新疆三屯河灌區水利信息化應用研究

摘 要： 以新疆維吾爾自治區（簡稱新疆）昌吉回族自治州（以下簡稱昌吉州）三屯河灌區為研究區域，利用ArcGIS 的水文分析模塊對GDEMV3 30 m 分辨率數字高程模型（digital elevation model，DEM）進行河網水系的提取，從而得出水流方向、匯流累計量、分級河網和子流域邊界等河網信息，利用AI Earth 深度學習算法對Sentinel-1 SAR GRD 遙感影像進行水體分類提取。不同于用遙感影像處理軟件（environment for visualizing images，ENVI）對研究區影像進行地物識別分類的傳統操作，該研究更傾向于通過AI Earth 使用監督分類算法對Sentinel-2 L2A 影像數據進行地物分類，進而繪制出渠系一張圖，清晰生動地展現研究區域復雜的水系結構，對GDEMV3 30 m 分辨率數字高程數據、野外采樣點數據、天地圖所選區域0.862 m/像素與672 瓦片數量的17 級Tiff 數據進行處理制作采樣點的渠系地形三維圖，從立體的角度深入探索了水系地貌的特征，為研究提供更全面的視角，并探討在試驗過程中遇到的難點及解決辦法。

關鍵詞：GIS；深度學習；遙感；水系特征；水利信息化；三屯河灌區

中圖分類號：S126 文獻標識碼：A 文章編號：2095-1795（2024）03-0016-07

DOI：10.19998/j.cnki.2095-1795.2024.03.003

0 引言

河流水系形態結構和連通狀況對自然災害防控、水資源配置、環境監測及社會經濟發展等有重要影響[1]。流域水系和流域邊界能有效反映流域地形地貌特征，是土地規劃和氣候變化研究的重要基礎數據，是數字孿生流域建設的主要依據。數據精度對相關計算和模擬結果有直接影響，使相關決策和管理更加科學、精準[2]。

眾多研究表明，通過河網密度法、水系分形維數法、河道平均坡降法和流域寬度分布法等方法確定最佳集水面積閾值，利用河流分汊和拓撲關系、多閾值虛擬河網融合技術等劃分子流域[3-5]。

本研究從遙感影像獲取矢量河網數據作為數字高程模型（digital elevation model，DEM）控制條件，計算歸一化水體指數（NDWI），使用決策樹判斷水體，使用adaBoost 監督分類器以B 開頭的影像輻射波段像元值作為訓練特征進行地表覆蓋分類，應用Arcgis 疊加矢量河網進而修正部分河道DEM 數據；地區人工流域支流DEM 數據提取的虛擬河網與實際流域存在位置偏差、水體提取不完整提取結果缺失的現象。使用深度學習算法將實際渠系信息與DEM 數據進行融合，通過強化DEM 數據信息，進而提取出更符合實際河網的虛擬河網[6]。

1 利用ArcGIS 對DEM 數據進行水系提取

1.1 研究區域及數據

1.1.1 研究區域

三屯河灌區位于新疆維吾爾自治區（簡稱新疆）天山北麓中段，地理位置位于東經86°24′33″～87°37′，北緯43°6′30″～45°20′。東部與頭屯河灌區接壤，西部與呼圖壁河灌區相鄰，南部以天山的阿斯克達板山與和靜縣為界，北部靠近古爾班通古特沙漠與塔城地區的和布克賽爾縣和阿爾泰地區的福海縣相接。從三屯河的分水嶺到準噶爾盆地的沙漠腹地，地形總趨勢是南高北低，由東南向西北傾斜。流域面積達4 466 km2。

1.1.2 研究數據

數據選擇從空間地理數據云通過經緯度下載研究區域的數據，數據包括DEM 數據和NUM 數據。選擇分辨率30 m 的DEM 數據，ASTER GDEM 數據的分辨率1s（arc-second），相當于30 m。這意味著在水平方向上， 每個像素代表地表區域的30 m×30 m 范圍。DEM 數據是進行河網提取的重要數據源，用于描述地表的高程變化。

1.2 研究方法

1.2.1 數據融合

研究區域下載的數據分別為ASTGTM2_N43E086_dem、ASTGTM2_N43E087_dem、ASTGTM2_N44E086_dem、ASTGTM2_N44E087_dem 及ASTGTM2_N45E087_dem，進行拼接設置地理坐標為GCS_WGS_1984，使用單一波段的DEM，用柵格數據集中的鑲嵌至新柵格工具對數據進行處理輸出為.tiff 類型的數據。

1.2.2 填充洼地

DEM 數據中的洼地地表高程較低，可能錯誤地將其識別為非水體區域，從而使水體提取不完整，真實水體區域被遺漏，導致提取結果缺失[7]。填充洼地可以使水體提取更連貫、真實，并接近實際水體形狀。同時，填充洼地還有助于消除孤立水體的情況，提高水體提取結果的連貫性。

根據實際情況，設置洼地深度的填充閾值來進行填充，得到比較結合實際的DEM 數據。在進行設置填充閾值的DEM 填充時，計算洼地深度，使用“FlowDirection”計算DEM 的水流方向；用“Sink”計算得到研究區域洼地；用“Water Shed”計算每個洼地貢獻的區域，“Zonal Statistic”計算每個洼地貢獻區域的最低高程，“Zonal Fill”計算每洼地貢獻區域出口處的最低高程，最后用“Rester Calculator”計算出洼地的深度。設置洼地填充閾值，利用“Fill”對DEM 中的洼地在ArcMap10.8 中進行填充，得到比較結合實際的DEM。

1.2.3 流向流量分析

水流方向是指流水離開每一個柵格單元的指向。河流流向的計算采用D8 算法，利用最大距離落差求解水流方向，即比較網點與周邊8 個網點間的高程落差，將高程下降最大的方向視為該點的流向。在ArcGIS 中，流量計算是根據流向分析得到的水流路徑計算每個流動路徑上的水流量。通過“Flow Accumulation”根據流向數據，累積每個像元的水流量，即累積每個像元上游的水流量進行流量計算[8]。

1.2.4 河網分析

在ArcGIS 的Spatial Analyst 中的“ Stream Link”會根據累積水流量數據，提取具有一定閾值的流動通道，Con（“流量”gt; 700）越小，支流越多，形成流路網絡。執行流路網絡提取后，生成的柵格數據則為提取出的流動通道。

1.2.5 河流分級和柵格矢量化

“Stream Order”根據Stream Link 和Flow Accumulation，計算河流的階數，以此表示河流在河網中的位置和重要程度，階數越高，河流越大。柵格矢量化是將河網柵格數據轉換為矢量數據，即將河流的線狀特征提取為矢量要素類。“Raster to Polyline”將柵格數據中的連續像元值轉換為線狀特征，并生成矢量要素類。通過設置閾值來控制要素提取的精度和細節程度來實現矢量化。DEM 河網如圖1 所示。

1.2.6 利用深度學習算法進行水體分類提取

單波段閾值法基本原理是利用水體在近紅外波段反射率較低，易與其他地物區分的特點，選取單一的紅外波段，確定灰度值，作為區分水體與其他地物的閾值。閾值法識別水體的優點是簡便迅速，易于實現。使用Sentinel-1 GRD 數據集，基于水體頻率算法進行水體識別及分類。首先用過濾條件設置檢索的空間和時間范圍接著計算NDWI 及S2 的水體識別及分類。使用自動化水體指數并根據預設閾值和決策樹判斷水體[9]。根據水體頻率計算公式計算水體頻率（0≤WF≤1）。最后，依據水體頻率圖層以決策樹將水體分為兩類：一是非水體（WFlt;0.25）；二是水體（WFgt;0.25）。水體提取如圖2 所示。

2 地物分類

2.1 通過ENVI 對圖像進行地物分類

2.1.1 數據來源

從空間數據云官網下載研究區域三屯河灌區的Landsat 8 數據，Landsat 8 的OLI 傳感器具有30 m 的空間分辨率，能夠捕捉較小的地物特征。其具有9 個光譜波段，覆蓋從可見光到近紅外和短波紅外的范圍，能夠提供豐富的光譜信息，有助于區分不同地物類別。Landsat 數據經過嚴格的輻射校正和大氣校正處理，質量相對較高。

2.1.2 研究技術

遙感影像處理軟件（environment for visualizingimages，ENVI）利用遙感圖像的光譜信息來進行地物識別和分類。不同地物在不同波段上具有獨特的光譜特征，植被在近紅外波段反射較高而水體在短波紅外波段反射較低。ENVI 可以計算多種光譜指數，如植被NDVI、水體NDWI。光譜指數通過組合不同波段的像素值，突出某些特定地物的特征，有助于更好地識別植被、水體等地物。ENVI 提取圖像的紋理特征，通過分析圖像局部區域的像素灰度變化識別地物。紋理特征對于識別土地覆蓋類型等具有較好的效果。考慮像素的空間分布和空間關聯信息，利用圖像的空間結構識別和分類地物。水體在圖像上通常是連續分布的，而城市建筑可能呈現規則的網格狀分布。分類器根據提取的特征將像素分配到不同的地物類別。

2.1.3 研究步驟

（1）導入圖像。在ENVI 中導入需要分類的遙感圖像。利用Data Manager 設置R∶G∶B 波段為5∶4∶3組合假彩色顯示，組合的地物圖像豐富、鮮明、層次好，可用于植被分類和水體識別，故選擇這3 個波段進行假彩色合成。

（2）數據預處理。為提高數據質量，需要進行圖像預處理，包括大氣校正、輻射校正和幾何校正，以去除噪聲并校正影像幾何畸變。氣溶膠、水蒸氣、氧氣和二氧化碳對地表光線有吸收、散射和反射作用，會扭曲和遮擋遙感圖像中的地表信號，妨礙地物的準確識別和分析。通過去除大氣散射和吸收，還原地表反射光譜的真實信息，使圖像在不同波段上的反射率更準確地反映地表特征，支持遙感數據的定量分析和應用。

（3）全色波段與多光譜波段融合。全色波段通常有高空間分辨率但光譜信息有限，而多光譜波段具有光譜信息豐富但空間分辨率較低。融合后的圖像能夠充分利用兩者的優勢提高空間分辨率和光譜信息一體化，同時實現高空間分辨率和光譜信息的兼顧，融合使圖像更加細致且能提供更多的地物分類信息[10]。

（4）分類樣本選擇。在遙感圖像上選擇代表不同地物類別的樣本區域包括林地、草地、耕地、裸地、沙地及其他類別，利用ROI 工具進行分類樣本選擇并對其進行標記。標記的樣本作為訓練數據，使分類器能夠學習不同地物類別的特征從而實現自動地物分類。提高地物分類的準確性和精度，使遙感圖像的應用結果更加準確可靠。

2.2 使用AI Earth 監督分類算法對地物進行分類

使用自適應集成（adaBoost） 監督分類器， 對Sentinel-2A 影像進行地表覆蓋分類，用指定研究區裁剪ESA 地表覆蓋分類影像，同時將分類值映射到[0，10]連續區間，在研究區內生成隨機樣本點，Sentinel 2A影像輻射波段（以B 開頭的波段）像元值作為訓練特征，ESA 地表覆蓋分類波段像元值作為類別，在訓練樣本中增加列隨機數，選取80% 的樣本為訓練樣本，選取20% 的樣本為驗證樣本，使用已訓練好的監督分類器對影像分類。地物分類及處理前后對比如圖3 所示。

3 渠系一張圖

3.1 數據采樣和處理

閘門控制站 12 處（二畦坪閘、林業局分水閘、頭道閘、二道閘、三屯廟節制分水閘、西干渠 1+400 節制分水閘、盤山干渠阿什里分水閘、二工渠分水閘及二工支渠1～4 閘）。對三屯河水庫及主干渠系（三屯河水庫?努爾加水庫?總干渠?西干渠、東干渠）和部分閘門控制站進行實地調研。野外測量獲取的離散采樣點、采點閘門、渠系流量流向等相關信息為研究區域的原始數據。試驗所需數據包括遙感影像圖、DEM 數據、渠系閘門數據等。

3.2 研究方法

DEM 數據可自動提取水系，省時省力，適用廣泛，數據質量影響準確性，需要煩瑣預處理。復雜地形可能有缺失或錯誤。手動提取水系耗時費力，對大規模或頻繁更新任務不實用。本研究選擇將兩種方法結合使用，結合昌吉州自然和人文特征，結合基礎測繪和水務資料進行水系網絡及流域邊界的提取，構建針對性的GIS 技術方法以達到最佳的水系提取效果[11]。

3.3 試驗步驟

（1） 在ArcGIS 中使用30 m 分辨率的ASTERGDEM 數據、三屯河影像圖和渠系閘門相關數據作為底圖參考進行預處理和校正，以確保數據的質量和一致性。借助水文或地形分析工具，基于高程信息提取三屯河水庫的水系網絡，并分析流向信息以確定流域邊界，進而確定三屯河水庫的流域范圍，有助于高效而準確獲取相關地理信息。

（2）將三屯河影像圖和渠系閘門相關數據疊加在水系網絡和流域邊界上，運用深度學習算法識別多次訓練校正后的渠系底圖的相關渠系信息，用代碼保存每條渠系走向各點的經緯度坐標，用LocaSpaceViewer保存流域信息導出渠系信息kml 文件，通過GIS 渲染引擎和服務器構建即拿即用的地圖服務與GIS 工具服務，Web 界面應用層以Django 技術開發，采用OGC標準服務，無縫集成各種在線空間處理和位置服務，處理過程如圖4 和圖5 所示[12]。

（3）構建Web 服務器上的應用層、以GIS 內核層為服務層的系統架構讀取kml 渠系信息文件，對提取的水系網絡和流域邊界進行數據分析和可視化，服務層將地質圖件元數據以Web 服務的形式發布，提供對數據層中的kml 渠系信息文件各渠系數據的調閱和檢索服務，包括數據發布服務、矢量地圖服務、數據查詢入庫服務、瓦片地圖服務及瓦片切片轉換等REST 服務。服務端對數據的入庫、切片和瓦片文件生成，客戶端應用層通過調用服務層提供的各類服務接口，實現渠系元數據信息管理和瓦片地圖的瀏覽、圖件mapx文件調閱生成最終的水系網絡圖和流域邊界圖，同時輔助驗證水系網絡和流域邊界的分析結果，使得地圖更具信息量和可讀性[13]。結果如圖6 所示。

4 渠系地形三維圖

4.1 數據來源

本試驗數據是通過在LocaSpaceViewer 添加自定義圖源天地圖地形.lrc 文件，選擇所選區域17 級的數據，獲取0.862 m/像素，672 瓦片數量的Tiff 輸出格式的數據。下載下的數據包括tfw 和tif 兩種。該部分所需DEM 數據則為上文水系提取試驗經鑲嵌合并等處理后的數據。

4.2 建立三維地形環境

通過插值算法生成數字地形模型的較為常用方式是方格網式和三角網式數字地形模型，以TIN 為主，Grid 為輔。利用現有地形圖，經數字化采集有用的信息，與方格網式相比，TIN 的優勢更大，能夠精確地描述負責表面，花費更少的時間和空間[14]。

根據獲取的影像數據和高程數據，利用GIS 的表面模型將柵格數據轉化為TIN 網，然后疊加該區域的影像數據，即可快速建立選線區域的三維地形環境[15]。利用逐點插入算法形成三角網，通過其動態建網特點，避免插入新點導致已經形成的三角網遭到破壞。假設包含所有數據點的為初始包容盒，同時初始化三角剖分。TIN 主要通過節點、邊、面來構建，需要建立一個結構緊湊，方便維護的TIN 存儲和組織的結構，此次選擇建立三角形之間的拓撲關系，通過拓撲結構可判斷出包含插入點的三角形[16]。

4.3 研究方法

（1）使用格雷厄姆算法（Graham's Scan Algorithm）生成包含所有離散數據點的凸殼；格雷厄姆算法是一種用于在平面上找到一組點的凸包（Convex Hull）算法。凸包是包圍點集合的最小凸多邊形。格雷厄姆算法的主要思想是從點集中找到一個特定的起始點，然后按照極角逆時針排序其他點，最終構建凸包。

（2）采用Bowyer-Watson 算法逐步構建初始的三角網，并逐個加入其他離散點，最終形成完整的三角不規則網絡。Bowyer-Watson 算法是一種用于進行Delaunay 三角剖分的計算幾何算法。Delaunay 三角剖分是將給定點集合連接成非重疊的三角形網格的過程，具有許多在計算機圖形學、地理信息系統（GIS）、有限元分析等領域中有用的應用。Bowyer-Watson 算法的核心思想是通過不斷添加點來構建Delaunay 三角剖分[17]。

本研究采用ArcScene 中的3D Analyst 工具用柵格數據集將拼接裁剪處理后的DEM 數據轉化為TIN。通過在TIN 上疊加遙感影像圖實現紋理黏貼并運用Shading 技術。這種綜合的研究方法使得融合了高程數據和遙感影像紋理的三維地形場景能夠呈現出更真實和立體感的效果，成功捕捉到更多地形細節和地貌特征，使得三維地形模型更加逼真，為全面觀察和分析研究區的地形特征提供了更有力的支撐[18]。

4.4 試驗方案

（1）在ArcScene 中導入高清衛星影像和DEM 數據進行投影坐標的添加和轉換以保證數據的準確性和一致性。添加GCS_WGS_1984 地理坐標信息在數據分析和地圖制作過程中方便與其他GIS 數據進行整合和對比分析。而高斯克呂格投影CGCS2000 3 Degree GKCM 87E 投影坐標系，則是基于研究區經緯度選擇以東經87 °E 作為中央經線，使其與其他地理數據保持一致，確保空間參考的一致性，能夠最大限度地減小地圖投影誤差，為后續地形圖的制作提供更精確的基礎。準確的數據有助于更深入的地理空間分析和研究。

（2）使用ArcToolbox 中的掩膜工具進行裁剪操作。裁剪出與研究區高清影像圖相同范圍的DEM，避免在后續的疊加和渲染操作中出現不必要的重疊或缺失現象。確保高程數據與影像數據在研究區域內完全匹配，提高研究的可重復性和科學性。

（4）調整DEM 來控制地形的整體高低變化使其在自定義表面上浮動，在三維地形圖中形成逼真的山脈、山谷等地貌特征。填補DEM 數據和影像圖之間的空隙，用ArcScene 中的3D Analysis Tools 中的柵格范圍輸出線要素類型對圖層進行拉伸。對圖層進行垂直方向的拉伸，呈現出更加細致和立體的地形場景。

（5）在ArcScene 中調整數據進行拉伸，確保數據與地形圖表面的貼合和正確顯示使得地形圖更加真實和逼真。在ArcMap 中進行數據轉換保證地圖數據的準確性和可視化效果以支持更好的地理空間分析和展示。

（6）為三屯河水庫設置捕捉的角度和視點，將活動視圖捕獲至飛行動畫實現三維動畫效果。設置飛行路徑和觀察點實現仿真的飛行效果，切換不同的視角從不同角度欣賞地形的細節和特征，進一步展現地形的多樣性和變化，更好地展現三屯河水庫的地形特征，突出其地貌、水系等重要地理特征，如圖7 所示。

5 結束語

（1）ArcGIS 水文分析工具能夠滿足不同水文問題的需求，使得水文分析更加全面和綜合。但對于大規模流域或高分辨率數據，這些工具的計算速度可能較慢，導致效率降低。相比之下，單波段閾值法提取水體的速度較快，適用于快速獲取初步結果。該方法對圖像中的噪聲敏感，可能導致提取結果不準確；光照和陰影變化可能影響閾值法的提取結果。

（2）對影像圖進行地物識別分類時，ENVI 具有較強的可靠性和穩定性，其算法選擇較為有限，通常需要較長的計算時間，特別是在處理大規模高分辨率遙感圖像時，計算效率較低。而AI Earth 則在人工智能和深度學習支持、高準確性和自動化處理方面具備優勢，適用于復雜地物分類和大規模遙感圖像處理。

（3）手動提取水系較為準確但耗時耗力，通過對DEM 數據進行水文分析實現水系自動提取具有高效性和規模適應性，但結果可能受到數據質量和模型局限性的影響。視情況而定進行選擇，本研究進行兩者結合使用。

（4）渠系三維地形圖能夠以立體視覺的形式展示地形特征，增強地圖的立體感、逼真度和層次感，適用于3D 分析可以更直觀地展示三屯河水庫地形高度和地貌特征。

參考文獻

［1］孟憲萌，張鵬舉，周宏，等．水系結構分形特征的研究進展[J]．

地球科學進展，2019，34（1）：48-56．

MENG Xianmeng，ZHANG Pengju，ZHOU Hong，et al．Recent advances

in fractal characteristics of river network structure[J]．Advances

in Earth Science，2019，34（1）：48-56．

［2］包紅軍，張恒德，許鳳雯，等．國家級水文氣象預報業務技術進

展與挑戰[J]．氣象，2021，47（6）：671-684．

BAO Hongjun， ZHANG Hengde， XU Fengwen， et al． Progress and

challenge of national level operational technology for hydrometeorological

forecastin[J]．Meteorological Monthly，2021，47（6）：671-684．

［3］張曉嬌，焦裕飛，劉佳，等．基于DEM 的大清河子流域劃分方

法[J]．人民黃河，2020，42（6）：13-17．

ZHANG Xiaojiao， JIAO Yufei， LIU Jia， et al． Study on method of

sub-basin partition of daqing river based on DEM[J]． Yellow River，

2020，42（6）：13-17．

［4］費俊源，吳鵬飛，劉金濤．基于盒維數的雅魯藏布江流域水系分形

維數及影響因素研究[J]．中國農村水利水電，2021（11）：78-82，89．

FEI Junyuan，WU Pengfei，LIU Jintao．Research on the fractal dimension

of river network and its influencing factors in Yarlung Zangbo River

basin based on box dimension[J]．China Rural Water and Hydropower，

2021（11）：78-82，89．

［5］劉歡，杜軍凱，賈仰文，等．面向大尺度區域分布式水文模型的

子流域劃分方法改進[J]．工程科學與技術，2019，51（1）：36-44．

LIU Huan， DU Junkai， JIA Yangwen， et al． Improvement of watershed

subdivision method for large scale regional distributed hydrology

model[J]．Advanced Engineering Sciences，2019，51（1）：36-44．

［6］曹爽，王蒙，包紅軍，等．基于DEM 與河網密度的水系提取與

應用：以瀾湄流域為例[J]．水力發電，2022，48（11）：43-49．

CAO Shuang， WANG Meng， BAO Hongjun， et al． Drainage network

extraction and application based on dem and river network density

method： a case study of Lancang-Mekong River[J]． Water Power，

2022，48（11）：43-49．

［7］張超，朱元彩．GIS 在水文水資源分析中的應用[J]．電子技術，

2021，50（7）：256-257．

ZHANG Chao， ZHU Yuancai． Application of GIS in hydrology and

water resources analysis[J]． Electronic Technology， 2021， 50（ 7） ：

256-257．

［8］黃曉林．基于DEM 提取流域特征在單位線法洪水預報中的應用[J]．

廣西水利水電，2021（6）：49-52．

HUANG Xiaolin．Application of extracting watershed features based on

DEM in flood forecast by unit line method[J]． Guangxi Water Resources

amp; Hydropower Engineering，2021（6）：49-52．

［9］張龔泉，岳建平，劉勝男，等．基于遙感影像的鄱陽湖地形提取

方法[J]．測繪通報，2022（5）：62-66，73．

ZHANG Gongquan， YUE Jianping， LIU Shengnan， et al． Terrain

extraction method of Poyang Lake based on remote sensing image[J]．

Bulletin of Surveying and Mapping，2022（5）：62-66，73．

［10］潮蕾．基于變分法的多光譜與全色圖像融合算法研究[D]．合肥：

合肥工業大學，2021．

CHAO Lei．A new pan-sharpening algorithm based onvariational method[

D]．Hefei：Hefei University of Technology，2021．

［11］劉清麗，楊伯鋼，張巾卓．北京市河流信息識別與提取[J]．測

繪科學，2015，40（4）：83-86，150．

LIU Qingli，YANG Bogang，ZHANG Jinzhuo．Identification and extraction

of urban river system based on GIS in Beijing[J]． Science of

Surveying and Mapping，2015，40（4）：83-86，150．

［12］"羅琪斯．基于三維GIS的大屏可視化策略[J]．計算機系統應用，

2022，31（3）：122-128．

LUO Qisi． Large-screen visualization strategy based on 3D GIS[J]．

Computer Systems amp; Applications，2022，31（3）：122-128．

［13］宋珊．基于WebGIS 的地質圖件檔案資料一體化管理系統設計與

實現[J]．陜西檔案，2023（5）：18-21．

［14］蘇融．地表及地下三維建模技術的研究與應用[J]．世界有色金

屬，2021（18）：192-193．

SU Rong． Research and application of surface and underground 3D

modeling technology[J]．World Nonferrous Metals，2021（ 18）：192-

193．

［15］高玉祥，程建軍，董曉峰，等．基于GIS 的風沙地區鐵路選線不

良地質環境建模及線路優化設計研究[J]．鐵道標準設計，2023，

67（2）：30-36，54．

GAO Yuxiang， CHENG Jianjun， DONG Xiaofeng， et al． Research

on unfavorable geology environment modeling and alignment optimization

design for railway route selection in wind-sand area based on

GIS[J]．Railway Standard Design，2023，67（2）：30-36，54．

［16］倪漢富．基于ArcGIS 與3ds MAX 的三維地形可視化[J]．北京測

繪，2020，34（6）：784-787．

NI Hanfu．3D terrain visualization based on ArcGIS and 3ds MAX[J]．

Beijing Surveying and Mapping，2020，34（6）：784-787．

［17］蘇融．地表及地下三維建模技術的研究與應用[J]．世界有色金

屬，2021，46（18）：192-193．

SU Rong． Research and application of surface and underground 3D

modeling technology[J]． World Nonferrous Metals， 2021， 46（ 18） ：

192-193．

［18］付博，鄧彩群．基于GIS 技術的環青海湖地區三維景觀模擬及分

析[J]．吉林建筑工程學院學報，2013，30（5）：17-20．

FU Bo，DENG Caiqun．3D landscape simulation and analysis of qinghai

lake area based on GIS[J]． Journal of Jilin Jianzhu University，

2013，30（5）：17-20．