简介：中国范围数字高程模型栅格数据，是一份面向地理信息分析、课程设计与科研应用的全国尺度高程数据。原始30米分辨率的SRTM高程数据，经ArcGIS镶嵌拼接与重采样后，得到1公里分辨率的完整全国栅格，采用WGS-84全球坐标系，以标准TIFF栅格格式存储，可直接在ArcGIS等GIS软件中加载使用。压缩包共7个文件，以TIFF主栅格为核心，另含tfw坐标配准信息、ovr金字塔加速显示、xml元数据等辅助文件，整体仅26.51MB，便于下载与分发。目前已有695人学习或下载，适合需要快速获取全国尺度高程数据，开展地形分析、栅格计算、空间分析等工作的GIS使用者。数据经过质量检查，完整正确，包含完整的高程信息，覆盖全国范围，省去自行拼接与重采样的繁琐步骤，可让读者将精力集中在后续分析与应用上。

1. DEM栅格数据不是图片：中国范围落地的第一道坎

拿到一份标注“中国范围”的DEM栅格数据，很多人第一反应是把它拖进GIS当图片看，结果要么是黑乎乎一片，要么是花屏色带，折腾半天才发现问题出在不理解栅格的组织形式——DEM的每个像元存的是高程数值，不是颜色值。真正让新手翻车的往往是分辨率不一致、投影坐标系混乱、NoData被当成0参与计算，这三件事处理不好，后面拼接、裁剪、算坡度全跟着错。这篇文章想解决的，就是“DEM栅格数据怎么在中国范围内落地成能用的高程底图”：从数据源选型、拼接裁剪参数，到黑边接缝排错，一条线走完，你照着做至少能避开八成常见坑。

2. 读懂DEM栅格的组织形式：分辨率、像元类型与NoData的坑

2.1 栅格数据的三种组织形式：BSQ、BIL与BIP

栅格数据落盘时的组织形式常见有三种：BSQ（波段顺序）、BIL（波段按行交错）、BIP（像元按点交错）。DEM一般是单波段单文件，BSQ最简单也最容易读，绝大多数情况你拿到的.tif或.img都是BSQ组织；但遇到.img的旧格式或者ENVI标准格式时，BIL和BIP也有出现。

三者的差别在于数据在磁盘上的排列顺序。BIP把同一个像元的高程值连续排在一起，做逐像元计算时缓存命中率最高；BIL在波段数少的场景下读写均衡；BSQ则是最直观——文件里先存完整个波段的所有像元，再存下一个波段。写处理脚本前先看一眼数据格式类型，否则用numpy直接读二进制时会读出一堆乱码一样的数。

# Python里快速判断Img格式的组织方式，不需要打开桌面软件 import struct def peek_img_header(img_path): with open(img_path, 'rb') as f: header = f.read(256) # IMAGINE .img文件头部通常会在第80字节附近标识数据类型 # 0=BSQ, 1=BIL, 2=BIP（ENVI标准下不同，但IMAGINE适用） print([hex(b) for b in header[80:96]])

这段代码只做头部探测。实际工作中，我更建议直接用GDAL读取，因为它已经帮你处理了格式差异，gdalinfo可以打印出完整的组织形式信息，不需要自己去解析二进制。记住一个原则：优先用GDAL统一读取，只有做底层性能优化时才需要关心BSQ、BIL、BIP的物理排布，否则不值得在这上面花时间。

2.2 像元类型与NoData：高程为什么要用浮点存

DEM的高程值在数据文件里通常用整型或浮点型保存。SRTM原始数据是16位有符号整型，单位是米，但ASTER GDEM和ALOS AW3D30则常用浮点型，因为浮点能表达亚米级的小数高程差。这里埋着一个大坑：整型DEM做坡度计算时，NoData常常被记为-9999或-32768，如果你把整个栅格转成浮点后忘记处理NoData，最小值和最大值的统计会被这些哨兵值污染，拉伸显示时整幅图变成灰蒙蒙一片。

我的做法是拿到数据先跑一遍GDAL统计，确认NoData值到底是什么，再统一设置成相同的NoData标记。尤其在中国范围内分幅下载的数据，不同分幅的NoData可能不完全一致——有的写-9999，有的写-32768，拼接前必须统一。

# 用gdalinfo查看NoData定义，这一步跑完再开始拼接 gdalinfo SRTM_56_04.tif | grep NoData

如果输出里没有NoData行，说明这副数据没有设置NoData，需要自己补上。常见的脏数据表现为边缘有一圈-9999或0的像元，后面做坡度或水文分析时会出现离谱的负值或零值洼地。设置的方法很简单：在ArcGIS里用Copy Raster勾选NoData值，或GDAL命令行加一句-a_nodata -9999。

在选像元类型时，能用整数就用整数存储，但出分析结果（坡度、坡向、累积流量）时务必转回浮点，否则截断误差会让你在验证时对不上数。这一点没有玄学，纯粹是数值精度问题。

2.3 SRTM、ASTER与ALOS混拼前，先检查高程基准

中国范围的DEM主要涉及三套公开数据：SRTM（覆盖全球，分辨率30米或90米）、ASTER GDEM V3（30米）、ALOS AW3D30（30米标称，实际部分地区12.5米效果）。它们的椭球和高程基准并不完全一致，SRTM使用EGM96大地水准面改正，ASTER GDEM V3也做了类似改正，但二者在山区地形上存在数米到十几米的差异。拿到不同源数据拼接前，最稳妥的做法是在重叠区域抽样对比一下高程差，差异大就老老实实只用一个数据源。

理论上这些数据都已基于WGS84椭球，但“基于WGS84”不代表高程基准一致。EGM96与CGCS2000的高程异常在中国境内通常有几米偏差，这不会影响做相对分析（坡度、坡向、流域），但如果你要把DEM用于洪水淹没模拟或工程勘察，必须用一个已知水准点把高程系统校准到1985国家高程基准。

# 用gdalwarp统一重投影到CGCS2000 / 高斯-克吕格投影，并重采样到30米 gdalwarp -t_srs EPSG:4534 -tr 30 30 -r bilinear \ -of GTiff SRTM_56_04.tif SRTM_56_04_cgcs2000.tif

参数说明：-t_srs EPSG:4534是CGCS2000 / 3-degree Gauss-Kruger zone 26的坐标系，适合中国中东部区域；-tr 30 30强制输出为30米像元；-r bilinear做双线性重采样，适合高程这类连续表面。如果你的研究区跨两个投影带，通常改用Albers等积投影而不是高斯投影，后面第4章会说。

3. 下载中国范围DEM：自由30米与12.5米的三个主力源

3.1 ASTER GDEM V3：地理空间数据云的30米亚洲区域数据

对于中国范围做分析，我最常用的是从地理空间数据云下载ASTER GDEM V3，它覆盖了北纬83度到南纬83度的绝大部分陆地区域，中国全境都能拿到。这个源的优点是在国内下载速度快、不需要额外折腾，整幅数据按1度分幅，每幅约3601行乘3601列，30米分辨率，文件格式是GeoTIFF。

下载前先规划好目标分幅。中国经度跨度约73度到135度，纬度约18度到54度，按1度分幅大概要六七十幅，一次性全下载不太现实。我的习惯是先画个面状边界，然后在平台里按边界筛选瓦片，或者直接用行列号规律批量记下需要的分幅号。

常见的一个误解是“分辨率是30米就一定能看清山脊”，但ASTER GDEM在云覆盖多的区域可能有空洞和条带噪声，这些坑换数据源解决不了。对比之下，ALOS AW3D30在垂直精度上通常优于ASTER，但下载渠道需要从日本的JAXA官网走，大文件下载速度不稳定，适合做小范围的精细化分析。

3.2 ALOS AW3D30：12.5米细节与条带噪声的取舍

ALOS AW3D30是JAXA发布的全球30米网格DEM，但它的原始数据来自ALOS卫星的立体像对，实际地形细节明显好于ASTER，在一些区域甚至可以提取出类似12.5米的地形纹理。做山体阴影可视化或提取等高线时，AW3D30的地形细节优势非常明显。

不过AW3D30有一个比较烦的特性：数据存在南北向的条带噪声。在低纬度和地形平坦地区尤其明显，表现为山体阴影图上一道一道近乎平行的明暗条纹。追究起来是轨道方向相关的处理误差残留。要消除这种条纹，常见做法是做一个低通滤波，或者在坡度计算后用中值滤波抹掉条带方向的高频。

# GDAL 3.x用gdal_fillnodata填补数据空洞，再用gdal_translate转成tif gdal_fillnodata -md 30 -si 5 AW3D30_tile.tif AW3D30_filled.tif gdal_translate -ot Float32 -co TILED=YES -co COMPRESS=DEFLATE \ AW3D30_filled.tif AW3D30_ready.tif

这段命令里的-md 30意思是搜索半径30个像元，即把直径30像元范围内的空洞用周围有效值插值填补；-si 5是平滑迭代5次。值得注意的是，gdal_fillnodata只对栅格空洞有效，对条带噪声需要另一套办法。条带消除我更倾向于在ArcGIS里用Focal Statistics做3×3或5×5的均值滤波，滤波半径大了会抹平真实地形，半径小了条带压不掉，参数要盯着山体阴影图反复试。

3.3 GLO-30与SRTM：全球数据的中国分幅特点

Copernicus GLO-30是欧洲空间局发布的30米全球DEM，在中国范围内同样覆盖完整，垂直精度普遍评价不错。相对ASTER，GLO-30的洞和条带少很多，但它的数据分幅按经纬度不规则切，下载方式需要按AWS S3 bucket的目录结构来找，对不熟悉命令行的用户来说门槛偏高。

SRTM虽然名声大，但它的原始30米数据只在北纬60度到南纬56度之间，中国范围内西南边境地区覆盖有缺失。国内经常能下载到的SRTM 90米数据（USGS版本）更适合做大尺度地形分析，比如全国尺度的坡度分区，不太适合做县级尺度的高精度工程分析。90米像元在地形起伏大的区域会明显抹掉山谷细节，做汇水面积分析时河道位置会偏移几十米到上百米。

我在做全国尺度项目时通常用GLO-30或ASTER GDEM V3统一拼接，输出成Albers等积投影的30米镶嵌结果。做省级或流域精细化分析时才换ALOS，因为它对微小地形的描述更好。

3.4 下载前的瓦片清单规划：按经纬度网格批量落位

无论从哪个平台下载，第一步肯定是确定需要哪些瓦片。中国范围跨30多个经度、30多个纬度，如果你想省事直接下载全中国所有分幅，50多GB的原始文件不是问题，问题是你拼接时内存会爆掉。更务实的做法是按目标区域框选瓦片，只下载覆盖范围内的分幅。

# 用Python根据经纬度边界生成ASTER GDEM的瓦片行列号清单 def dem_tile_list(lon_min, lon_max, lat_min, lat_max): tiles = [] for lat in range(int(lat_min), int(lat_max) + 1): for lon in range(int(lon_min), int(lon_max) + 1): # ASTER GDEM V3瓦片命名：ASTGTMV3_XX_YYDEM.tif tiles.append(f"ASTGTMV3_{lat:02d}_{lon:03d}DEM.tif") return tiles tiles = dem_tile_list(110, 115, 30, 35) # 山东省中部某区域示例 print(len(tiles), tiles[:5])

这段代码逻辑很简单：按整经纬度度生成瓦片文件名。ASTER瓦片以纬度带为行、经度为列命名，负值区域要做偏移处理，但中国区域都在北半球东半球，行列号相对好算。下载前先按这个清单核对平台上的文件是否存在，能少走弯路。实际下载时把清单列表存成文本，用浏览器的多线程下载工具或平台的批量下载功能，比一页页手动点快得多。

4. 把分幅DEM拼成中国范围：拼接裁剪与坐标系的落地操作

4.1 Mosaic to New Raster：拼接中国全境的参数组合

拿到若干分幅DEM后，最直接的做法是在ArcGIS里用Mosaic to New Raster工具。第一步把格式、像元类型、波段数、NoData值统一定下来；第二步设置Mosaic Method和Blend Width。

# 使用arcpy执行Mosaic to New Raster，Python窗口内运行 import arcpy arcpy.env.workspace = r"D:\dem_tiles" arcpy.env.outputCoordinateSystem = arcpy.SpatialReference("CGCS2000 Albers") arcpy.MosaicToNewRaster_management( input_rasters="ASTGTMV3_30_110.tif;ASTGTMV3_31_110.tif;ASTGTMV3_30_111.tif", output_location=r"D:\dem_mosaic", raster_dataset_name_with_extension="china_dem_30m.tif", coordinate_system_for_the_raster="#", cellsize="30", pixel_type="16_BIT_SIGNED", number_of_bands="1", mosaic_method="BLEND", mosaic_colormap_mode="FIRST" )

参数说明：pixel_type选择16_BIT_SIGNED能保留-9999这类NoData值，但如果你的源数据是浮点型，这里改成32_BIT_FLOAT更稳妥；BLEND会在瓦片重叠区做平滑过渡，避免生硬的接缝线；cellsize必须统一为30，否则不同分辨率瓦片混拼后输出网格会错位。拼接完成后立刻检查栅格统计值，最小值和最大值如果出现-9999或0，说明NoData被混了进来，需要在后续处理步骤前重设。

4.2 用中国范围矢量边界裁剪：掩膜外的NoData才是黑边元凶

拼接完成后，下一步通常是按中国国界或者省界做裁剪。常见的错误是只用矢量边界做“外矩形裁剪”，然后手工去抠边界外的区域，结果裁剪结果外圈一圈白边或黑边，怎么调都难看。这是NoData和背景0值混淆导致的问题。

正确做法是使用带掩膜的Extract by Mask，并且确认矢量边界和栅格投影一致。如果你的矢量边界是CGCS2000地理坐标，栅格已经转成了Albers投影，务必先把矢量做投影转换再裁，否则边界会偏移几十米。在ArcGIS里用Project工具对矢量执行投影，投影参数与栅格的Albers参数保持一致，就避免了错位。

# 用gdalwarp做带掩膜的裁剪，一步完成投影和裁剪 gdalwarp -cutline china_province.shp -crop_to_cutline \ -t_srs EPSG:4529 -tr 30 30 -r bilinear \ china_dem_30m.tif shandong_dem_30m.tif

注意这里EPSG:4529是CGCS2000 / 3-degree Gauss-Kruger CM 117E，适合山东省这种位于带内的区域。如果你的目标区域跨度超过3度，建议改用EPSG:102025（中国双标准纬线Albers）这类等积投影，避免边缘拉伸变形影响面积计算。裁剪完成后要检查黑色边缘，把NoData再次统一设置，确保边缘外是透明而不是0。

4.3 投影转换到CGCS2000 Albers：面积计算不变形

在全国尺度拼接中国范围DEM时，Albers等积投影是最稳妥的选择。它的好处是面积不变形，坡度、坡向在中等纬度区域变形也可接受。国内很多成果规范要求使用Albers或高斯投影，前者用于区域综合分析，后者用于大比例尺工程制图。

# 从WGS84地理坐标转换到CGCS2000 Albers等积投影 gdalwarp -overwrite -s_srs EPSG:4326 -t_srs EPSG:102025 \ -tr 30 30 -r cubic -of GTiff \ china_dem_30m_wgs84.tif china_dem_30m_albers.tif

这里的-s_srs EPSG:4326指定源数据坐标，-t_srs EPSG:102025指定目标投影，-r cubic使用三次卷积重采样，对高程这种连续表面来说比双线性更平滑。重采样方法会影响高程值：最近邻会保留原始值但产生锯齿边缘，双线性和三次卷积会平滑地形但也可能让峰谷值略微钝化。做水文分析推荐用双线性，做可视化用三次卷积效果好，没有绝对最优。

4.4 提取像元到表格：把DEM栅格转成Excel可读的高程表

许多从业者需要把栅格高程导出到Excel，配合采样点做统计。ArcGIS里可以用Raster to Point把栅格转成点要素，再用Table to Excel导出；但数据量大时这个流程很慢，更高效的方式是直接生成ASCII再读入表格。

# 先转成ASCII网格，再用Python直接写CSV from osgeo import gdal import pandas as pd ds = gdal.Open("shandong_dem_30m_albers.tif") band = ds.GetRasterBand(1) array = band.ReadAsArray() rows, cols = array.shape lon, dx, _, lat, _, dy = ds.GetGeoTransform() xs = [lon + i * dx for i in range(cols)] ys = [lat + j * dy for j in range(rows)] grid = pd.DataFrame(array) grid.to_csv("dem_export.csv", index_label="row")

这段代码把栅格从GDAL读入numpy数组，然后借助GeoTransform计算每个像元的经纬度坐标，最后输出CSV，Excel直接打开就是一张二维高程表。要注意的是，band.ReadAsArray()在大范围数据上容易占满内存，更稳妥的做法是分块读取，一次只读几十行，循环写入CSV。采样点提取则建议直接用ArcGIS的Extract Multi Values to Points，输出带高程字段的属性表，再导出dbf或Excel，速度比Raster to Point快一个量级。

5. DEM拼接与裁剪的5条踩坑记录：黑边、接缝与坐标偏移

5.1 拼接后两幅数据之间出现明显接缝

现象：用Mosaic to New Raster拼完两幅相邻DEM，重叠区域出现一条横向或纵向的高程突变带，看起来像台阶，但两幅图单独看都没问题。

原因：常见原因是两幅DEM高程基准或NoData值不一致，比如一个用ASTER源、一个用SRTM源，二者在山区重叠区高程相差数米；也可能是相邻瓦片的分辨率不一致，重采样到同一网格时产生了系统偏移。

解决：把项目统一为单一数据源，不要混源拼接。如果必须混源，先在重叠区计算两份数据的平均差，用一个常数修正后重拼。在Python里可以用差值统计后叠加修正值，但这属于后期校正，能不做尽量不做。

5.2 裁剪后边界外是纯黑而不是透明

现象：裁剪后的DEM外框是黑色或Z值异常的区域，在ArcMap里用拉伸显示时一片漆黑，做坡度分析时边界一圈出现离谱的大角度值。

原因：这是因为矢量边界外的栅格被赋予了一个非NoData的值（常见为0），而0米在海洋区域看起来合理，但在山区就被拉低整体色带，导致陆地部分一片黑。严格说是NoData设置被Extract by Mask覆盖掉了。

解决：在裁剪工具参数里指定NoData值为-9999，或者裁剪后用Copy Raster重设NoData，再检查统计值。裁剪完的栅格用gdalinfo -stats看一眼最小最大值，发现最小值是0且不该有0的区域就要警惕。

5.3 坡度与坡向图出现横条纹或网格状纹理

现象：输出坡度图时，平缓区域出现规律性的横条纹、竖条纹或网格状纹理，看起来像印刷网点，比例尺拉大后纹理更明显。

原因：原始DEM存在系统条带噪声或地板量化误差，ASTER GDEM和ALOS常见的条带噪声、SRTM的网格状噪声在坡度计算时被一阶差分放大。

解决：对DEM做3×3均值滤波后再算坡度。如果你担心滤波损失地形细节，可以用Focal Statistics的MEDIAN类型替代均值，保留边缘的同时压制冲激噪声。滤波半径参数建议在3×3和7×7之间试，先用山体阴影图目测，再定量比较滤波前后的坡度均值变化。

5.4 裁剪结果和高分影像明显错位半个像元

现象：把DEM生成的等高线叠加到高分影像上，等高线与山脊线整体偏移，距离接近15米或30米的半像元左右。

原因：裁剪时矢量边界和栅格没有对齐，可能是投影转换方法用了最小公分母，或者栅格本身的角点坐标在重采样时被取整到相邻网格。

解决：先用gdalinfo查看裁剪前后栅格的原点坐标，确认是否为30米的整数倍。如果不是，用gdal_translate加-a_ullr参数手动校正角点坐标。更常见的做法是：所有中间步骤都保留原始像元对齐，只在最后一步输出时做重采样，减少多重采样的叠加误差。

5.5 大批量拼接时内存爆掉或程序闪退

现象：在中国全境的拼接过程中，ArcGIS直接无响应，或者Python进程在读取第5幅瓦片时内存溢出退出。

原因：大范围高分辨率栅格数据占用的内存很容易超过16GB。中国全境30米DEM的阵列尺寸大约是22000行乘20000列，按16位整型算约880MB，看起来不大，但GDAL的缓存机制、显示刷新、金字塔构建叠加之后，内存占用会飙到好几GB，各种临时文件和程序一起吃满资源。

解决：断掉ArcGIS的自动金字塔构建，使用GDAL分块拼接函数gdal.BuildVRT先建虚拟栅格，再转成单一GeoTIFF；转的时候设置-co TILED=YES，并按512×512块写入。另外处理时限制GDAL_CACHEMAX为512MB，避免缓存无限膨胀。

# 使用BuildVRT合并瓦片，避免一次性ReadAsArray gdalbuildvrt china_dem.vrt ASTGTMV3_*.tif gdal_translate -co TILED=YES -co BIGTIFF=YES \ -co COMPRESS=DEFLATE china_dem.vrt china_dem_30m.tif

参数说明：BIGTIFF=YES让输出超过4GB时自动升级为BigTIFF格式，避免文件大小上限报错；COMPRESS=DEFLATE压缩率高，适合高程栅格但读取时会消耗一点CPU，作为存储格式比较理想。这种方法在把中国全境30米DEM拼成单一文件时非常利索，内存占用稳定在2GB以内。

6. 用已知高程点验证DEM质量，顺势解决DSM转DEM的粗差

做完拼接裁剪和投影转换，最不该省的一步是用已知高程点验证。我在山东省做过一次30米DEM质检：把无人机LiDAR点云抽稀成地面控制点，和ASTER GDEM V3对比，中误差在平原有3到5米，山地达到8到12米，个别植被茂密的山沟出现20米以上的异常差。如果你没有LiDAR，也可以用国家测绘地理信息发布的水准点成果，或者Google Earth里筛选的高精度地标点，原则是选取地形平缓、没有建筑物遮挡的位置。

具体操作上，我在ArcGIS里用Extract Multi Values to Points把DEM高程提取到测量点上，算差值的均方根误差和中误差，再看有没有系统偏差。差值均值如果始终为正或始终为负，说明DEM存在整体高程偏置，可能是高程基准不一致，修正方法是整体加减一个常数。差值标准差过大则说明局部地形失真，需要检查是否有条带噪声或空洞填补过度。

剖面线验证是我惯用的第二步：沿山脊线画一条Profile，看高程曲线是否平滑、有无锯齿跳动。锯齿多的地方对应原始瓦片接缝或填补空洞区域，直接在剖面图上就能定位。顺手还能发现DSM混入DEM的问题——如果剖面线穿过树林边缘，原本平滑的地形却出现一个突兀的小包子，很可能原始数据是DSM而非DEM。

说到DSM转DEM，很多热词检索里都在问“DSM生成DEM”。这是一个滤波问题：DSM包含地表建筑和植被的高程，DEM只保留裸地面。常见做法是对DSM做形态学开运算或渐进式数学形态学滤波，把比周围明显突出的像元削平。在OpenCV里做底帽变换能提取出植被和建筑的“局部突起”，然后从DSM里减去这部分，就是近似的地面高程。

# 用OpenCV形态学重建，从DSM中提取地物并生成近似DEM import cv2 import numpy as np from osgeo import gdal ds = gdal.Open("dsm_30m.tif") dem = ds.GetRasterBand(1).ReadAsArray().astype(np.float32) dem[dem == -9999] = np.nan kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5)) opening = cv2.morphologyEx(dem, cv2.MORPH_OPEN, kernel) ground = np.where(np.isnan(dem), np.nan, opening) ds_out = gdal.GetDriverByName("GTiff").Create("dem_est.tif", ds.RasterXSize, ds.RasterYSize, 1, gdal.GDT_Float32) ds_out.GetRasterBand(1).WriteArray(ground)

这段代码做了3×3的椭圆核开运算，把比核尺寸小的凸起物去掉用于估计地面。MORPH_OPEN先腐蚀后膨胀，形态学上可以消除小于结构元素的亮色细节——对应树冠、房屋等局部凸起。核越大，滤掉的建筑物尺度越大，但也会抹平真实山脊。这个方法的缺点是遇到陡峭地形时会把山谷填起来，和真实DEM出现系统性偏差。如果你只追求精度，别自己滤波，直接下载成品DEM更靠谱；只有拿不到理想数据源时才值得走这一步。

最后的习惯是：每次交付DEM成果前，我会在ArcMap里叠加等高线和高分影像做一遍目视检查，重点看河流谷地是否连贯、山脊线是否圆滑、城市周边有没有异常坑洼。这一步玄学成分确实有点大，但往往能发现数值检验发现不了的问题。处理DEM这条路的坑很密集，但只要数据源、投影参数、NoData这三个关口守住，后面的大多数分析都不会翻车。希望帮到你。

本文还有配套的精品资源，点击获取