评估选项
等高线代表连续的表面，因此它们的比较最终是比较那些表面的代理。因为表面值（高程）和位置都可能会出错，所以比较有两个组成部分：就值和位置而言。不能将两者分开，因为曲面表示位置的变化会导致明显的高程变化。
这给我们留下了两种策略：比较值或比较位置。正如我将要展示的那样，比较值是直接而直接的，而比较线性特征的位置是有问题的（正如任何人都可以通过绘制两个不重合的弧并费解如何测量其差异来理解）。
正如问题所建议的，还有（至少）两种表示表面的策略：我们可以坚持等高线-这使我们处于比较线性特征彼此的困难位置；我们可以将等高线转换为曲面并直接比较这些曲面，这很吸引人，但受到用于重建曲面的插值过程中任意元素的影响；或者我们可以充分利用我们拥有的数据，而不必放弃沿轮廓线以外的任何位置进行比较。后者再次是直接的，没有任意元素。
直接比较轮廓线与曲面
为了将轮廓与表面进行比较，我们仅拾取沿该轮廓的所有表面值。如果轮廓是正确的，则这些值将在轮廓所命名的高程处形成一个完美的水平不变的“轮廓”。因此，差异的所有量化都归结为这些配置文件的统计分析。
这种分析可能是丰富而广泛的；关于这个领域，有太多可以说的东西了。然后，我将回过头来，将这个答案限制为基于对轮廓轮廓进行汇总的一些简单但有效的初步分析。可以使用区域统计信息轻松进行此类汇总（这是大多数栅格GIS（例如GRASS和Spatial Analyst）中可用的操作）。各个轮廓就是区域。位于这些轮廓下方的表面的值就是被汇总的值。
我们主要对这些摘要的两个方面感兴趣：变化量，可以通过标准偏差和极值（最小和最大）量化；和平均值，其可以通过算术平均值进行定量。
案例分析
作为一个运行示例，这是一个7.5分钟（30米像元大小）的山丘阴影USGS DEM，它具有根据DEM自身计算的 50米轮廓：
我将这些轮廓转换为栅格（使用与原始DEM相同的像元大小，原点和范围），并使用等高线值将该栅格归因于此：这些在DEM的区域摘要中用作区域标识符。结果足够有趣，可以在此处完整复制：
Elevation Count Mean SD Min Max
100 2881 100.5 4.3 82 124
150 28333 150.0 1.9 139 170
200 46460 200.0 2.2 185 216
250 30503 250.0 2.9 236 263
300 21179 300.0 3.8 279 317
350 15709 350.0 4.3 331 369
400 13082 400.0 4.3 383 418
450 10332 450.0 4.4 436 466
500 7805 500.0 4.3 481 521
550 5493 550.0 4.4 536 566
600 3785 600.0 4.6 587 614
650 3206 649.9 4.5 637 664
700 2516 700.1 4.4 686 713
750 1859 749.9 4.2 734 764
800 1286 800.0 4.0 786 813
850 705 850.0 3.5 840 859
900 222 900.1 3.1 891 909
950 48 949.8 1.8 945 953
请记住，这是从栅格本身生成的轮廓的摘要。 因此，它反映了所有其他比较的理想和参考。有鉴于此，值得注意的是
DEM（Mean）的平均值与名义轮廓水平（Elevation）紧密匹配。
尽管如此，还是有差异的：标准偏差（SD）往往在4米左右。与50米的轮廓间隔相比，这相对较小，但是（大概）如果我们选择了10米的轮廓间隔，那么-因为轮廓本身不会改变-这些标准偏差将是一个相当于轮廓间隔本身！ 这里发生了什么？
变化可能很大：极端（Max和Min）可能偏离标称高程24米-等高线间隔的一半。 这怎么可能？
轮廓线覆盖了截然不同的区域。在此地形中，高海拔等高线仅占栅格的一小部分（如像元计数所示Count）。最低轮廓类似地覆盖相对少量的单元。 这是任何表面的典型现象：山顶和谷底不可能有很多；大部分土地都将介于两者之间。
当然，所有这些变化的常见解释是斜率。区域摘要描述了等高线穿过的像元。仅根据在像元中心记录的高程（粗略）插值了等高线。在坡度陡峭的地方，插值线下方的实际标高会发生很大变化。但是，由于轮廓是以50米为间隔构造的，因此变化超过50/2 = 25米将是一个错误，因为这将表明轮廓只是在错误的位置。这限制了区域摘要中的最小和最大偏移。
下图提供了一个可视摘要Elevation，Mean和Count值：它显示了平均海拔如何误差的光栅（的Mean负Elevation）与标称轮廓海拔而变化，在比例圆形符号上浆地形的由每一轮廓水平覆盖的量。圆圈是空心的，以便我们即使在重叠的地方也能清晰看到它们。
可以使用任何栅格进行此分析。 做到：为以后的所有比较提供参考。接下来，对所需的任何轮廓层执行相同的分析，并将结果与参考进行比较。
为了说明和理解此过程，我创建了一些其他轮廓层，如下所示。这些插图基于原始DEM的一小部分，因此您可以看到详细信息。
将栅格分辨率粗化10倍（从30米到300米），然后进行轮廓处理。将此称为“重新采样”轮廓层。在图中供参考的是灰度的原始轮廓。
所有原始轮廓都向东移动了150米，向北移动了150米。这是“移位的”轮廓层。
将一个随机仰角误差添加到原始DEM，并对其进行了重新轮廓处理。误差在空间上高度相关，从-35米到+20米不等，平均约为零米。（这是现实的，并且与该DEM中预期的误差量一致。）因此，在误差为负（下图显示为蓝色）的情况下，标高降低了，而误差为正（在图中黄色）。 ），海拔升高了。 该图显示了生成的轮廓（用于“错误”层）。有些与原件的位置明显不同：
下图覆盖了区域平均图，以便进行比较。
在这里可以说很多话，但令我真正感到惊讶的是，仅仅移动等高线（相对较小的数量）就在一定程度上引入了一些最大的误差，尤其是在中部海拔地区。（在最高海拔处，我们知道移动将注定要失败，因为它势必会将最高等值线平均放置在较低海拔的区域中，因此我们知道区域平均值将小于名义等值线水平）。类似地，这种移动应该导致最低轮廓级别的正平均误差-确实如此，但程度不同。
因为重新采样的轮廓也是同一栅格的有效轮廓（尽管分辨率降低了），所以它们像原始轮廓一样，平均应该没有误差。如黑圈所示，确实是这种情况。但是，黑圈确实会从零的理想值偏离几米，尤其是在较高的标高中：较低的分辨率会导致较大的变化。 不足为奇，但是现在我们已经量化了特定地形的影响。
绿色圆圈根据错误的高程绘制轮廓的平均误差，显示出一致，系统的趋势。它发生了趋势是上升的。这是纯粹的机会，这是远程空间相关性的结果：标高误差恰好是正的，主要发生在高海拔地区。在其他情况下，这些误差通常可能是负的，或者-如果空间相关性不高，则这些误差可能会与原始轮廓保持平衡，并且在这方面无法区分。如果我们希望能够识别出此类错误，则我们必须走得更远，研究平均值从地图的一个部分到另一部分的变化。（我们可以通过将轮廓区域划分为单独的区域，甚至通过将轮廓人为地切成较小的区域来实现。）
此分析的其他自然延续包括绘制区域标准偏差；绘制错误图；并可能沿着轮廓绘制各个轮廓。
摘要
该答案主张通过区域汇总将轮廓图层与栅格数据集进行直接比较。基于从栅格本身得出的轮廓的区域统计数据的可视化和统计摘要，为进行比较提供了参考。可以通过引入此类错误并分析所得轮廓来收集有关可能出问题的其他信息（包括分辨率损失，位置误差和高程误差）。因为结果可能是特定于地形本身的，所以我不愿意尝试提供任何超出此范围的概括或通用指导。