1. 引言：当你的地形数据“破了个洞”
搞GIS的朋友，尤其是经常和数字高程模型（DEM）打交道的人，估计都遇到过这种让人头疼的情况：好不容易拿到手的地形数据，一加载到软件里，要么是地图上出现一块块刺眼的“空白”（我们叫数据空洞），要么就是本该平滑的山坡上，莫名其妙冒出几个尖刺或者深坑（这就是异常值，也叫噪点）。这些“瑕疵”看着不起眼，但实际用起来麻烦可就大了。你想做三维可视化，那座山中间缺了一块，怎么看怎么别扭；你想做水文分析，计算水流方向，一个异常的高点可能就把整个流域的汇水路径给带偏了，结果完全不可信。
以前处理这些问题，步骤相当繁琐，就像原始文章里提到的，得反复在图层、选择工具、分析菜单之间来回切换，先框出有数据的范围，再反选得到空洞，然后计算高程、生成格网……一套流程下来，没点耐心真搞不定。而且，一旦数据量大了，或者空洞的形状特别不规则，手动操作不仅效率低，还容易出错。
好在，GlobalMapper 20在数据处理智能化方面迈出了一大步。它把这一系列零散的操作，整合、优化成了更清晰的逻辑链条。今天，我就结合自己踩过的坑和实战经验，给大家分享一个我称之为“三步法”的智能修复流程：识别、填充、优化。这个方法的核心思想是，把修复过程从“手工作坊”升级为“流水线作业”，每一步都利用GlobalMapper 20里更高效、更精准的工具，目标是快速、可靠地让“受伤”的地形数据恢复健康，确保它能在后续的各种分析应用里扛得起大梁。接下来，我们就一步步拆解，看看怎么用这三个阶段，搞定那些烦人的数据空洞和异常值。
2. 第一步：智能识别——精准定位问题所在
修复问题的第一步，永远是先搞清楚问题在哪儿、有多大。对于地形数据修复，盲目地全局处理既低效，也可能破坏原本完好的数据。GlobalMapper 20提供了多种“侦察兵”工具，帮助我们精准锁定两类目标：数据空洞和异常高程值。
2.1 揪出“空白区域”：数据空洞的快速圈定
数据空洞通常表现为DEM栅格中的“NoData”值，在图上就是一片空白。GlobalMapper 20处理这个的思路非常巧妙，它不再需要我们手动去描边，而是利用图层本身的信息进行自动化边界提取。
我的常用操作流程是这样的：加载你的DEM数据后，在图层列表里右键点击它，找到Bounding Boxes / Coverages这个选项，然后选择Create Bounding Box/Coverage for Loaded Data。这时软件会弹出一个对话框，问你是否“仅针对选中的图层创建”，这里通常选“否”，让它基于当前视图或所有相关数据来计算。这个命令的聪明之处在于，它会自动分析你的栅格数据，生成一个或多个矢量多边形（Polygon），这些多边形严丝合缝地包裹住了所有有有效数据的栅格单元格。
你可以把这个过程想象成：在一张洒了芝麻（有效数据点）的大饼上，用笔画出所有芝麻聚集的区域。画出来的这个区域，就是有数据的范围。那么，剩下的空白区域，不就是我们想要找的“洞”吗？接下来，我们只需要一个“反向选择”操作。选中刚刚生成的那个代表数据范围的多边形图层，右键选择Selection菜单下的Invert Selection。瞧，软件瞬间就选中了数据范围之外的所有区域——也就是所有的数据空洞。这一步比手动数字化空洞边界要快得多，也准确得多，特别是当空洞形状复杂时。
注意：在GlobalMapper 20.1及以后的版本中，这个操作可能会生成一个“复合多边形”（MultiPolygon），即所有数据范围被包含在一个要素里。处理方式一样，选中这个要素后执行反向选择，就能选中所有空洞区域。
2.2 捕捉“害群之马”：异常高程值的探测策略
解决了“空白”问题，接下来是更隐蔽的“异常值”。这些值看起来是个数字，但高得离谱或低得吓人，比如平原上突然出现一个海拔9999米的点。这类噪点用肉眼很难从全局图中发现，必须借助统计工具。
我常用的方法是利用GlobalMapper强大的分析功能。在Analysis菜单下，找到Measurements / Statistics选项，选择Compute Statistics for Layers / Areas。对整个DEM图层运行一次统计，你就能在结果窗口里看到这组数据的最小值、最大值、平均值和标准差。重点关注最大值和最小值，如果它们与整体地形地貌严重不符（比如在丘陵地区出现海拔负几百米或正几千米的值），那很可能就是异常值。
更精准的定位，可以借助Filter功能。在Analysis菜单下选择Filter / Pixel Filter，你可以设置一个合理的高程范围阈值。例如，如果你的研究区域是海拔0-500米的平原，你可以将过滤条件设置为“高程值小于0或大于500”的像素。应用过滤后，这些异常像素会以高亮形式显示出来。你还可以将这个过滤结果导出为一个新的栅格图层或者矢量点图层，专门用于标记这些异常点的位置，为下一步的修复提供明确的“靶子”。
通过“识别”这一步，我们不再是面对一团模糊的问题，而是获得了一张清晰的“问题地图”：哪里是缺失的（空洞多边形），哪里是坏掉的（异常值标记）。这就为后续的针对性修复打下了坚实的基础。
3. 第二步：智能填充——因地制宜补全数据
找到所有“伤口”之后，就要开始“缝合”了。GlobalMapper 20的填充功能非常灵活，关键是针对不同类型的“伤口”选择最合适的“缝合线”和“针法”。核心工具位于Analysis菜单下的Create Elevation Grid from 3D Vector Data（从3D矢量数据创建高程格网），但在此之前，我们需要准备好正确的“填充材料”。
3.1 空洞填充：从边缘“生长”出合理地形
对于上一步识别出的数据空洞（即那些被选中的空白多边形区域），我们需要给它们赋予合理的高程值。直接填一个固定值（比如填0）是绝对不行的，那会在地形上制造出一个突兀的平面。
正确的做法是，利用空洞周围有效地形的高程信息，进行智能插值。在GlobalMapper里，这通常通过为空洞多边形赋值来实现。选中代表空洞的所有多边形要素，然后右键选择Assign Elevation/Attributes。这里的关键在于赋值方法的选择：
- 从底层栅格采样：这是最常用、效果也往往最好的方法。软件会基于你原始的、带有空洞的DEM，对每个空洞多边形内部的点，利用其边界处有效栅格值进行插值计算（如反距离权重、三角网插值等），从而生成一个平滑过渡到周围地形的新高程值。这相当于让周围的地形“自然生长”到空洞区域里。
- 使用固定值或表达式：在某些特殊场景下，比如你知道这个空洞区域实际上是一个湖泊，那么你可以直接赋予它一个固定的湖面高程值。
赋值完成后，这些原本只有几何形状的多边形，就变成了带有高程信息的3D矢量面数据。它们就是用来“打补丁”的材料。
3.2 异常值替换：平滑剔除“刺头”
对于探测出的异常高程点（噪点），处理思路不是填充，而是替换。我们需要用合理的值替换掉这些不合理的值。一个非常实用的技巧是结合使用Buffer（缓冲区）和Erosion（侵蚀）操作。
首先，将标记异常值的点（或小区域）生成一个小的缓冲区。比如，以每个异常点为中心，创建半径为1个像元的缓冲区。这样做的目的是将异常点的影响范围稍微扩大一点，确保在后续替换时能处理得更干净。接着，你可以使用Erode/Close滤波工具，对原始DEM应用一个轻微的侵蚀操作，这有助于平滑掉那些特别尖锐的噪点。
更直接的方法是使用Pixel Editor（像素编辑器）进行手动修改，但这适用于噪点数量极少的情况。对于成片的异常区域，更好的办法是将其视为一种特殊的“空洞”。你可以把异常值所在的像元先设置为“NoData”（使用重分类或按属性查询设置），这样它们就转化成了数据空洞，然后再套用上面3.1节提到的空洞填充方法进行处理。GlobalMapper在从矢量创建格网时，其插值算法会自动忽略这些NoData区域，并用周围的有效值来推算一个合理的值进行填补，从而实现异常值的平滑剔除。
无论采用哪种方式，目标都是一致的：消除那些明显错误、脱离实际地形趋势的像素值，让地形表面恢复合理的连续性。
4. 第三步：智能优化——让修复结果浑然一体
经过填充和替换，数据在数值上已经完整了。但就像补好的衣服可能还有针脚痕迹一样，直接使用修复后的数据，有时会在修复区域的边缘或内部出现不自然的光滑度变化、条纹或接缝。第三步“优化”的目的，就是打磨这些细节，让修复区域与原始地形无缝融合，经得起各种衍生分析的考验。
4.1 图层融合与边缘平滑
当你使用“从3D矢量数据创建高程格网”功能，并选择用空洞多边形作为输入时，GlobalMapper会生成一个全新的、完整的DEM栅格图层。这个新图层覆盖了整个区域，包括修复的部分。现在，你有了两个图层：原始的（带空洞的）DEM和新的（修复后的）DEM。
我建议不要直接删除原始图层。更好的做法是，将两个图层同时显示，通过调整透明度或使用Swipe（卷帘）工具，仔细检查修复区域与原始区域的接合部。看看是否存在高程突变、明显的边界线或纹理不一致。
如果发现边缘不够平滑，可以对新生成的DEM栅格应用一次轻度的滤波处理。在Analysis->Filter菜单下，选择Smooth或Low-Pass Filter。这些滤波器能够轻微地模糊图像，消除生硬的边缘。这里的关键是参数要设得小，比如使用3x3的窗口，强度调低，目标是微调，而不是改变整体地形特征。你可以先在小范围区域试验，对比效果后再应用到整个图层。
4.2 成果校验与导出设置
优化完成后，必须进行严格的校验，确保修复没有引入新的问题。我通常会做下面几件事：
- 剖面线检查：在修复区域横跨原始和修复部分画几条剖面线，查看高程变化曲线是否连续、自然，没有突兀的跳跃。
- 晕渲图对比：分别为原始DEM（用NoData显示空洞）和修复后DEM生成山体阴影图。在晕渲图上，地形起伏和光照效果非常敏感，任何不自然的平滑或皱褶都会一目了然。对比两者，修复区域的光影应该和周围地形协调一致。
- 基础分析验证：运行一次简单的水文分析（如计算水流方向）。观察修复区域是否会产生不合理的汇水盆地或水流路径。如果修复得不好，这里很容易暴露问题。
确认无误后，就可以导出了。导出时，有几点需要特别注意：
- 数据格式：选择你下游应用所需的格式，如GeoTIFF、IMG、ASC等。GeoTIFF通常是兼容性最好的选择。
- 坐标与投影：确保导出设置中的坐标系与你的项目要求完全一致。
- 分辨率：保持与原始数据相同的空间分辨率，除非你有特殊理由需要重采样。
- NoData值：明确设置一个NoData值（例如-9999），并确保这个值在正常高程范围之外。
经过“识别-填充-优化”这三步系统化处理，你得到的地形数据就已经脱胎换骨，从一份带有“伤残”的原始资料，变成了一份完整、可靠、可供深度分析使用的优质数据。这个过程在GlobalMapper 20中已经变得相当流畅，多练习几次，你就能在十几分钟内搞定过去需要折腾半天的问题。记住，好的数据是高质量GIS分析的基石，花在数据预处理上的时间，最终都会在分析结果的准确性上回报给你。
