1及以后的版本中这个操作可能会生成一个“复合多边形”MultiPolygon即所有数据范围被包含在一个要素里。处理方式一样选中这个要素后执行反向选择就能选中所有空洞区域。2.2 捕捉“害群之马”异常高程值的探测策略解决了“空白”问题接下来是更隐蔽的“异常值”。这些值看起来是个数字但高得离谱或低得吓人比如平原上突然出现一个海拔9999米的点。这类噪点用肉眼很难从全局图中发现必须借助统计工具。我常用的方法是利用GlobalMapper强大的分析功能。在Analysis菜单下找到Measurements / Statistics选项选择Compute Statistics for Layers / Areas。对整个DEM图层运行一次统计你就能在结果窗口里看到这组数据的最小值、最大值、平均值和标准差。重点关注最大值和最小值如果它们与整体地形地貌严重不符比如在丘陵地区出现海拔负几百米或正几千米的值那很可能就是异常值。更精准的定位可以借助Filter功能。在Analysis菜单下选择Filter / Pixel Filter你可以设置一个合理的高程范围阈值。例如如果你的研究区域是海拔0-500米的平原你可以将过滤条件设置为“高程值小于0或大于500”的像素。应用过滤后这些异常像素会以高亮形式显示出来。你还可以将这个过滤结果导出为一个新的栅格图层或者矢量点图层专门用于标记这些异常点的位置为下一步的修复提供明确的“靶子”。通过“识别”这一步我们不再是面对一团模糊的问题而是获得了一张清晰的“问题地图”哪里是缺失的空洞多边形哪里是坏掉的异常值标记。这就为后续的针对性修复打下了坚实的基础。3. 第二步智能填充——因地制宜补全数据找到所有“伤口”之后就要开始“缝合”了。GlobalMapper 20的填充功能非常灵活关键是针对不同类型的“伤口”选择最合适的“缝合线”和“针法”。核心工具位于Analysis菜单下的Create Elevation Grid from 3D Vector Data从3D矢量数据创建高程格网但在此之前我们需要准备好正确的“填充材料”。3.1 空洞填充从边缘“生长”出合理地形对于上一步识别出的数据空洞即那些被选中的空白多边形区域我们需要给它们赋予合理的高程值。直接填一个固定值比如填0是绝对不行的那会在地形上制造出一个突兀的平面。正确的做法是利用空洞周围有效地形的高程信息进行智能插值。在GlobalMapper里这通常通过为空洞多边形赋值来实现。选中代表空洞的所有多边形要素然后右键选择Assign Elevation/Attributes。这里的关键在于赋值方法的选择从底层栅格采样这是最常用、效果也往往最好的方法。软件会基于你原始的、带有空洞的DEM对每个空洞多边形内部的点利用其边界处有效栅格值进行插值计算如反距离权重、三角网插值等从而生成一个平滑过渡到周围地形的新高程值。这相当于让周围的地形“自然生长”到空洞区域里。使用固定值或表达式在某些特殊场景下比如你知道这个空洞区域实际上是一个湖泊那么你可以直接赋予它一个固定的湖面高程值。赋值完成后这些原本只有几何形状的多边形就变成了带有高程信息的3D矢量面数据。它们就是用来“打补丁”的材料。3.2 异常值替换平滑剔除“刺头”对于探测出的异常高程点噪点处理思路不是填充而是替换。我们需要用合理的值替换掉这些不合理的值。一个非常实用的技巧是结合使用Buffer缓冲区和Erosion侵蚀操作。首先将标记异常值的点或小区域生成一个小的缓冲区。比如以每个异常点为中心创建半径为1个像元的缓冲区。这样做的目的是将异常点的影响范围稍微扩大一点确保在后续替换时能处理得更干净。接着你可以使用Erode/Close滤波工具对原始DEM应用一个轻微的侵蚀操作这有助于平滑掉那些特别尖锐的噪点。更直接的方法是使用Pixel Editor像素编辑器进行手动修改但这适用于噪点数量极少的情况。对于成片的异常区域更好的办法是将其视为一种特殊的“空洞”。你可以把异常值所在的像元先设置为“NoData”使用重分类或按属性查询设置这样它们就转化成了数据空洞然后再套用上面3.1节提到的空洞填充方法进行处理。GlobalMapper在从矢量创建格网时其插值算法会自动忽略这些NoData区域并用周围的有效值来推算一个合理的值进行填补从而实现异常值的平滑剔除。无论采用哪种方式目标都是一致的消除那些明显错误、脱离实际地形趋势的像素值让地形表面恢复合理的连续性。4. 第三步智能优化——让修复结果浑然一体经过填充和替换数据在数值上已经完整了。但就像补好的衣服可能还有针脚痕迹一样直接使用修复后的数据有时会在修复区域的边缘或内部出现不自然的光滑度变化、条纹或接缝。第三步“优化”的目的就是打磨这些细节让修复区域与原始地形无缝融合经得起各种衍生分析的考验。4.1 图层融合与边缘平滑当你使用“从3D矢量数据创建高程格网”功能并选择用空洞多边形作为输入时GlobalMapper会生成一个全新的、完整的DEM栅格图层。这个新图层覆盖了整个区域包括修复的部分。现在你有了两个图层原始的带空洞的DEM和新的修复后的DEM。我建议不要直接删除原始图层。更好的做法是将两个图层同时显示通过调整透明度或使用Swipe卷帘工具仔细检查修复区域与原始区域的接合部。看看是否存在高程突变、明显的边界线或纹理不一致。如果发现边缘不够平滑可以对新生成的DEM栅格应用一次轻度的滤波处理。在Analysis-Filter菜单下选择Smooth或Low-Pass Filter。这些滤波器能够轻微地模糊图像消除生硬的边缘。这里的关键是参数要设得小比如使用3x3的窗口强度调低目标是微调而不是改变整体地形特征。你可以先在小范围区域试验对比效果后再应用到整个图层。4.2 成果校验与导出设置优化完成后必须进行严格的校验确保修复没有引入新的问题。我通常会做下面几件事剖面线检查在修复区域横跨原始和修复部分画几条剖面线查看高程变化曲线是否连续、自然没有突兀的跳跃。晕渲图对比分别为原始DEM用NoData显示空洞和修复后DEM生成山体阴影图。在晕渲图上地形起伏和光照效果非常敏感任何不自然的平滑或皱褶都会一目了然。对比两者修复区域的光影应该和周围地形协调一致。基础分析验证运行一次简单的水文分析如计算水流方向。观察修复区域是否会产生不合理的汇水盆地或水流路径。如果修复得不好这里很容易暴露问题。确认无误后就可以导出了。导出时有几点需要特别注意数据格式选择你下游应用所需的格式如GeoTIFF、IMG、ASC等。GeoTIFF通常是兼容性最好的选择。坐标与投影确保导出设置中的坐标系与你的项目要求完全一致。分辨率保持与原始数据相同的空间分辨率除非你有特殊理由需要重采样。NoData值明确设置一个NoData值例如-9999并确保这个值在正常高程范围之外。经过“识别-填充-优化”这三步系统化处理你得到的地形数据就已经脱胎换骨从一份带有“伤残”的原始资料变成了一份完整、可靠、可供深度分析使用的优质数据。这个过程在GlobalMapper 20中已经变得相当流畅多练习几次你就能在十几分钟内搞定过去需要折腾半天的问题。记住好的数据是高质量GIS分析的基石花在数据预处理上的时间最终都会在分析结果的准确性上回报给你。