当前位置：首页>南京>南京师范大学汤国安、熊礼阳教授RSE最新研究成果!

南京师范大学汤国安、熊礼阳教授RSE最新研究成果!

2026-03-24 01:17:22

文章简介

英文题目：An explainable correction and fusion framework for bare-Earth terrain modeling in global mountain areas

中文译名：面向全球山区的裸地地形建模可解释校正与融合框架

发表时间：2026年3月

发表期刊：Remote Sensing of Environment

第一作者：Jun Chen et al

第一单位：南京师范大学

DOI：10.1016/j.rse.2026.115364

精选理由：2026年3月，由南京师范大学汤国安、熊礼阳教授等在《Remote Sensing of Environment》期刊上发表最新研究成果——《An explainable correction and fusion framework for bare-Earth terrain modeling in global mountain areas》。

该研究围绕全球山区裸地地形模型（GDTM）的高精度构建，提出了一种可解释的修正与融合框架。当前的全球数字高程模型（GDEM）受植被和建筑物等因素的影响，存在明显的高度偏差，特别是在植被繁茂的山区，这些偏差更加显著。为了解决这一问题，本文首先通过AutoML-SHAP模型优化了35个常用预测特征，并开发了基于混合卷积神经网络（CNN）和Transformer的模型，用于高效修正GDEM的偏差，进而生成全球范围的裸地高程模型（GDTM）。为了进一步提高修正精度，作者提出了一种融合模型，将不同源的GDTM进行集成，并通过ICESat-2高程卫星数据进一步改进了修正结果。实验结果表明，所提出的修正模型在不同验证数据集上的垂直精度显著提高，达到了43.13%-76.86%的改进。

这一框架结合了解释性机器学习、深度学习技术以及多源高程数据集，生成了全球山区的高精度裸地高程模型，为地形建模和地理空间分析提供了重要的技术支持。该方法的创新性在于其高效的特征选择和融合策略，能够克服山区环境的异质性，进而提高修正精度。研究结果为全球气候变化下山区生态环境的监测与评估提供了坚实的技术基础。

温馨提示：数据获取方式在文末，免费获取~

摘要

准确的地形表达对于城市、环境及地理空间科学领域的应用至关重要；然而，当前的全球数字高程模型（GDEMs）往往被视为数字地表模型（DSM），其中包含了由植被和建筑物引起的高程偏差。在植被茂密的山区，由于存在多重偏差源、地形崎岖、校正模型局限性以及训练区域以外的空间异质性等因素，这些偏差尤为显著且难以消除。为应对这一挑战，我们首先从全球各地的山区收集了120个分布广泛、分辨率为1° × 1°的高分辨率裸地数字地形模型（DTM）瓦片，用于模型的开发。随后，我们引入了一个可解释的自动化机器学习框架——Shapley加性解释（AutoML–SHAP），用于评估35个常用的预测特征，并从中筛选出15个能够有效捕捉偏差源的优化特征。紧接着，我们开发了一种混合卷积神经网络（CNN）与Transformer模型，用于校正山区GDEM中的偏差，从而生成全球裸地数字地形模型（GDTM）。为了进一步提升训练区域以外地区的精度，我们提出了一种融合模型，利用全球分布的“冰、云与陆地高程卫星-2”（ICESat-2）测高数据，将本模型的校正结果与多源GDTM中具有优势的校正结果进行融合。鉴于其已被证实具有卓越的精度，我们选取了1弧秒分辨率的Copernicus DEM作为本研究的目标基准模型。实验结果表明：(1) 本文所选用的优化特征在性能上显著优于传统特征选择方法所选取的特征，也优于以往研究中使用的特征。(2) 本文提出的校正模型在垂直精度方面较Copernicus DEM实现了43.13%至76.86%的平均相对提升；且在针对多种验证数据集的测试中，其垂直精度和空间一致性均超越了八种现有的校正模型以及三种现有的GDTM产品。(3) 此外，该融合模型在训练区域以外的地区也能持续有效地提升校正精度。本研究通过整合可解释模型、先进的深度学习技术、融合策略以及多源高程数据集，成功生成了全球山区的高精度裸地GDTM，为地形建模和地理空间分析提供了极具价值的参考与启示。本研究的相关代码与数据集已发布，可通过以下链接获取：https://doi.org/10.6084/m9.figshare.30186856。

一、

研究亮点🔍

1️⃣ 可解释的AutoML-SHAP特征优化

本文通过AutoML-SHAP框架优化了35个多源预测特征，成功识别出15个能够有效捕捉GDEM偏差来源的特征。这一方法不仅提高了特征选择的准确性，还提升了模型的可解释性，使得各个预测特征对模型输出的贡献得以清晰呈现。与传统特征选择方法相比，AutoML-SHAP优化的特征在训练区和非训练区的修正精度均有显著提升，尤其在垂直高程和空间一致性方面。

2️⃣ 混合CNN-Transformer修正模型

研究提出了一种结合卷积神经网络（CNN）和Transformer模型的混合修正模型，用于提高全球山区裸地地形模型的精度。该模型在全球山地地区的应用展示了显著的修正效果，尤其在处理复杂山地地形时，CNN和Transformer模块的结合大大提高了模型对地形特征的捕捉能力。此外，模型还通过邻域注意力机制进一步提升了相邻像素之间的关系，增强了模型在修正过程中的空间一致性。

3️⃣ GDTM融合模型的创新应用

为了进一步提高修正精度，本文提出了一个GDTM融合模型，通过集成不同来源的GDTM修正结果来实现更高的精度。通过结合ICESat-2等全球分布的高程卫星数据，融合模型有效地提升了修正后的GDTM精度，尤其是在训练区域之外的应用中，修正精度得到了显著提高。该方法的成功应用表明，融合多源数据对于克服单一数据源的局限性具有重要意义。

二、

研究总结🔍

1️⃣ AutoML-SHAP特征优化的有效性

本文通过应用AutoML-SHAP模型优化特征，成功实现了对35个常用预测特征的评估，并筛选出15个最优特征，这些特征能够有效地捕捉GDEM的偏差来源。与传统特征选择方法（如Gini指数、互信息法）相比，AutoML-SHAP模型的特征优化显著提高了修正精度，尤其是在垂直高程的修正上，取得了显著的改善。该方法的可解释性使得修正过程更加透明，并为未来地形建模提供了新思路。

2️⃣ CNN-Transformer修正模型的精准度提升

通过结合CNN与Transformer的优势，本文提出的混合修正模型显著提高了全球山区裸地高程模型（GDTM）的修正精度。该模型能够有效地捕捉山地复杂地形特征，并处理不同区域的高程偏差，尤其在垂直精度、坡度和曲率等方面展现了卓越的性能。实验结果表明，与传统修正方法相比，本文提出的模型具有更高的空间一致性和修正精度。

3️⃣ GDTM融合模型的跨区域改进

为了克服训练区域以外的修正精度问题，本文提出的GDTM融合模型有效地集成了来自不同源的GDTM修正结果。通过结合ICESat-2等高精度卫星数据，融合模型在多样的验证数据集上展现了更高的修正精度。实验结果表明，融合模型不仅提升了修正精度，还扩大了模型在全球不同山区的适用范围，具有重要的应用价值和广阔的前景。