数字高程模型作为地理信息系统的核心数据，在地形分析、水文建模、灾害评估等领域发挥着不可替代的作用。传统DEM数据往往存在植被穿透不足、建筑物干扰等问题，导致地表高程信息失真。最新发布的FathomDEM数据集采用创新性的混合视觉Transformer与CNN深度学习架构，成功修正了哥白尼DEM中的系统性偏差，大幅提升了地形数据的精度和可靠性，为精细化地理分析提供了强有力的数据支撑。

数据介绍

FathomDEM数据集是一套覆盖中国全境的高精度数字高程模型，空间分辨率达到30米级别，能够满足精细化地理分析的需求。数据采用GeoTIFF格式存储，便于在各类GIS软件中直接读取和处理。高程数值以厘米为单位记录，采用整数型栅格存储方式，有效降低了文件体积，提升了数据传输和处理的效率。

该数据集在技术路线上实现了重大突破，研究团队构建了混合视觉Transformer与CNN的深度学习模型，对哥白尼DEM进行了系统性修正。模型训练过程中融合了多源辅助数据，包括2020年森林高度数据、冠层覆盖率信息、2011至2019年建筑物高度数据、水体掩膜以及2016至2017年Sentinel-1雷达后向散射数据。这些多源数据的引入，使得模型能够有效识别和修正由植被覆盖、建筑物遮挡以及仪器误差导致的高程偏差。

数据的高精度来源于对LiDAR高精度点云数据的充分利用。研究团队将LiDAR数据作为训练目标，通过深度学习模型学习真实地表的高程特征，从而生成更贴近实际地形的DEM产品。这种基于机器学习的数据生成方法，相比传统插值和融合技术，能够更准确地捕捉地形细节，特别是在复杂地形和城市区域表现出显著优势。

在坐标系统方面，数据采用国际通用的WGS84坐标系，高程基准面选用EGM2008大地水准面模型。EGM2008是美国国家地理空间情报局发布的全球重力场模型，具有极高的分辨率和精度，能够提供准确的高程异常值，确保数据在全球范围内的一致性和可比性。数据的时间跨度基于多源数据整合，综合了2011年至2023年间的观测资料，保证了数据的现势性和可靠性。

数据来源

Uhe, P., Lucas, C., Hawker, L., Brine, M., Wilkinson, H., Cooper, A., Saoulis, A. A., Savage, J., & Sampson, C. (2025). FathomDEM: An improved global terrain map using a hybrid vision transformer model. Environmental Research Letters, 20(3), 034002. https://doi.org/10.1088/1748-9326/ada972

数据获取方式

https://mp.weixin.qq.com/s/Rj9oekeRXPD0eXnc2uujBw