“实验一 为研究区准备数据”——看到这个题目如果你的第一反应是“把数据拖进软件里就行了”那后面大概率要翻车。我每年带本科生的GIS实验课第一轮实验就有大批同学在这个看似简单的任务上栽跟头有人辛辛苦苦下载了五六个图层加载到同一工程里却错开好几公里有人裁剪完影像边缘全是黑块还有人交上来的数据命名混乱连自己都分不清哪份是最新版。这还真不怪大家基础差而是“数据准备”这四个字背后藏着坐标系统、数据格式、裁剪方式、质量检查一大堆容易被忽略但能决定后续分析成败的细节。这篇文章就围绕这个实验题目把我做项目时沉淀下来的一整套研究区数据准备流程完整展开讲一遍。无论你用的是QGIS、ArcGIS还是纯Python核心思路都是共通的。我尽量把每一步为什么这么做、参数怎么定、哪里容易踩坑都讲透让零基础的同学能照着做也让已经做过类似工作的从业者能查漏补缺。1. 不要急着打开软件先想清楚要准备什么1.1 “研究区数据准备”到底在准备什么“为研究区准备数据”这句话字面上很直白但真正动手前必须回答一个问题这些数据是给谁用、用来做什么分析用的。我这学期给他们设定的实验场景是研究区位于南方某丘陵地区的县城及其周边范围总面积约120平方公里后续要做建设用地扩张分析。那么“准备数据”就远远不是加载一张影像那么简单。回推一下建设用地扩张分析至少需要四类基础数据一是研究区边界矢量用来圈定分析范围二是道路、水系等基础设施矢量用来做约束条件三是遥感影像用于提取土地利用和建设用地信息四是数字高程模型DEM用于分析地形起伏、坡度和建设适宜性。如果换成水文分析场景DEM就成了主角还要额外准备土壤类型、降雨分布、流域划分结果如果是做空气质量评估气象数据和污染源排放数据又必不可少。这就是整个实验的第一步也是最重要的一步把“研究目的—分析需求—数据需求”这条链想清楚。别急着找数据先想清楚到底需要什么。1.2 为什么第一个实验偏偏是数据准备数据准备是整个GIS项目的“地基工程”。后续所有叠加分析、空间统计、模型运算每一环都在跟坐标、范围、精度打交道。如果一个图层是WGS84经纬度另一个是CGCS2000高斯投影图面上可能只差几十米甚至几公里肉眼第一眼未必看得出来但叠分析结果完全没法用。还有更隐蔽的问题研究区边界没闭合、属性表里有大量空值和重复项、影像带黑边、栅格像元大小不一致。这些问题通常不会让软件报错却会沿着分析流程一路“传染”下去到最后出图或者计算时才爆炸排查起来极其痛苦。做实验一的意义就是把这些坑提前踩一遍、填一遍把一套干净、统一、有据可查的数据交到后续所有实验手里。所以我经常和学生说一句糙话数据准备做得好的项目后面分析都是顺水推舟数据准备糊弄事儿的项目后面每一步都在还债。1.3 整体方案怎么选QGIS、ArcGIS和Python怎么搭配工具选型也是实验一里值得思考的一环。我这套流程以QGIS为主Python脚本为辅。QGIS是开源免费软件学生在自己电脑上就能装不会遇到授权问题又内置了完善的工具箱裁剪、投影、拓扑检查、栅格计算都有图形界面。ArcGIS功能当然也很强但授权和跨平台麻烦一些实验阶段我更推荐QGIS。Python则用来做批量化和可复现的事情。比如一次实验要处理30景遥感影像在QGIS里点鼠标点到手酸用GDAL命令行脚本几秒钟就能跑完全部裁剪和重投影。我的建议是交互式操作用图形界面快速验证批量处理写成脚本两条腿走路。这样既不会因为过度自动化导致看不懂中间过程也不会因为全手工操作导致效率太低。2. 数据需求清单和数据来源怎么定2.1 一张表说清楚数据需求我带的这个实验数据需求表大致是下面这个样子的。别小看这张表它既是后续工作的路线图也是实验报告的重要组成部分。数据类别建议数据源格式分辨率/比例尺坐标系/投影主要用途研究区边界官方行政区划发布数据或课程提供边界Shapefile / GeoPackage矢量CGCS2000 / 高斯-克吕格3度带圈定分析范围、裁剪其他数据道路矢量公开路网数据或人工矢量化Shapefile / GeoPackage矢量CGCS2000 / 高斯-克吕格3度带交通可达性、建设用地约束水系矢量公开水系数据或人工矢量化Shapefile / GeoPackage矢量CGCS2000 / 高斯-克吕格3度带水文分析、生态约束遥感影像Sentinel-2多光谱影像GeoTIFF10米WGS84 / UTM或转到CGCS2000土地利用分类、建设用地提取数字高程模型ALOS 12.5米或SRTM 30米DEMGeoTIFF12.5米或30米WGS84 / 经纬度坡度坡向分析、地形分析这里有个容易被新手忽略的细节不同来源数据的坐标基准和投影往往不一样。行政边界是CGCS2000平面坐标影像下载回来却是WGS84经纬度DEM可能又是另一个框架。实验一的关键任务之一就是把这些数据全部“拧”到同一个坐标系里。2.2 不同来源数据的取舍原则分辨率不是越高越好这是我特别想强调的一点。很多同学一听说要做影像分析张口就要亚米级高分辨率影像。但对于120平方公里研究区的一期实验来说高分辨率影像数据量巨大处理时间翻几倍而且往往还需要付费购买。更关键的是如果你的投影基准或分类方法不够成熟太高的分辨率反而会引入大量噪声。实验环境下卫星影像用Sentinel-2的10米多光谱数据就非常合适。它有蓝、绿、红、近红外四个10米波段对于土地利用分类、水体提取、植被指数计算这些常规分析足够用而且公开免费。DEM方面ALOS提供的12.5米DEM和SRTM的30米DEM都是常见选择。前者细节更丰富后者数据更稳定、处理更快。如果研究区是平原地区30米DEM完全能胜任如果是丘陵山地建议用12.5米把地形细节保留下来。我的习惯是先定统一栅格分辨率。比如决定所有栅格数据在分析前都重采样成10米那么DEM就重采样成10米影像本身是10米就不用动。这样后续做栅格叠加计算时不会因为像元大小不一致而自动重采样产生不必要的误差。2.3 坐标系和投影最容易埋雷的一环坐标系是数据准备阶段最大的“暗坑”我单独拿出来讲。简单说地理坐标系是用经纬度描述地球表面位置像是用经线和纬线织成一张网投影坐标系则是把地球曲面“展开”成平面就像把橘子皮剥下来摊平必然会有拉伸变形。不同投影方式适合不同区域和用途。我国测绘和国土行业广泛使用的是CGCS2000坐标系它属于地心坐标参考框架配套的高斯-克吕格投影分为3度带和6度带。对于120平方公里的县级研究区用3度带高斯投影就很合适。选带号也有讲究需要根据研究区最中间的经度来计算中央经线。3度带中央经线公式是中央经线 带号 × 3。如果研究区落在某条经线附近就要查所在3度带对应的中央经线再在软件里选对应EPSG代码。为什么这事容易埋雷因为从网上下载的公开数据很多直接使用WGS84经纬度连投影都没做。你在QGIS里加载两个图层一个带投影一个不带软件可能在“示意图”层面能显示但一旦做距离计算、面积统计、缓冲区分析结果就是错的。实验一的硬性要求就是所有矢量数据统一到一个平面坐标系所有栅格数据在完成裁剪后也统一到同一个坐标框架并指定统一的分辨率。3. 实操全流程用QGIS和Python把数据收拾利索3.1 先立规矩建目录、建工程、定投影准备工作只要花五分钟却能让你后面少走很多弯路。我的习惯是在项目根目录下建立清晰的数据目录比如这样data/ raw/ # 原始数据永远不直接修改 interim/ # 中间处理产物 final/ # 最终成果数据 meta/ # 元数据和数据清单 output/ # 实验输出结果原始数据放进raw目录后尽量保持只读所有处理产物放到interim和final。这个习惯看起来很基础但当你在第8步发现自己把原始边界裁坏了又找不到备份时就知道有多值钱了。然后打开QGIS新建工程在工程属性里设置坐标系。以实验场景为例我会选择CGCS2000 / 3-degree Gauss-Kruger zone 对应的EPSG代码具体要看研究区所在经度。这一步的意图是让工程从一开始就在统一空间参考下工作后续加载的所有数据如果坐标系不同QGIS会提示即时转换。虽然能即时显示我还是建议每一步处理时都用“重投影”“另存为”把数据真正转换到统一坐标系而不是依赖实时渲染转换否则导出给别人时坐标往往会变回去。3.2 矢量数据整理裁剪、属性清洗、拓扑检查矢量数据是整个研究的骨架整理步骤我按顺序拆开讲。第一步是加载研究区边界并且检查属性表。原始边界数据常常带一堆用不上的字段比如地区编码、面积字段、名称甚至还有历史遗留的备注列。我会保留必要的几个字段其余删除并且把字段名改成英文加下划线的形式比如name、code、area_km2。为什么要改英文因为中文命名字段在不同软件之间交换数据时经常触发编码不一致问题命令行处理也不方便。第二步是道路和水系的裁剪。用QGIS工具箱里的Clip功能以研究区边界为裁剪要素把整个市域路网裁成研究区范围内的部分。参数上要勾选“保留被部分裁切的对象”这样落在边界上的道路不会因为边界线穿过而丢失整条路段。第三步是拓扑检查。这是最容易忽略的一步。我用QGIS的Topology Checker插件检查边界是否闭合、道路之间是否有悬挂节点、水系是否存在自相交。拓扑错误如果直接带进后续网络分析最短路径可能会算出完全离谱的结果或者缓冲区分析出现异常形状。还有一点要特别注意检查水系时如果研究区边界把河流切断了会出现河道断头的情况。此时要根据实际流向把边界外河道沿边界向外延伸一段再裁剪保证河网连续性。3.3 栅格数据准备影像波段合成、DEM预处理、统一分辨率栅格数据的准备是整个实验里最“工程化”的部分步骤多但每一步都有明确目的。首先说遥感影像。下载Sentinel-2的L2A产品后通常拿到的是单波段JP2文件。我会在QGIS里用“构建虚拟栅格”把蓝、绿、红、近红外四个10米波段合成一个四波段栅格方便后续做假彩色合成和计算NDVI。然后再用研究区边界裁剪。裁剪时我习惯用gdalwarp命令配合-cutline和-crop_to_cutline参数这样裁剪出的影像正好贴合边界轮廓不会留下大块研究区外的空白像素。gdalwarp -cutline data/raw/study_area.shp -crop_to_cutline -dstnodata 0 -overwrite \ data/interim/sentinel2_b2_b3_b4_b8.vrt data/final/sentinel2_studyarea_10m.tif-dstnodata 0这个参数值得多说一句。如果不设置NoData值裁剪后研究区外的像素会保留原值或者被填0。假设原始影像里水体像素值本来就接近0那么研究区外大片0值就会和水体混在一起后续分类、统计都会被严重污染。显式指定NoData软件就知道这些像素是空值任何计算都应该跳过它们。DEM的处理同理。先重投影到统一的CGCS2000高斯投影再重采样到10米分辨率最后裁剪。如果是为坡度坡向分析做准备的DEM通常还需要做一步填洼处理因为真实地形里存在一些局部低洼点会影响水流方向计算。填洼操作在QGIS的SAGA或GRASS工具集里都有也可以用r.fill.dir。写一个Python版本的流程你可能更清晰。核心逻辑就是读取研究区边界然后对每个栅格文件做裁剪和重采样import geopandas as gpd import rasterio from rasterio.mask import mask from rasterio.warp import reproject, Resampling, calculate_default_transform region gpd.read_file(data/final/study_area_cgcs2000.shp) with rasterio.open(data/interim/dem_alos_wgs84.tif) as src: transform, width, height calculate_default_transform( src.crs, region.crs, src.width, src.height, *region.total_bounds, resolution10) out_data src.read(1) out_meta src.meta.copy() out_meta.update({crs: region.crs, transform: transform, width: width, height: height}) with rasterio.open(data/final/dem_studyarea_10m.tif, w, **out_meta) as dst: reproject(sourcerasterio.band(src, 1), destinationrasterio.band(dst, 1), src_transformsrc.transform, src_crssrc.crs, dst_transformtransform, dst_crsregion.crs, resamplingResampling.bilinear)这里选择双线性重采样适用于DEM这种连续表面而遥感影像如果做重采样我一般用最邻近法可以保留像元类别的原始属性不让光谱值被内插“平均”掉。3.4 坐标系转换与空间校准让所有图层严丝合缝把不同来源的数据统一到同一坐标系这一步我放在所有数据都拿到之后再统一做效率最高。矢量用ogr2ogr批量转换栅格用gdalwarp加-t_srs参数转换。ogr2ogr -t_srs EPSG:xxxx data/final/roads_cgcs2000.shp data/interim/roads_wgs84.shp gdalwarp -t_srs EPSG:xxxx -tr 10 10 -r near data/interim/sentinel_raw.tif data/final/sentinel_cgcs2000_10m.tif转换完之后别忘了做“套合检查”。我的做法是把研究区边界设成半透明叠加在影像和DEM上面放大到1:5000左右缩放级别肉眼扫一遍。这一步看起来很土但能发现大量坐标系转换引入的偏移问题。如果发现边界和影像整体有几米到几十米的偏移先别急着手动平移。先检查两件事一是分带是否正确研究区跨了两个投影带还按单带处理会导致边缘位置偏差二是转换时是否忽略了椭球基准转换参数导致坐标框架不一致。如果确认坐标系没有错只是影像自身配准精度不高才考虑用QGIS的地理配准工具选取地面控制点做校正。控制点至少要选6到8个均匀分布在研究区各处并计算残差把均方根误差控制在半个像元以内。3.5 数据清单和元数据给每个数据“上户口”数据准备完最容易被人忽略的就是数据清单和元数据。我见过太多实验报告正文写得漂漂亮亮一问数据是哪来的、什么坐标、哪天处理的完全答不上来。实验一最后的加分项就是一份严谨的元数据文档。命名规范我从第一天就要求他们遵守格式大概是这样数据类型_研究区_分辨率_坐标系_来源_日期.扩展名。比如landcover_studyarea_10m_cgcs2000_sentinel2_20250601.tif一眼就能看到这个文件是什么、用来干什么。数据清单我用Excel或者Markdown表格整理字段至少包括文件名、格式、坐标系、分辨率、时间范围、数据来源、处理步骤、质量说明、处理人。文件大小、像元行列数、投影参数这些元信息用Python几行就能提取出来import rasterio from pathlib import Path for f in Path(data/final).glob(*.tif): with rasterio.open(f) as ds: print(f.name, ds.width, ds.height, ds.count, ds.crs, ds.res)可以把输出重定向到文本文件再整理成表格省得一个个手动查。这份清单最后放到meta/目录里和成果数据放一起。实验报告里附上这份清单阅卷老师一看就知道你确实把数据整理明白了。4. 坑都替你踩过了常见问题与排查速查4.1 图层与图层位置对不上差了几公里这个问题的排查路径非常固定。先查看每个图层的CRS信息看是地理坐标还是投影坐标具体是哪个EPSG代码再检查研究区跨不跨投影带。大部分情况下问题出在有的图层是WGS84经纬度有的是CGCS2000平面坐标甚至有图层把经纬度数字直接当成平面坐标用了。解决方案是先统一到CGCS2000高斯投影再做一次套合检查。这里有个提醒很多从网上下载的公开数据默认坐标系信息可能缺失或者是错的。在QGIS里右键图层看“图层属性-信息”会显示坐标系来源如果显示“未知”或“用户定义”就得手动指定正确坐标系后再做转换。4.2 属性表中文乱码和字段名非法中文乱码在打开第三方数据时很常见。原因多半是矢量文件的属性表原本是GBK编码而软件默认用UTF-8读取。解决方法是加载时手动设置编码方式或者在QGIS中分别尝试UTF-8和GBK。更彻底的方案是在整理阶段就把字段名改成英文内容里的中文如果必须保留统一转成UTF-8编码并另存为GeoPackage格式。GeoPackage对编码支持和跨平台兼容性比老式Shapefile好很多我现在的项目基本已经全面转向它了。还要严禁字段名里出现空格、括号、特殊符号。这类字段在某些工具箱和命令行工具里会直接报错或者被静默截断排查起来特别费劲。4.3 裁剪后影像有黑边或研究区外有数据残留黑边通常是NoData没有正确设置造成。用gdalwarp裁剪时务必加上-dstnodata并且最好在整个处理链路的每一步都检查一下NoData值是否被保留。研究区外有数据残留则可能是因为裁剪时边界没有闭合或者使用了边界被拓扑错误破坏的矢量。这时返回去修复边界要素重新裁剪。还有一个小技巧检查裁剪结果时不要只靠肉眼可以用直方图看最小值如果发现异常多的0值像素就要怀疑是否把背景值混进了有效数据。4.4 数据量太大操作卡顿120平方公里的影像如果拼成一个大GeoTIFF加载起来会比较吃力。解决办法是给栅格数据构建金字塔Overviews和压缩。gdaladdo命令可以快速生成金字塔gdal_translate加-co COMPRESSDEFLATE参数可以显著减小文件体积。矢量数据如果节点非常密集也可以在损失可控的前提下做简化。这些优化不会改变分析结果却能让QGIS流畅不少。4.5 边界与影像整体错位几十米排除坐标系原因后这往往是影像自身定位精度不够导致的。卫星影像产品虽然经过正射校正但在地形起伏明显的丘陵地区误差可能达到几十米。解决方法是做几何精校正用高精度参考数据选取地面控制点重新配准。这里要特别注意控制点的分布均匀性如果只选在研究区一角越往远处误差会越大整体校正效果也不理想。以下是踩坑速查表可以直接存下来现象可能原因排查顺序解决方案图层错位严重坐标系/投影不一致先查CRS再查分带统一投影必要时做重投影属性中文乱码编码不匹配查看qgis加载编码手动指定GBK/UTF-8或转GeoPackage裁剪有黑边NoData未设置查看像元值直方图重新裁剪并加-dstnodata边界与影像有偏移影像定位精度低控制点配准选均匀控制点做精校正操作卡顿数据过大查文件大小和金字塔建金字塔压缩数据5. 数据准备这件事做好比做快更重要按惯例最后再分享几点我做了这么多年项目、带了这么多轮实验之后的真实体会。第一数据准备绝不是“浪费时间”。我以前做项目时也总觉得前面快点弄把时间留给分析和建模。后来发现凡是数据阶段省的时间后面都会加倍还回来。一次因为DEM坐标系错误导致坡度计算全错重新跑了两天流程从那以后我再也不敢跳过套合检查。第二命名规范和元数据记录的习惯越早养成越好。刚开始可能会觉得多写几个字、多建几个文件夹很麻烦等你手上积累了十几个版本的数据回头看那都是救命的东西。实验阶段就把这个习惯刻进肌肉记忆比工作以后再来补效率高得多。第三每个实验做完保留中间产物。很多同学习惯只保留最终结果中间裁剪的、转换的、检查的临时文件全部删掉。等到下一轮实验要复用的时候又得从头跑一遍。只要硬盘允许interim目录里的中间文件先留着占不了多少空间。这个“实验一”做完你的研究区就已经有了一套干净、统一、能直接喂给分析模型的基础数据。后面的实验才是真正放开手脚做分析的时候。