数字高程模型在洪水模拟中的应用
一、数字高程模型的基本概念与原理
（一）数字高程模型的定义与组成
数字高程模型（DigitalElevationModel，DEM）是一种通过数字形式表达地表高程信息的空间数据模型。它由规则格网或离散点构成，每个单元或点均包含高程值。DEM的核心在于以数学方式模拟地形起伏，为地理空间分析提供基础数据支持。其组成方式包括栅格型和矢量型，其中栅格DEM因数据结构简单、计算效率高而被广泛应用。
（二）DEM的生成方法与技术
DEM的生成依赖于多种技术手段，主要包括卫星遥感、航空摄影测量和地面激光雷达（LiDAR）。卫星遥感技术通过雷达干涉测量（InSAR）或光学立体成像获取大范围地形数据；航空摄影测量利用航拍影像的立体像对重建三维地形；LiDAR则通过主动发射激光脉冲并接收反射信号，生成高精度地表高程数据。这些技术的结合使DEM能够满足不同精度和范围的需求。
（三）DEM在洪水模拟中的重要性
地形是洪水演进的关键驱动因素之一。DEM能够精确反映流域坡度、河道形态及地表汇流路径，为洪水数值模型提供基础地形输入。例如，通过DEM可提取河网、划分流域边界，并计算地表径流方向，从而支撑洪水淹没范围与深度的动态模拟。
二、DEM数据源及其对洪水模拟的影响
（一）不同分辨率DEM的适用场景
DEM分辨率直接影响洪水模拟的精度。低分辨率DEM（如90米SRTM数据）适用于大流域的宏观洪水风险评估；中分辨率（如30米ASTERGDEM）可用于城市或区域尺度的洪水预测；而高分辨率DEM（如1米LiDAR数据）则适用于精细化洪涝分析，例如城市内涝或堤防溃决模拟。
（二）数据精度对模拟结果的敏感性
高程误差可能导致洪水模拟结果的显著偏差。例如，在平坦区域，1米的高程误差可能使淹没范围扩大数平方公里；在山区，误差则可能影响汇流路径的计算。因此，选择与模拟目标匹配的DEM数据源至关重要，需综合考虑数据获取成本与精度需求。
（三）公开DEM数据的应用现状
目前，全球范围内广泛使用的公开DEM数据包括NASA的SRTM、日本发布的ALOSWorld3D及欧盟的Copernicus计划数据。这些数据集为发展中国家和科研机构提供了低成本的数据支持，但其精度和时效性仍需结合实地测量数据加以校正。
三、DEM在洪水模拟中的关键作用
（一）地形特征提取与水文参数计算
基于DEM可提取坡度、坡向、曲率等地形参数，并进一步计算地形湿度指数（TWI）、汇流累积量等水文指标。这些参数为分布式水文模型（如SWAT、HEC-HMS）提供输入，用于模拟降雨-径流过程及洪水形成机制。
（二）洪水淹没范围与水深模拟
通过将DEM与水文模型耦合，可动态模拟洪水演进过程。例如，一维-二维耦合模型利用DEM构建二维地表网格，计算每个网格单元的淹没水深与流速，从而生成洪水风险图。此类模拟结果可为应急疏散路径规划提供依据。
（三）灾害风险评估与应急预案制定
DEM支持洪水风险区划，识别易涝点、低洼地带及关键基础设施暴露区域。结合历史洪水数据与情景模拟，可评估不同重现期洪水的潜在损失，并制定分级响应预案。
四、DEM与水文模型的集成技术
（一）基于DEM的分布式水文模型构建
分布式水文模型（如MIKESHE、LISFLOOD-FP）通过将流域划分为多个计算单元，利用DEM定义单元间的水力联系。此类模型能够反映地形异质性对洪水过程的影响，适用于复杂地形条件下的模拟。
（二）GIS平台下的数据融合与可视化
地理信息系统（GIS）平台（如ArcGIS、QGIS）提供DEM数据处理、空间叠加及结果可视化工具。通过集成DEM与土地利用、土壤类型等数据，可构建多维洪水模拟框架，并以三维地图形式直观展示淹没情景。
（三）机器学习与DEM的联合应用
近年来，机器学习算法（如卷积神经网络）被用于DEM数据降噪及地形特征自动提取。此外，结合历史洪水数据训练深度学习模型，可提升洪水预测的时效性与准确性。
五、DEM在洪水模拟中的案例应用
（一）城市洪涝模拟案例
以中国广州市为例，采用1米分辨率LiDAR数据构建城市DEM，结合暴雨强度公式与排水管网数据，模拟极端降雨下的内涝积水分布。结果显示，DEM精度提升使模拟结果与实地观测的吻合度提高约30%。
（二）大流域洪水演进模拟
在湄公河流域，利用30米分辨率DEM与HEC-RAS模型模拟季风期洪水演进。通过对比不同DEM数据源发现，ALOSWorld3D数据在河道地形表达上优于SRTM，显著改善洪水峰现时间的预测精度。
（三）山区突发性洪水预警
针对喜马拉雅山区的冰川湖溃决洪水，采用无人机航测生成0.5米分辨率DEM，结合流体动力学模型（FloodMap）模拟溃坝洪水传播路径。该技术将预警时间提前至溃坝发生前2小时。
六、DEM