简介本资源为2020年广东省10米精度土地覆盖与土地利用数据包面向地理信息、遥感、城市规划及生态环境研究领域的师生与从业者可解决省级尺度下高分辨率地表覆被分析、城市扩张监测与国土空间规划等场景的数据获取与预处理问题。包内共147个文件以21个tif栅格影像为核心配套dbf、cpg、xml、tfw等GIS辅助文件另有xlsx统计表与png预览图压缩包约75.8MB覆盖广东省各地级市。数据基于10米哨兵影像与深度学习方法制作分为耕地、林地、草地、灌木、湿地、水体、不透水面、裸地、雪冰等类别并已由墨卡托投影转为WGS84地理坐标系按最新省市级行政边界裁剪可直接加载使用。目前已有329人学习下载适合需要快速开展区域土地利用分析、制图与建模的研究者参考。1. 10m精度广东省土地覆盖数据从压缩包到可分析图层的完整路径拿到「2020年10m精度广东省土地覆盖土地利用.rar」这个文件时多数人的第一反应是解压后找一张能直接丢进GIS的栅格图。但真正动手才会发现10m分辨率意味着广东省约18万平方公里的土地上铺着近两亿个像元光是把这份数据从压缩包里「请」出来、对齐坐标系、裁到目标范围就足够消耗掉一个下午。这份数据解决的核心问题是在省级尺度上用10m的粒度区分耕地、林地、水体、建设用地等类型比30m的全球产品更能抓住珠三角城市群内部细碎的地类变化。它适合做国土空间规划、生态红线核查、城市扩张监测的从业者也适合需要省级高分辨率底图做机器学习样本采样的研究者。接下来的内容按「先理解数据组织方式再动手处理最后避开常见翻车点」的顺序展开每一步都给出可复现的命令和参数。2. 10m土地覆盖数据的组织逻辑与工具选型2.1 为什么10m分辨率在省级尺度上是个分水岭30m分辨率的全球土地覆盖产品如ESA WorldCover、GlobeLand30在广东这样的地形过渡带上会丢失大量细节。珠三角核心区的建设用地与耕地交错粤北南岭一带的林地与灌丛混杂30m像元往往把两类地物「平均」成一个模糊的类别。10m分辨率下一个像元对应地面100平方米相当于把每个像素缩小到约三分之一边长地类边界清晰度提升明显。但代价是数据量广东省陆域面积约17.98万平方公里10m栅格约1.8亿像元单波段uint8格式约180MB多波段或浮点格式会膨胀到GB级别。选型时要先确认自己的分析尺度——如果只做全市级统计10m是够用的如果要做地块级变化检测还需要考虑是否配合更高分辨率的影像做验证。2.2 压缩包内常见文件结构与命名含义这类数据包通常包含以下内容不同来源会有差异但结构大同小异文件/文件夹典型命名含义主栅格文件GD_LC2020.tif或guangdong_2020.tif广东省2020年土地覆盖分类栅格分类说明class_codes.txt或legend.xlsx地类编码与名称对照表坐标信息内嵌于tif或单独.prj通常为WGS84 UTM 49N/50N或CGCS2000辅助文档README.pdf数据来源、精度评价、引用要求拿到压缩包后不要急着解压到中文路径下GDAL和部分Python库对中文路径的支持时好时坏这是血泪经验。先建一个纯英文的工作目录比如/data/gd_landcover_2020/再解压。2.3 处理工具链GDAL Python QGIS 的最小组合不需要装一堆重型软件。核心工具就三个GDAL命令行做格式转换和投影操作Python的rasterio和numpy做像元级统计QGIS做可视化检查。如果要做批量分区统计再加一个geopandas处理行政边界。安装用conda最省事conda create -n gd_lc python3.10 conda activate gd_lc conda install -c conda-forge gdal rasterio geopandas numpy matplotlib装完后验证GDAL版本建议3.4以上低版本对某些压缩方式的tif支持不好gdalinfo --version参数说明-c conda-forge指定社区源避免默认源里GDAL版本过旧。如果公司网络限制conda用pip装rasterio和geopandas也能跑但GDAL的命令行工具需要单独解决。3. 从压缩包到可分析栅格解压、检查与裁剪3.1 解压后第一件事用gdalinfo确认坐标系和范围解压后进入工作目录先对主栅格跑一次gdalinfogdalinfo GD_LC2020.tif输出里重点看四项Coordinate System是否为预期投影Pixel Size是否为10米左右Upper Left和Lower Right是否覆盖广东全省Band 1的Type是Byte还是其他。如果Pixel Size显示0.0001度左右说明是地理坐标系WGS84不是投影坐标系后续按面积统计会出问题需要先投影。如果范围只覆盖珠三角说明这个包可能是分幅数据的一部分需要确认是否缺文件。3.2 投影转换把地理坐标转成UTM 49N/50N广东省跨UTM 49N和50N两个带东经114度以西用49N以东用50N。如果原始数据是WGS84地理坐标按以下命令转成49NEPSG:32649gdalwarp -t_srs EPSG:32649 -r near -of GTiff \ -co COMPRESSLZW -co TILEDYES \ GD_LC2020.tif GD_LC2020_utm49.tif参数说明-t_srs指定目标投影-r near表示最近邻重采样分类栅格必须用最近邻用双线性会把类别值插成小数-co COMPRESSLZW做无损压缩能省一半空间TILEDYES让后续按窗口读取更快。如果数据本身已经是UTM投影跳过这步。转完后用gdalinfo再确认一次Pixel Size是否为10。3.3 按行政边界裁剪用gdalwarp的-cutline假设你有一份广东省的行政边界矢量gd_boundary.shp裁剪命令gdalwarp -cutline gd_boundary.shp -crop_to_cutline \ -dstnodata 0 -of GTiff \ -co COMPRESSLZW -co TILEDYES \ GD_LC2020_utm49.tif GD_LC2020_clip.tif参数说明-cutline指定裁剪边界-crop_to_cutline让输出范围紧贴边界外接矩形-dstnodata 0把边界外设为0方便后续用0做掩膜。注意矢量边界的坐标系必须和栅格一致不一致先用ogr2ogr转。3.4 用Python做地类面积统计裁剪完后用rasterio读栅格配合分类说明做面积汇总import rasterio import numpy as np # 地类编码对照按实际数据修改 class_names { 1: 耕地, 2: 林地, 3: 草地, 4: 灌木, 5: 水体, 6: 建设用地, 7: 未利用地 } with rasterio.open(GD_LC2020_clip.tif) as src: data src.read(1) pixel_area src.res[0] * src.res[1] # 每个像元面积平方米 nodata src.nodata # 排除nodata valid data ! nodata if nodata is not None else np.ones_like(data, dtypebool) total_pixels valid.sum() for code, name in class_names.items(): count ((data code) valid).sum() area_km2 count * pixel_area / 1e6 pct count / total_pixels * 100 print(f{name}: {area_km2:.2f} km², 占比 {pct:.2f}%)逻辑说明src.res返回像元的x和y方向尺寸单位与投影一致UTM下是米相乘得平方米。valid掩膜排除边界外的nodata像元避免面积虚高。如果数据是地理坐标pixel_area会随纬度变化不能直接用必须先投影。输出结果可以和广东省统计年鉴的各地类面积做交叉验证偏差超过5%就要检查投影和nodata设置。4. 避坑与排查10m土地覆盖数据处理的5个翻车现场4.1 现象面积统计结果比官方数据大出一截原因nodata值没设对。很多tif的nodata是0但0同时也可能是某个地类的编码比如未利用地直接统计会把边界外区域算进去。解决先用gdalinfo -stats看像元值分布确认nodata和地类编码不重叠。如果重叠用-dstnodata 255重新裁剪把边界外设为255。4.2 现象QGIS里打开颜色全灰看不出地类原因分类栅格的像元值没有配颜色表QGIS默认用灰度拉伸。解决在QGIS图层属性里选「唯一值」渲染或提前用gdaldem color-relief生成彩色图。更稳妥的做法是写一个.clr颜色表文件用gdaldem应用gdaldem color-relief GD_LC2020_clip.tif color_table.txt GD_LC2020_color.tifcolor_table.txt每行格式为地类编码 R G B比如1 255 255 0表示耕地黄色。4.3 现象gdalwarp裁剪后文件反而变大原因默认输出是未压缩的GTiff且TILEDYES会增加一些索引开销。解决加上-co COMPRESSLZW -co PREDICTOR2PREDICTOR2对整数型栅格压缩率更好。如果还是大考虑输出为COG格式-of COG适合后续做Web发布。4.4 现象Python读取时内存溢出原因一次性src.read(1)把1.8亿像元全读进内存uint8下约180MB但如果数据是int32或float32会膨胀到720MB以上加上中间变量容易爆。解决分块读取用src.block_windows(1)遍历窗口逐块统计后累加。或者用rasterio的read(1, window...)按需读取。4.5 现象不同来源的10m数据地类编码不一致原因各机构用的分类体系不同有的用6类有的用8类编码顺序也不一样。解决永远不要假设编码含义先找class_codes.txt或legend文件。如果没有用numpy.unique看实际出现的值再对照数据说明文档。实在找不到用QGIS叠加高分辨率影像目视抽查几个典型区域反推编码。5. 进阶用10m数据做地类变化检测与精度验证5.1 两期数据叠加从分类栅格到变化矩阵如果你手上有2015和2020两期10m数据做变化检测的核心是生成转移矩阵。前提是两期数据的投影、范围、像元对齐完全一致。用rasterio读两期数据逐像元比较import rasterio import numpy as np import pandas as pd with rasterio.open(GD_LC2015_clip.tif) as src1: old src1.read(1) with rasterio.open(GD_LC2020_clip.tif) as src2: new src2.read(1) # 确保形状一致 assert old.shape new.shape, 两期数据形状不一致需要先对齐 # 生成转移矩阵 mask (old 0) (new 0) transition pd.crosstab( pd.Series(old[mask].ravel(), name2015), pd.Series(new[mask].ravel(), name2020) ) print(transition)逻辑说明mask排除两期都是nodata的像元。pd.crosstab直接输出转移矩阵行是2015年地类列是2020年地类单元格是像元数。乘以像元面积就是面积转移量。如果两期数据范围不一致先用gdalwarp统一到相同的-te和-tr参数。5.2 精度验证用高分辨率影像做分层抽样10m数据的精度评价不能只看总体准确率要按地类分层抽样。常见做法是在QGIS里生成随机点叠加Google Earth或天地图影像目视判读每个地类至少抽50个点。然后计算混淆矩阵验证方法样本量适用场景注意事项简单随机抽样300-500地类分布均匀稀有地类样本可能不足分层随机抽样每类50地类比例悬殊需按面积加权计算总体精度沿道路抽样200-300交通便利区域有空间偏差不适合全域评价计算Kappa系数时注意Kappa对稀有地类敏感如果某类占比不到1%Kappa会偏低此时看用户精度和生产者精度更有意义。5.3 一个容易忽略的细节像元对齐检查两期数据做变化检测前必须确认像元网格完全对齐。用gdalinfo对比两期数据的Upper Left和Pixel Size如果差一个像元变化检测结果会出现大量伪变化。对齐命令gdalwarp -t_srs EPSG:32649 -tr 10 10 -te xmin ymin xmax ymax \ -r near GD_LC2015.tif GD_LC2015_aligned.tif-te和-tr要和参考期完全一致。这一步不做后面所有变化统计都是白费。我自己的习惯是拿到任何土地覆盖数据先跑一遍gdalinfo再裁一个小区域做目视检查确认编码、投影、nodata都没问题再跑全量。这个习惯帮我省过至少三次返工。希望帮到你。本文还有配套的精品资源点击获取
10m精度广东省土地覆盖数据处理全流程：从压缩包到可分析图层
简介本资源为2020年广东省10米精度土地覆盖与土地利用数据包面向地理信息、遥感、城市规划及生态环境研究领域的师生与从业者可解决省级尺度下高分辨率地表覆被分析、城市扩张监测与国土空间规划等场景的数据获取与预处理问题。包内共147个文件以21个tif栅格影像为核心配套dbf、cpg、xml、tfw等GIS辅助文件另有xlsx统计表与png预览图压缩包约75.8MB覆盖广东省各地级市。数据基于10米哨兵影像与深度学习方法制作分为耕地、林地、草地、灌木、湿地、水体、不透水面、裸地、雪冰等类别并已由墨卡托投影转为WGS84地理坐标系按最新省市级行政边界裁剪可直接加载使用。目前已有329人学习下载适合需要快速开展区域土地利用分析、制图与建模的研究者参考。1. 10m精度广东省土地覆盖数据从压缩包到可分析图层的完整路径拿到「2020年10m精度广东省土地覆盖土地利用.rar」这个文件时多数人的第一反应是解压后找一张能直接丢进GIS的栅格图。但真正动手才会发现10m分辨率意味着广东省约18万平方公里的土地上铺着近两亿个像元光是把这份数据从压缩包里「请」出来、对齐坐标系、裁到目标范围就足够消耗掉一个下午。这份数据解决的核心问题是在省级尺度上用10m的粒度区分耕地、林地、水体、建设用地等类型比30m的全球产品更能抓住珠三角城市群内部细碎的地类变化。它适合做国土空间规划、生态红线核查、城市扩张监测的从业者也适合需要省级高分辨率底图做机器学习样本采样的研究者。接下来的内容按「先理解数据组织方式再动手处理最后避开常见翻车点」的顺序展开每一步都给出可复现的命令和参数。2. 10m土地覆盖数据的组织逻辑与工具选型2.1 为什么10m分辨率在省级尺度上是个分水岭30m分辨率的全球土地覆盖产品如ESA WorldCover、GlobeLand30在广东这样的地形过渡带上会丢失大量细节。珠三角核心区的建设用地与耕地交错粤北南岭一带的林地与灌丛混杂30m像元往往把两类地物「平均」成一个模糊的类别。10m分辨率下一个像元对应地面100平方米相当于把每个像素缩小到约三分之一边长地类边界清晰度提升明显。但代价是数据量广东省陆域面积约17.98万平方公里10m栅格约1.8亿像元单波段uint8格式约180MB多波段或浮点格式会膨胀到GB级别。选型时要先确认自己的分析尺度——如果只做全市级统计10m是够用的如果要做地块级变化检测还需要考虑是否配合更高分辨率的影像做验证。2.2 压缩包内常见文件结构与命名含义这类数据包通常包含以下内容不同来源会有差异但结构大同小异文件/文件夹典型命名含义主栅格文件GD_LC2020.tif或guangdong_2020.tif广东省2020年土地覆盖分类栅格分类说明class_codes.txt或legend.xlsx地类编码与名称对照表坐标信息内嵌于tif或单独.prj通常为WGS84 UTM 49N/50N或CGCS2000辅助文档README.pdf数据来源、精度评价、引用要求拿到压缩包后不要急着解压到中文路径下GDAL和部分Python库对中文路径的支持时好时坏这是血泪经验。先建一个纯英文的工作目录比如/data/gd_landcover_2020/再解压。2.3 处理工具链GDAL Python QGIS 的最小组合不需要装一堆重型软件。核心工具就三个GDAL命令行做格式转换和投影操作Python的rasterio和numpy做像元级统计QGIS做可视化检查。如果要做批量分区统计再加一个geopandas处理行政边界。安装用conda最省事conda create -n gd_lc python3.10 conda activate gd_lc conda install -c conda-forge gdal rasterio geopandas numpy matplotlib装完后验证GDAL版本建议3.4以上低版本对某些压缩方式的tif支持不好gdalinfo --version参数说明-c conda-forge指定社区源避免默认源里GDAL版本过旧。如果公司网络限制conda用pip装rasterio和geopandas也能跑但GDAL的命令行工具需要单独解决。3. 从压缩包到可分析栅格解压、检查与裁剪3.1 解压后第一件事用gdalinfo确认坐标系和范围解压后进入工作目录先对主栅格跑一次gdalinfogdalinfo GD_LC2020.tif输出里重点看四项Coordinate System是否为预期投影Pixel Size是否为10米左右Upper Left和Lower Right是否覆盖广东全省Band 1的Type是Byte还是其他。如果Pixel Size显示0.0001度左右说明是地理坐标系WGS84不是投影坐标系后续按面积统计会出问题需要先投影。如果范围只覆盖珠三角说明这个包可能是分幅数据的一部分需要确认是否缺文件。3.2 投影转换把地理坐标转成UTM 49N/50N广东省跨UTM 49N和50N两个带东经114度以西用49N以东用50N。如果原始数据是WGS84地理坐标按以下命令转成49NEPSG:32649gdalwarp -t_srs EPSG:32649 -r near -of GTiff \ -co COMPRESSLZW -co TILEDYES \ GD_LC2020.tif GD_LC2020_utm49.tif参数说明-t_srs指定目标投影-r near表示最近邻重采样分类栅格必须用最近邻用双线性会把类别值插成小数-co COMPRESSLZW做无损压缩能省一半空间TILEDYES让后续按窗口读取更快。如果数据本身已经是UTM投影跳过这步。转完后用gdalinfo再确认一次Pixel Size是否为10。3.3 按行政边界裁剪用gdalwarp的-cutline假设你有一份广东省的行政边界矢量gd_boundary.shp裁剪命令gdalwarp -cutline gd_boundary.shp -crop_to_cutline \ -dstnodata 0 -of GTiff \ -co COMPRESSLZW -co TILEDYES \ GD_LC2020_utm49.tif GD_LC2020_clip.tif参数说明-cutline指定裁剪边界-crop_to_cutline让输出范围紧贴边界外接矩形-dstnodata 0把边界外设为0方便后续用0做掩膜。注意矢量边界的坐标系必须和栅格一致不一致先用ogr2ogr转。3.4 用Python做地类面积统计裁剪完后用rasterio读栅格配合分类说明做面积汇总import rasterio import numpy as np # 地类编码对照按实际数据修改 class_names { 1: 耕地, 2: 林地, 3: 草地, 4: 灌木, 5: 水体, 6: 建设用地, 7: 未利用地 } with rasterio.open(GD_LC2020_clip.tif) as src: data src.read(1) pixel_area src.res[0] * src.res[1] # 每个像元面积平方米 nodata src.nodata # 排除nodata valid data ! nodata if nodata is not None else np.ones_like(data, dtypebool) total_pixels valid.sum() for code, name in class_names.items(): count ((data code) valid).sum() area_km2 count * pixel_area / 1e6 pct count / total_pixels * 100 print(f{name}: {area_km2:.2f} km², 占比 {pct:.2f}%)逻辑说明src.res返回像元的x和y方向尺寸单位与投影一致UTM下是米相乘得平方米。valid掩膜排除边界外的nodata像元避免面积虚高。如果数据是地理坐标pixel_area会随纬度变化不能直接用必须先投影。输出结果可以和广东省统计年鉴的各地类面积做交叉验证偏差超过5%就要检查投影和nodata设置。4. 避坑与排查10m土地覆盖数据处理的5个翻车现场4.1 现象面积统计结果比官方数据大出一截原因nodata值没设对。很多tif的nodata是0但0同时也可能是某个地类的编码比如未利用地直接统计会把边界外区域算进去。解决先用gdalinfo -stats看像元值分布确认nodata和地类编码不重叠。如果重叠用-dstnodata 255重新裁剪把边界外设为255。4.2 现象QGIS里打开颜色全灰看不出地类原因分类栅格的像元值没有配颜色表QGIS默认用灰度拉伸。解决在QGIS图层属性里选「唯一值」渲染或提前用gdaldem color-relief生成彩色图。更稳妥的做法是写一个.clr颜色表文件用gdaldem应用gdaldem color-relief GD_LC2020_clip.tif color_table.txt GD_LC2020_color.tifcolor_table.txt每行格式为地类编码 R G B比如1 255 255 0表示耕地黄色。4.3 现象gdalwarp裁剪后文件反而变大原因默认输出是未压缩的GTiff且TILEDYES会增加一些索引开销。解决加上-co COMPRESSLZW -co PREDICTOR2PREDICTOR2对整数型栅格压缩率更好。如果还是大考虑输出为COG格式-of COG适合后续做Web发布。4.4 现象Python读取时内存溢出原因一次性src.read(1)把1.8亿像元全读进内存uint8下约180MB但如果数据是int32或float32会膨胀到720MB以上加上中间变量容易爆。解决分块读取用src.block_windows(1)遍历窗口逐块统计后累加。或者用rasterio的read(1, window...)按需读取。4.5 现象不同来源的10m数据地类编码不一致原因各机构用的分类体系不同有的用6类有的用8类编码顺序也不一样。解决永远不要假设编码含义先找class_codes.txt或legend文件。如果没有用numpy.unique看实际出现的值再对照数据说明文档。实在找不到用QGIS叠加高分辨率影像目视抽查几个典型区域反推编码。5. 进阶用10m数据做地类变化检测与精度验证5.1 两期数据叠加从分类栅格到变化矩阵如果你手上有2015和2020两期10m数据做变化检测的核心是生成转移矩阵。前提是两期数据的投影、范围、像元对齐完全一致。用rasterio读两期数据逐像元比较import rasterio import numpy as np import pandas as pd with rasterio.open(GD_LC2015_clip.tif) as src1: old src1.read(1) with rasterio.open(GD_LC2020_clip.tif) as src2: new src2.read(1) # 确保形状一致 assert old.shape new.shape, 两期数据形状不一致需要先对齐 # 生成转移矩阵 mask (old 0) (new 0) transition pd.crosstab( pd.Series(old[mask].ravel(), name2015), pd.Series(new[mask].ravel(), name2020) ) print(transition)逻辑说明mask排除两期都是nodata的像元。pd.crosstab直接输出转移矩阵行是2015年地类列是2020年地类单元格是像元数。乘以像元面积就是面积转移量。如果两期数据范围不一致先用gdalwarp统一到相同的-te和-tr参数。5.2 精度验证用高分辨率影像做分层抽样10m数据的精度评价不能只看总体准确率要按地类分层抽样。常见做法是在QGIS里生成随机点叠加Google Earth或天地图影像目视判读每个地类至少抽50个点。然后计算混淆矩阵验证方法样本量适用场景注意事项简单随机抽样300-500地类分布均匀稀有地类样本可能不足分层随机抽样每类50地类比例悬殊需按面积加权计算总体精度沿道路抽样200-300交通便利区域有空间偏差不适合全域评价计算Kappa系数时注意Kappa对稀有地类敏感如果某类占比不到1%Kappa会偏低此时看用户精度和生产者精度更有意义。5.3 一个容易忽略的细节像元对齐检查两期数据做变化检测前必须确认像元网格完全对齐。用gdalinfo对比两期数据的Upper Left和Pixel Size如果差一个像元变化检测结果会出现大量伪变化。对齐命令gdalwarp -t_srs EPSG:32649 -tr 10 10 -te xmin ymin xmax ymax \ -r near GD_LC2015.tif GD_LC2015_aligned.tif-te和-tr要和参考期完全一致。这一步不做后面所有变化统计都是白费。我自己的习惯是拿到任何土地覆盖数据先跑一遍gdalinfo再裁一个小区域做目视检查确认编码、投影、nodata都没问题再跑全量。这个习惯帮我省过至少三次返工。希望帮到你。本文还有配套的精品资源点击获取
