河网数据

简介

清华大学团队提出了基于真实尺度河网的流域数字化理论，确立了将反映地貌特征的坡面—沟道（或河道，后略）结构作为流域最小宏观单元的基本原则。基于最小代价路径搜索算法，系统实现了从数字高程模型（DEM）中提取河网的高效方法，算法复杂度为理论最优的O(nlogn)，提出了避免填洼预处理的流向判断与障碍穿越算法，同时保证了河网提取的效率与精度。揭示了沟头是确定坡面—沟道真实尺度的关键点，通过一个反映沟道发育机理的地貌特征函数，原创了基于该函数沿程变点检测的沟头位置识别方法，实现了对流域中每个沟头位置的逐一精确识别，保证了提取流域真实尺度河网的可行性，从根本上解决了流域建模应达到何种分辨率的问题，为流域水沙动力学模型区分不同地貌部位的不同侵蚀力奠定了基础。提出了一种基于卷积神经网络的河网提取方法，可同时完成河网结构识别与真实尺度控制，为在河网提取算法中无损融合实测河流、遥感水面等多源数据提供了可行性。成果构建了一套由地表高程等数据提取数字河网的高效高精度算法，形成了完全自主可控的核心软件。

采用30米分辨率DEM提取了全球河网数据集Hydro30，总河段数约为5亿条，数据分辨率、完整性、精度均显著优于美国发布的上一代全球河网HydroSHEDS；目前正在开展采用12.5米分辨率DEM的全球河网数据集Hydro12的提取工作。基于河网二叉树编码方法发布了河流实体身份编码规则，并获ISO/IEC 15459发码机构中关村工信二维码技术研究院授权，建设运营MA.1002全球河网标识根节点，实现具有全球专有、全球唯一等特性的河流实体统一编码与解码服务，显著提高了河网管理的容量、效率与规范化，并为基于河网的流域数据服务、微服务接口管理奠定了基础。

相关文献

[1] Mao X, Chow J K, Su Z Y, Wand Y H, Li J Y, Wu T, Li T J. Deep learning-enhanced extraction of drainage networks from digital elevation models. Environmental Modelling & Software, 2021, 144: 105135.
[2] Li J Y, Li T J, Zhang L, Bellie S, Fu X D, Huang Y F, Bai R. A D8-compatible high-efficient channel head recognition method. Environmental Modelling & Software, 2020, 125: 104624.
[3] Wu T, Li J Y, Li T J, Bellie S, Zhang G, Wang G Q. High-efficient extraction of drainage networks from digital elevation models constrained by enhanced flow enforcement from known river maps. Geomorphology, 2019, 340: 184-201.
[4] Li J Y, Li T J, Liu S N, Shi H Y. An efficient method for mapping high-resolution global river discharge based on the algorithms of drainage network extraction. Water, 2018, 10(04): 533.
[5] Bai R, Li T J, Huang Y F, Li J Y, Wang G Q. An efficient and comprehensive method for drainage network extraction from DEM with billions of pixels using a size-balanced binary search tree. Geomorphology, 2015, 238: 56-67.
[6] Bai R, Li T J, Huang Y, Li J Y, Wang G Q, Yin D Q. A hierarchical pyramid method for managing large-scale high-resolution drainage networks extracted from DEM. Computers & Geosciences, 2015, 85(PA): 234-247.