遥感数据
遥感数据分级
遥感数据分级引言概述：遥感数据分级是遥感技术中的一项重要应用，通过对遥感数据进行分级处理，可以更好地理解和利用遥感图像信息。
在不同的应用领域中，遥感数据分级具有广泛的应用价值，如土地利用分类、资源调查、环境监测等。
本文将从数据获取、数据预处理、特征提取、分类方法和精度评价等方面介绍遥感数据分级的相关内容。
一、数据获取1.1 遥感数据类型：遥感数据可以分为光学遥感数据和雷达遥感数据两类。
光学遥感数据主要包括多光谱影像、高光谱影像和全色影像等，而雷达遥感数据则包括合成孔径雷达（SAR）数据和雷达高程模型（DEM）数据等。
1.2 数据来源：遥感数据可以通过卫星、飞机、无人机等平台获取，不同平台获取的数据具有不同的空间分辨率和时间分辨率。
1.3 数据格式：遥感数据通常以影像文件的形式存储，常见的格式包括TIFF、JPEG、PNG等。
二、数据预处理2.1 辐射定标：对遥感数据进行辐射定标是数据预处理的重要步骤，可以将原始数据转换为可用的物理量。
2.2 大气校正：大气校正是为了消除大气影响而进行的处理，可以提高遥感数据的质量和准确性。
2.3 几何校正：几何校正是为了保证遥感数据的几何精度，通常包括地理坐标系转换、影像配准等处理。
三、特征提取3.1 光谱特征：光谱特征是遥感数据中最基本的特征之一，通过分析不同波段的反射率可以提取出目标的光谱特征。
3.2 空间特征：空间特征是指目标在影像上的空间分布特征，如形状、大小、纹理等，可以通过图像分割和目标提取算法进行提取。
3.3 深度特征：深度学习技术在遥感数据分级中的应用越来越广泛，可以提取出更加高级的特征表示，提高分类的准确性。
四、分类方法4.1 监督分类：监督分类是最常用的分类方法之一，通过已知类别的样本训练分类器，然后对未知样本进行分类。
4.2 无监督分类：无监督分类是指在没有先验信息的情况下对影像进行分类，常用的方法包括聚类算法和自组织映射算法等。
4.3 深度学习分类：深度学习在遥感数据分级中的应用越来越广泛，如卷积神经网络（CNN）、循环神经网络（RNN）等，可以提高分类的准确性和效率。
遥感数据解译
遥感数据解译遥感数据解译是一种通过对遥感图像进行处理、分析，提取有用信息并将其转化为实际应用的过程。
遥感数据解译在众多领域中发挥着重要作用，如土地利用、城市规划、环境监测、农业管理等。
本文将简要介绍遥感数据解译的过程与方法，以及其在各个应用领域的具体实践。
一、遥感数据解译的概述遥感数据解译，简单来说，就是通过对遥感图像进行处理、分析，提取出有价值的信息，以便为实际应用提供依据。
遥感数据包括光学遥感数据、雷达遥感数据、热红外遥感数据等，不同类型的遥感数据具有不同的应用特点。
遥感数据解译的目的在于将这些数据转化为实际应用价值，为我国的经济建设、环境保护和社会发展提供支持。
二、遥感数据解译的过程与方法1.数据预处理：遥感数据在解译前需要进行预处理，包括图像配准、辐射校正、大气校正等。
预处理的目的在于消除数据中的噪声和误差，提高数据质量。
2.特征提取与分类：特征提取是遥感数据解译的关键环节，主要包括地物光谱特征、纹理特征、空间特征等。
提取到有效特征后，对遥感数据进行分类，如最大似然分类、支持向量机分类等。
3.结果验证与分析：分类结果需要进行验证和分析，以评估解译结果的准确性和可靠性。
常用的结果验证方法有混淆矩阵、分类精度等。
三、遥感数据解译的应用领域1.土地利用与城市规划：遥感数据解译可用于土地利用类型划分、土地覆盖变化监测、城市扩张与规划等方面。
2.环境监测与治理：遥感数据解译可用于大气污染、水污染、土壤污染等环境问题的监测与治理。
3.农业管理与资源利用：遥感数据解译可用于作物种植面积统计、农作物长势监测、农业资源调查等。
四、我国遥感数据解译的发展现状与展望近年来，我国遥感数据解译技术取得了显著成果，不仅在理论研究方面取得了突破，还在实际应用中为国家经济社会发展提供了有力支持。
然而，与国际先进水平相比，我国遥感数据解译仍存在一定差距。
未来，我国应加大遥感数据解译技术研究与应用力度，推动遥感数据解译在更多领域发挥重要作用。
遥感数据分级
遥感数据分级引言概述：遥感数据分级是指根据遥感图像中不同像素的特征和属性，将其划分为不同的类别或级别。
这种分级可以帮助我们更好地理解和分析遥感数据，并为地理信息系统、环境监测、城市规划等领域提供有力的支持。
本文将详细介绍遥感数据分级的意义和方法。
一、遥感数据分级的意义1.1 提供地表覆盖信息：遥感数据分级可以将遥感图像中的各个像素点划分为不同的地表覆盖类型，如水体、植被、建筑物等。
这样可以提供准确的地表覆盖信息，为环境监测和资源管理提供依据。
1.2 了解地表变化：通过对遥感数据进行分级，可以观察和分析地表的变化情况。
比如，可以追踪植被的生长情况、城市扩张的趋势等，为农业、城市规划等领域提供参考。
1.3 支持决策制定：遥感数据分级可以为决策制定提供重要的依据。
比如，在自然灾害发生后，可以通过对遥感图像的分级，评估受灾区域的程度和范围，从而制定相应的救灾计划。
二、遥感数据分级的方法2.1 基于光谱信息的分级：遥感图像中的像素点具有不同的光谱特征，通过对这些特征进行分析，可以将像素点划分为不同的类别。
常用的方法包括阈值分割、主成分分析等。
2.2 基于纹理信息的分级：遥感图像中的纹理信息可以反映地物的空间分布和结构。
通过对纹理信息进行分析，可以将像素点划分为不同的纹理类型，如粗糙、光滑等。
常用的方法包括纹理特征提取、纹理分类等。
2.3 基于形状信息的分级：遥感图像中的地物具有不同的形状特征，通过对这些特征进行分析，可以将像素点划分为不同的形状类型，如圆形、矩形等。
常用的方法包括形状特征提取、形状分类等。
三、遥感数据分级的应用3.1 地理信息系统：遥感数据分级可以为地理信息系统提供准确的地表覆盖信息，从而支持地图制作、空间分析等功能。
3.2 环境监测：通过对遥感数据进行分级，可以监测和评估环境的变化情况，如森林覆盖率、水体污染程度等。
3.3 城市规划：遥感数据分级可以提供城市发展的基础信息，如土地利用情况、建筑物分布等，为城市规划和土地管理提供支持。
遥感数据获取和处理的方法与技巧
遥感数据获取和处理的方法与技巧遥感技术是一种通过远距离获取地球表面信息的技术，具有广泛的应用领域，包括土地利用规划、环境监测、资源调查等。
本文将介绍遥感数据获取和处理的方法与技巧，以帮助读者更好地理解和应用遥感技术。
一、遥感数据获取的方法与技巧1. 遥感平台的选择遥感数据的获取可以通过不同的平台进行，包括卫星遥感和航空遥感。
卫星遥感是通过卫星搭载的传感器获取数据，适用于大范围的地表信息获取；而航空遥感则是通过飞机或无人机搭载的传感器获取数据，适用于局部区域的高分辨率影像获取。
在选择遥感平台时，需要根据具体应用需求和预算进行评估和选择。
2. 数据源的选择遥感数据的获取可以通过不同的数据源进行，包括光学遥感数据和雷达遥感数据。
光学遥感数据通过感知可见光和红外辐射，适用于获取地表的光谱和形态信息；而雷达遥感数据通过感知微波辐射，适用于获取地表的高度和形变信息。
在选择数据源时，需要根据应用需求和研究目标进行评估和选择。
3. 数据获取的预处理在进行遥感数据获取之前，需要进行数据获取的预处理工作。
这包括确定获取的数据范围、选择合适的获取时间和天气条件，以及进行辐射校正和几何校正等工作。
预处理的目的是消除图像中的噪声、改善数据质量，并使数据能够更好地用于后续分析和处理。
二、遥感数据处理的方法与技巧1. 影像分类与解译遥感数据处理的核心任务之一是影像分类与解译。
影像分类是将遥感图像中的像素根据其特征进行划分，并将其归类到不同的地物类型中；而影像解译则是通过对图像中不同地物的特征进行分析和解释，推断其类型和特征。
影像分类与解译可以利用传统的机器学习算法，如最大似然法和支持向量机等，也可以利用深度学习算法，如卷积神经网络等。
2. 特征提取与分析特征提取与分析是遥感数据处理的另一个重要任务。
特征提取是将遥感数据中有用的信息提取出来，如纹理特征、形状特征等；而特征分析则是对提取出的特征进行统计和分析，从而揭示地物的空间分布和变化规律。
遥感数据
陆地卫星图像的几何特性(续)
（三）重叠
MSS 、TM 图像都有航向重叠和旁向重叠，这 与航空像片的概念相似，但亦有不同。
1.航向重叠。这二种卫星图像都是连续扫描成 像的，相邻图像的航向重叠是地面处理机构在 对图像进行分幅时，为了便于用户应用时进行 拼接图幅人为处理加上的航向重叠（航空像片 的航向重叠是在两个摄影站摄影形成的）。陆 地卫星图像的航向重叠宽度为15km，约占图 幅8%。
陆地卫星图像的几何特性(续)
2.旁向重叠。旁向重叠是轨道间相邻图像的重叠，是 由轨道间距和扫描的宽度决定的。
这种重叠与航空像片的重叠十分相似，可以用来进行 立体观察，但立体感不明显（由于航高过大）而且限 于高纬度、重叠较大的地区。4、5 号陆地卫星在赤 道地区轨道间距约为170km，约有15km 的重叠 （图5-8）。因为地球是一个椭球体，卫星轨道在极 地地区相交，因而相邻轨道间的距离从赤道向两极逐 渐缩短，而卫星对地面扫描的宽度不变。因此，卫星 图像的旁向重叠，是从赤道向两极逐渐增大，旁向重 叠的百分率见表5-7：
陆地卫星图像的几何特性(续)
（二）投影性质
多光谱扫描仪图像和专题制图仪图像都是在陆地卫星运行中， 扫描仪沿垂直于飞行方向进行扫描而产生的连续的条带图像。 可以说每一瞬时视场都相当于框幅摄影的单幅像片，而每一扫 描行都有一个中心（星下点）。每幅卫星图像是由多行扫描而 成的，所以说卫星图像是一种多中心投影。这与普通航空像片， 每一幅只有一个中心是不同的。由于卫星飞行高度大，扫描角 度又小，所以卫星图像在变形上比航空像片要小得多，我们可 以把卫星图像看作是近似于垂直投影，与同比例尺地形图的精 度十分接近。精制的陆地卫星图像是利用地面控制点作了精确 校正的，用计算机归算成通用横轴墨卡托投影（UTM）或极地 球面投影（PSP），其精度与同比例尺地形图相似。
遥感数据分级
遥感数据分级遥感数据分级是一种对遥感图象进行分类和组织的方法，通过对图象中的像素进行分析和归类，可以得到不同类别的地物信息。
遥感数据分级在地理信息系统（GIS）、环境监测、城市规划等领域有着广泛的应用。
一、遥感数据分级概述遥感数据分级是指将遥感图象中的像素根据其特征和属性进行分类，将其划分为不同的类别或者等级。
这些类别可以是地物类型、覆盖程度、植被密度等。
通过遥感数据分级，可以对地表进行综合分析和评估，为地理空间信息的提取和应用提供基础数据。
二、遥感数据分级的方法1. 基于像素的分级方法：该方法将遥感图象中的每一个像素点独立进行分类和判别，根据像素的灰度值、光谱特征等进行判别。
常用的基于像素的分级方法有最大似然法、支持向量机等。
2. 基于对象的分级方法：该方法将遥感图象中的像素组织成对象，根据对象的形状、纹理、空间关系等特征进行分类。
常用的基于对象的分级方法有基于规则的分类、基于决策树的分类等。
3. 基于深度学习的分级方法：该方法利用深度学习模型对遥感图象进行特征提取和分类。
通过建立深度神经网络模型，可以实现对遥感图象的自动分级和识别。
三、遥感数据分级的应用1. 土地利用规划：通过对遥感图象进行分级，可以对土地利用类型进行识别和划分，为土地利用规划和管理提供科学依据。
2. 环境监测：遥感数据分级可以用于环境监测和评估，如水质监测、土壤污染评估等。
通过对遥感图象中的水体、植被等进行分级，可以提取环境信息，监测环境变化。
3. 城市规划：遥感数据分级可以用于城市规划和建设。
通过对遥感图象中的建造物、道路、绿地等进行分级，可以提取城市空间信息，为城市规划和建设提供参考。
4. 自然资源管理：遥感数据分级可以用于自然资源的管理和保护。
通过对遥感图象中的森林、湿地、草地等进行分级，可以评估自然资源的状况和利用情况。
四、遥感数据分级的挑战和发展方向1. 数据质量：遥感数据的质量对数据分级的准确性和可靠性有着重要影响。
遥感数据分级
遥感数据分级引言概述：遥感数据分级是遥感技术中的一项重要工作，通过对遥感图像进行分类和分级，可以更好地理解和利用遥感数据。
本文将从遥感数据分级的定义和意义、分级方法、常用的分级系统、分级结果的应用以及分级的局限性等方面进行详细阐述。
一、遥感数据分级的定义和意义1.1 定义：遥感数据分级是指根据遥感图像中的像元特征，将其分为不同的类别或级别的过程。
1.2 意义：遥感数据分级可以帮助我们理解遥感图像中的地物类型和空间分布，为地表覆盖分类、资源调查和环境监测等提供基础数据。
二、分级方法2.1 监督分类：通过人工选取一些样本像元进行训练，然后利用分类算法对整个图像进行分类。
2.2 无监督分类：根据像元的相似性进行聚类，将相似的像元归为一类。
2.3 半监督分类：结合监督分类和无监督分类的方法，通过少量样本进行训练，然后利用聚类算法对剩余像元进行分类。
三、常用的分级系统3.1 自然地物分级系统：按照地物的自然属性进行分类，如植被、水体、建筑等。
3.2 人文地物分级系统：按照地物的人文属性进行分类，如道路、城市、农田等。
3.3 综合地物分级系统：结合自然地物和人文地物的分类标准，进行综合分级。
四、分级结果的应用4.1 地表覆盖分类：通过遥感数据分级，可以获取地表覆盖的空间分布信息，为土地利用规划和资源管理提供支持。
4.2 环境监测：通过对遥感图像进行分级，可以监测环境变化，如水体污染、植被退化等。
4.3 资源调查：利用遥感数据分级结果，可以对资源进行调查和评估，如森林资源、水资源等。
五、分级的局限性5.1 误差和不确定性：遥感数据分级过程中存在分类误差和不确定性，可能会影响分级结果的准确性。
5.2 分辨率限制：遥感图像的分辨率限制了分级的精度和细节展示。
5.3 遥感数据的选择：不同类型的遥感数据对于不同的地物分级可能存在适用性差异。
总结：遥感数据分级是一项重要的遥感技术应用，通过对遥感图像进行分类和分级，可以为地表覆盖分类、资源调查和环境监测等提供基础数据。
常用遥感卫星数据介绍
常用遥感卫星数据介绍遥感卫星数据是指由遥感卫星获取的地球表面信息的数字化数据。
遥感卫星通过搭载在航天器上的观测仪器，利用电磁波辐射接收和传输地球表面的物理量，并将其转化为数字信号，最终生成遥感卫星数据。
常见的遥感卫星数据包括光学遥感数据、雷达遥感数据和地形遥感数据等。
光学遥感数据是指通过光学传感器收集的卫星数据，可以分为多光谱数据和高光谱数据两种。
多光谱数据通过在不同波段的探测器中接收光辐射，得到不同波段的图像，常见的有Landsat、Sentinel等卫星。
多光谱数据可以用于土地覆盖分类、植被监测、水资源调查等应用。
高光谱数据则是在较窄的波段范围内获取更多的光谱信息，可以更精确地进行地物分类和光谱分析。
雷达遥感数据是通过雷达传感器获取的卫星数据，利用雷达波的特性对地球表面进行探测和测量。
雷达遥感数据可以在夜晚或云层遮挡的条件下进行观测，具有独特的能力。
它可以提供地表反射率、地表高度、土壤含水量等信息，对于农业、气象和海洋等领域具有重要意义。
常见的雷达卫星包括SAR（合成孔径雷达）卫星、ERS卫星等。
地形遥感数据是通过测量地球表面和地形特征以获取地质、地貌、地貌和地表覆盖等方面的信息。
地形遥感数据可以通过激光雷达测距仪或雷达高度计获得。
地形遥感数据广泛应用于地质勘探、城市规划、水资源管理等领域。
常见的地形遥感卫星包括GEOID和ICESat等。
此外，还有热红外遥感数据用于测量地表及大气的热辐射，用于火灾监测和研究、城市热岛效应等；微波遥感数据用于测量大气和地表的微波辐射，用于气象观测、植被水分状况估算等；激光遥感数据用于三维地形测绘和建筑物监测等。
综上所述，常用的遥感卫星数据包括光学遥感数据、雷达遥感数据、地形遥感数据以及热红外遥感数据、微波遥感数据和激光遥感数据等。
这些数据可以提供丰富的地球表面信息，广泛应用于农业、地质、气象、环境和城市规划等领域。
随着遥感技术的不断发展，遥感卫星数据将为人们提供更多更精确的地球观测数据。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
4.6 航空摄影测量与遥感数据的录入
航空象片以及其他遥感影象，除了自身可以作为GIS原始数据被用于一般性参考和粗略判读和量算之外，还可以通过各种进一步的处理、解释和计算机辅助信息提取而获得大量的第二手空间数据。
图4－3列出了航空象片的获取、处理和一些常用的应用。
图4-3航空象片的获取、处理和一些常见的应用
航空摄影一般采用专门航测飞机，如需要特定波段的光谱影象，可结合使用滤色片和具有特定光谱敏感范围的胶片，这样可以获得光谱分辨率高于20nm的航空影象。
这对某些专题信息的提取很有意义。
例如植物叶绿素在680nm到700nm 波段内对光线的吸收最强，利用这一波段的影象可以估算不同植物或植物在不同健康程度下的叶绿素含量。
航空象片是一种应用最广泛的遥感数据。
卫星遥感可以覆盖全球每一个角落，对任何国家和地区都不存在由于自然或社会因素所造成的信息获取的空白地区，卫星遥感资料可以及时地提供广大地区的同一时相、同一波段、同一比例尺、同一精度的空间信息；航空遥感可以快速获取小范围地区的详细资料，也就是说，遥感技术在空间信息获取的现势性方面有很大的优势
遥感数据有以下优点1．增大了观测范围。
2．能够提供大范围的瞬间静态图象。
这一点对动态变化的现象非常重要。
例如可根据一系列在不同时间获得的洪泛区图象，研究洪水在大面积范围内的变化，这一点靠野外测量的方法很难做到，因为当我们从一点到达另一点的时候所观测的洪水趋势已与上一点的观测时间不同了，所以得不到一个大范围的瞬间静态图象。
3．能够进行大面积重复性观测，即使是人类难以到达的偏远地区也能够做到这一点。
特别是在卫星平台上可以周期性地获取某地区的遥感数据。
4．大大加宽了人眼所能观察的光谱范围。
人眼敏感的光谱范围大致在0.4μm到0.7μm波长之间，而摄影胶片的敏感范围为0.3～0.9μm，使人眼的光谱视域加宽到原来看不到的紫外和近红外波段。
利用其他对电磁波敏感的器件，可以使光谱范围增大到从X射线（波长为0.1nm级）到微波（波长在数十厘米）。
其中对温度敏感的热红外传感器可以不受昼夜限制对不同物体的温度成象（光谱范围10.4～12.4μm）。
而利用微波技术制成的雷达则不仅不受制于昼夜的光照条件，而且可以穿透云层从而达到全天候的成象能力。
5．空间详细程度高。
航空象片的空间分辨率可高达厘米级甚至毫米级，在野外实地观察，人眼往往难以注意到这样的空间细节，而且航空象片经过纠正后几何精度很高，几乎所有象点都有较高的几何精度，这也是野外实地测量达不到的。
商用卫星遥感数据的空间分辨率也将达到80cm左右，而数字航空摄影或利用其它航空传感器也可以达到10～30cm 的空间分辨率。
非摄影遥感数据与航空象片资料相比的特点见表4－1。
表4－1 非摄影遥感与航空象片资料的比较
项目航空象片航空遥感卫星遥感传感器照相机多光谱扫描仪
热红外扫描仪、雷达
同左
数据载体胶片、象片磁带、硬盘、光盘、胶片、象片磁带、硬盘、光盘、
胶片、象片光谱敏感范围0.3～0.9nm 0.1nm～1m 0.1nm～1m
光谱分辨率≥50nm 一般大于3nm 一般大于3nm
光谱波段数1～3 1～288 1～384
空间分辨率可达毫米级20cm～20m 最高可达0.82m
单幅影象的覆盖范围400m×400m
20km×20km
一般大于：20km×20km 6km×6km
至整个半球
对光照条件的要求10∶00～14∶00
地方时当光谱小于1mm时，日出至日落间；
3～16mm时，昼夜均可、受云影响；
微波雷达可全天候
同左
对天气条件的要求风暴天不宜风暴天不宜阴雨天对雷达无妨操作于大气层外不
受天气
条件影响数据获取频率受制于光照和
天气条件
30分钟至26天
对辐射能量量化的
难易程度
难易易
投影方式中心投影多中心、多条带多中心、多条带
几何质量高低低
从表4－1可以看出非摄影遥感数据较航空象片易于数字化存贮和处理，光谱敏感范围大大加宽，光谱分辨率提高，光谱波段大为增高。
光谱分辨率高有助于区分不同物质间细微的光谱辐射差异。
光谱波段增多可增多光谱信息含量。
拥有数十个以上较连续的光谱波段，而且光谱分辨率较高的传感器称为成象光谱仪。
因为这类仪器获取的图象上每一点都可以制成光谱曲线加以分析（见图4－4）。
图4-4成象光谱仪数据与陆地卫星多光谱数据的比较
但这类传感器也增加了数据容量，从而增加了存贮和处理的难度。
获取非摄影数据不需航空摄影那样严格的光照和天气条件。
详细的电磁辐射量化程度有助于区分同一波段内的细微辐射程度。
卫星遥感一般在覆盖范围方面又远远大于航空遥感，并且其周而复始的轨道周期性使获取数据更容易。
但由于一幅遥感影象由许多中心投影构成，其几何质量不如航空象片，纠正起来也更困难，所以若用于制作较大比例尺的地图，不一定能够满足地图的几何精度。
遥感中常使用的电磁辐射能的光谱范围如图4－5所示。
照相机和一般的多光谱传感器仅限于紫外至短波红外的范围。
只有比较昂贵的热红外传感器和雷达使用长于该范围的光谱波长。
其中可见光和近红外较适合于植被分类和制图，短波红外里的1.5～1.8μm较适合估测植物水分，2.3～2.4μm较适合岩性识别，热红外适于温度探测，而雷达图象较适于测量地面起伏和对多云地区进行制图。
在微波范围也有微波辐射计等传感器，适于土壤水分制图和冰雪探测，但这类传感器分辨率低，大多被用于气候和水文研究。
图4-5电磁波谱不同波长的分段命名
当前，现代地理信息产业的主要任务是建立基础地理信息系统，以不断满足国民经济和社会发展各部门用户对地理信息产品新的和更高的要求。
系统的建设，包括数据的获取、加工、维护和更新，是一个动态过程，因此，应该在系统建设的同时不间断地向用户提供不同类型和品种的地理信息产品。
现阶段，基础地理信息数字产品包括四种基本模式：
(1) 数字正射影像图（Digital Orthophoto Map，缩写DOM）是利用数字高程模型（DEM）对经扫描处理的数字化航空像片，经逐像元进行投影误差改正、镶嵌，按国家基本比例尺地形图图幅范围剪裁生成的数字正射影像数据集。
它是同时具有地图几何精度和影像特征的图像，具有精度高、信息丰富、直观真实等优点。
如图4－6所示。
图4-6数字正射影像图
(2) 数字高程模型（Digital Elevation Model，缩写DEM）是在某一投影平面（如高斯投影平面）上规则格网点的平面坐标（X，Y）及高程（Z）的数据集。
DEM的格网间隔应与其高程精度相适配，并形成有规则的格网系列。
根据不同的高程精度，可分为不同类型。
为完整反映地表形态，还可增加离散高程点数据。
如图4－7所示。
图4－7 数字高程模型
(3) 数字栅格地图（Digital Raster Graphic，缩写DRG）是现有纸质地形图经计算机处理后得到的栅格数据文件。
每一幅地形图在扫描数字化后，经几何纠正，并进行内容更新和数据压缩处理，彩色地形图还应经色彩校正，使每幅图像的色彩基本一致。
数字栅格地图在内容上、几何精度和色彩上与国家基本比例尺地形图保持一致。
如图4－8所示。
图4-8数字栅格图
(4) 数字线划地图（Digital Line Graphic，缩写DLG）是现有地形图要素的矢量数据集，保存各要素间的空间关系和相关的属性信息，全面地描述地表目标。
如图4－9所示。
图4-9数字线划图。