Satellite­derived digital elevation models (DEMs) are indispensable for hydrologic analysis, yet riverbed topography beneath water bodies is systematically missing because of water reflectance/dispersion and water-level variability between satellite revisits. To address this structural limitation, we propose an automatic dataset construction method for DEM inpainting. For each DEM patch, the empirical cumulative distribution function (ECDF) of elevations is compared with a linear baseline; the threshold is chosen at the knee point where their vertical deviation is maximized. Elevations at or below this threshold are masked as likely wateroccupied terrain, while the original DEM serves as ground truth. Using the Copernicus DEM GLO-30, we sample patches from 30°S？30°N, enforce a water-area ratio of 5？15%, and apply morphological postprocessing. A patch size of 64×64 is adopted, yielding 10,000 input？ground-truth pairs in GeoTIFF format(EPSG:4326). Dataset validity is assessed with a lightweight Multi-Scale U-Net; evaluation is restricted to the masked (missing) regions. On the test set, the model achieves PSNR 13.44 dB, SSIM 0.78, and MAE 2.80 m. Qualitative analyses show stable reconstruction of topographic continuity near shorelines, with most vertical errors confined to within ±5 m around boundaries. The proposed approach enables standardized, automated generation of large training datasets that reflect local terrain characteristics without field-grade ground truth, providing a practical basis for hydrologically complete DEMs for riverbed restoration, waterlevel estimation, and large-scale hydrologic simulation. Future work will extend to mid- and high-latitude regions and incorporate hydrological-consistency constraints to jointly improve structural similarity and absolute accuracy.