企业官网建设流程全解析

简介：这套中国地貌栅格数据以全国地貌分区为对象，按照海拔与起伏度组合划分出低海拔平原、中海拔台地、小起伏中山、极大起伏极高山等26个类型，适合GIS、地理与遥感领域的科研人员、学生及规划从业者用于地貌制图、空间分析与教学演示。压缩包共7个文件，核心为tif栅格图层，配套ovr金字塔、dbf属性表、tfw坐标文件、xml元数据以及docx代码表说明，整体仅3.92MB，轻量易用。目前已有1231人学习/下载。数据分类代码体系清晰（如11代表低海拔平原、41代表小起伏低山），可直接在ArcGIS等主流GIS软件中挂接属性表进行渲染与查询，配合说明文档可快速理解各地貌类型含义，适用于区域地貌对比、海拔与起伏度分析、专题图制作等场景，也可作为教学案例数据使用，帮助用户快速提取区域地貌特征。

1. 别把全国地貌栅格当成普通图片：它是一张带分类属性的科学数据集

第一次拿到“中国地貌栅格数据.rar”的人，通常会有两种反应：要么双击“中国地貌.tif”却发现颜色灰蒙蒙，要么用ArcGIS加载后以为数据损坏。其实这套数据的内核不是影像，而是一张全国范围的地貌类型分类图，每个像元存的是一个编码，例如11代表低海拔平原，73代表大起伏高山。这类栅格数据在土壤侵蚀、生态区划、工程选线等领域是标准底图，适合有GIS基础但需要快速应用全国地貌分区的从业者。和普通遥感影像最大的区别在于，它的属性信息写在旁边的代码表和VAT文件里，读图时必须先理解编码体系，否则后面的统计、重分类、叠加都无从下手。

2. 理解中国地貌栅格数据的分类体系与文件结构

2.1 从代码表说明.docx到地貌类型编码：栅格值背后的分级逻辑

压缩包里的“代码表说明.docx”是所有问题的起点。这套数据的编码方式是：十位数字表示海拔带，个位数字表示形态起伏。1到4分别为低海拔、中海拔、高海拔、极高海拔；个位1到4分别对应平原、台地、丘陵、山地，4到7再按起伏度分出小起伏、中起伏、大起伏、极大起伏。也就是说，13是高海拔平原，51是小起伏低山，74是极大起伏极高山。注意原表中没有61、71，因为高海拔区很少出现低起伏的低山，这种空缺本身就是地貌学规律的体现。

我建议在看数据之前，先把这个映射表单独保存成一份CSV，比如每行是“value, name, group”。这样后续用Python分析时，直接读CSV就能把像元值翻译成中文，省得每写一个脚本都要复制一遍dict。如果你处理过“我国地下水位栅格数据shp”或“全国城市形态栅格数据集”这类似的产品，会发现它们普遍也是这种“编码+外部说明”的组织方式，只不过attribute表里字段名不同。

下表只列前几类示意，完整31类以docx为准：

表格的价值在于让你快速理解，VAT里的一个数字并不只是一个ID，它背后代表的是海拔带与起伏度的交叉组合。实际工作中，有人会直接拿“中国地貌.tif.vat.dbf”里的Value字段和Count字段做面积估算，但我更推荐先用gdalinfo检查一下这个VAT是否与tif完全同步，老版本ArcGIS生成的缓存数据偶尔会因为后续裁剪操作变得不一致。

2.2 tif / tfw / ovr / vat：每个文件在GIS里负责干什么

解压后的文件组成很有代表性：主文件“中国地貌.tif”保存像元值；“中国地貌.tfw”是一个六行文本的世界文件，记录了左上角坐标、像元大小和旋转参数；“中国地貌.tif.ovr”是金字塔文件，用于缩放显示时加速；“中国地貌.tif.vat.dbf”和“.vat.cpg”是栅格属性表，dbf里存放Value、Count等字段，cpg声明字符集；“.aux.xml”则是ArcGIS自动生成的辅助元数据。

很多新手会把这些小文件当成垃圾文件删掉，这是错误做法。如果删掉tfw，QGIS还能从tif头部读到地理参考，但部分命令行工具在tif内部坐标缺失时会无法定位；如果删掉ovr，大尺度缩放会非常慢；如果删掉vat，分类图例显示就会失去颜色映射。最稳妥的方式是：整套目录原样保留，分析时只对主文件操作，不做任何删除。

注意：.ovr 和 .tif 必须保持同名同目录，一旦拆分，GDAL 会在下次读取时尝试重建金字塔，反而会拖慢你的工作流。

2.3 为什么用栅格而非矢量表达地貌分区

从制图学角度看，地貌分区在自然界里没有刚性边界，栅格比矢量更适合表达这种连续渐变的地理现象。矢量多边形在处理“低海拔向高海拔过渡”时会产生大量碎斑和锯齿；而固定分辨率栅格每个像元独立分类，后续与DEM、土壤类型、降雨量等栅格做像元级叠加时，不需要做复杂的拓扑预处理，直接矩阵运算即可。

理论上讲，这套栅格数据通常采用约1km的网格分辨率，对于全国尺度的区域分析已经很合适，但如果你研究县域或更小区域，1km像元会明显抹平微地貌，这时就需要寻找更精细的数据或用矢量原始资料重新采样。在选用数据前，用tfw文件里的像元大小估算一下研究区内横向像元数，是一个很实用的前置判断方法。例如tfw第1行是0.0083333，说明像元边长约1/120度，在低纬度地面距离约920米，在高纬度则更短，这种非等面积的特性决定了面积统计前必须先投影。

3. 解压、检查与正确打开中国地貌.tif

3.1 rar解压与完整性校验

拿到“中国地貌栅格数据.rar”后，不要直接在解压工具里双击预览tif，因为RAR内的tif可能是不连续存储的，预览时万一文件损坏不容易发现。我习惯先在命令行里做一次测试：

7z t 中国地貌栅格数据.rar 7z x 中国地貌栅格数据.rar -o./china_geomorph

7z t是测试命令，会逐个文件计算CRC，输出“Everything is Ok”才能确定压缩包完好；7z x是解压到指定目录，注意-o和目录之间没有空格。如果你只有unrar，也可以使用unrar t 中国地貌栅格数据.rar。测试中一旦报CRC错误，说明RAR文件下载不完整或磁盘有坏道，重新比对下载文件的哈希值再解压。

解压完成后最好再用file命令确认tif格式：

file 中国地貌.tif

输出若为“TIFF image data, little-endian”则正常。如果输出“data”或“HTML document”，多半是解压出来的文件不对，需要重新检查RAR。这行代码虽然简单，但能帮你避开“数据已解压却打不开”的尴尬。

3.2 用gdalinfo快速掌握栅格元数据

接下来用GDAL读取元数据，这比在ArcGIS界面上看更快：

gdalinfo 中国地貌.tif

重点关注六项：Size（行列数）、Origin（左上角地理坐标）、Pixel Size（像元尺寸）、Coordinate System（WKT投影信息）、Band 1 Minimum/Maximum（像元值范围）、Overviews（金字塔层级）。例如Origin为(73.5, 53.5)，Pixel Size为(0.0083333, -0.0083333)，就说明数据是经纬度网格，地面像元大小约1km。如果Band 1的Maximum是74，则说明这31类编码都被完整包含。

如果返回值中投影为空或Origin是(0,0)，说明数据丢失了地理参考，需要从tfw文件手工恢复。恢复方式是读取tfw的六行数字，通过gdal_translate -a_ullr命令行写入范围。例如：

gdal_translate -a_ullr 73.5 53.5 135.0 18.0 -a_srs EPSG:4326 中国地貌.tif 中国地貌_fixed.tif

参数说明：-a_ullr后面依次是左上、右下的经纬度边界，-a_srs强制指定WGS84坐标系。这个方法适合tfw文件没被修改的情况，但前提是你从tfw里读到的坐标是正确的。相比直接在QGIS里手动改CRS，这样生成的GeoTIFF在后续命令行处理时更不容易出错。

3.3 打开后黑屏、错位和NoData的正确处理

在QGIS中打开，如果是全黑或花屏，原因是分类栅格没有默认颜色映射。此时打开图层属性->符号化，选择“Paletted/Unique values”，点击“Classify”按钮，让QGIS读取所有唯一值，再手动替换颜色。如果值很多，也可以加载.qml样式文件，但这里不展开。

另一个高频问题是大范围全黑，但局部有颜色，遇到这种可以考虑是NoData值没设对。分类栅格常把海洋或无效区域设为0，而最低值显示为0时也会被拉伸成黑色。用gdal_translate将0显式定义为NoData：

gdal_translate -a_nodata 0 -ot Byte -co COMPRESS=LZW 中国地貌.tif 中国地貌_nodata.tif

-a_nodata 0设置无效值为0，-ot Byte保持8位无符号整型，-co COMPRESS=LZW无损压缩。之后再加载，黑色区域会自动变成透明或背景色，后续统计也更方便。注意有些早期版本数据用了255作为NoData，这时可以用gdalinfo查看原始tif的NoData参数，不要直接套0。

4. 实际应用：地貌栅格的面积统计、重分类与制图

4.1 用numpy+GDAL统计各地貌类型面积

拿到有效的分类栅格后，最常见的需求是“低海拔平原占多少，大起伏高山占多少”。使用ArcGIS的Spatial Analyst课可以完成，但我更习惯用Python直接跑：

from osgeo import gdal import numpy as np ds = gdal.Open("中国地貌_nodata.tif") band = ds.GetRasterBand(1) data = band.ReadAsArray() gt = ds.GetGeoTransform() pixel_area = abs(gt[1] * gt[5]) # 像元宽*高，平方度 valid = data[data > 0] vals, counts = np.unique(valid, return_counts=True) for v, c in zip(vals, counts): print(v, c, round(c * pixel_area, 4))

代码逻辑说明：ReadAsArray把整个全国栅格读入内存，约4200万整数，内存占用约40MB，普通电脑可以接受；np.unique统计每个ID的像元数；像元面积由GeoTransform里的宽度（gt[1]）和高度（绝对值gt[5]）相乘得到。注意这里是“平方度”，若要公制面积，先投影到等积投影（如Albers）再统计。输出结果后，结合代码表docx就能得到类似“低海拔平原面积XX平方度”的结论。

这种统计方式比在ArcGIS里打开属性表逐项导出更快，而且你能看清楚哪些值出现了0次，这对数据质量检查也有帮助。比如某个应该在陆地上的代码出现0次，很可能说明原始分类在某个区域断档。

4.2 31类合并成平原、台地、丘陵、山地四大类

实际报告中通常不需要细分31类，而只需要“平原/台地/丘陵/山地”。由于编码规则明确，你完全可以在数组上向量化重分类，而不需要使用重分类工具：

data = data.astype(np.int16) last = data % 10 res = np.zeros_like(data) res[(last == 1) & (data > 0)] = 1 # 平原 res[(last == 2) & (data > 0)] = 2 # 台地 res[(last == 3) & (data > 0)] = 3 # 丘陵 res[(last >= 4) & (data > 0)] = 4 # 山地 res[data <= 0] = 0

逻辑说明：取个位数字last，判断形态类别；十位和个位组合其实没有破坏这个规则，因为所有平原、台地、丘陵的个位都是1、2、3，山地是4~7。(data > 0)条件将NoData排除，最后一行的res[data <= 0] = 0是防御性写法，确保输出值域是0~4。输出到新栅格时注意使用原GeoTransform和Projection，并使用COMPRESS=LZW：

out = gdal.GetDriverByName("GTiff").Create("reclass4.tif", ds.RasterXSize, ds.RasterYSize, 1, gdal.GDT_Byte, options=["COMPRESS=LZW"]) out.SetGeoTransform(gt) out.SetProjection(ds.GetProjection()) out.GetRasterBand(1).WriteArray(res) out.FlushCache()

用这个流程替代ArcGIS的Reclassify，好处是你可以随时修改合并规则。比如把“台地”和“平原”合并为“平地”，只要改变last == 2那一行右侧的赋值即可，不用重新打开对话框。

4.3 渲染成图：面向汇报的地貌专题图

如果你只是截图看效果，可以用QGIS的“Paletted/Unique values”手动配色；但如果要输出矢量出版级地图，我更愿意用GDAL生成一个海拔带栅格再用伪彩色渲染。先通过gdal_calc.py提取海拔带：

gdal_calc.py -A 中国地貌_nodata.tif --outfile=relief.tif --calc="floor(A/10)" --NoDataValue=0

calc中floor(A/10)将每个像元值整除10，得到1~4的海拔带；NoDataValue保留0。随后在QGIS中对relief.tif选择“Singleband pseudocolor”，搭配一套由绿到棕的Type值渐变方案，比如低海拔用绿、中海拔用黄、高海拔用橙、极高海拔用红棕，图例按1~4标注为“低海拔/中海拔/高海拔/极高海拔”，输出300dpiPNG即可。这样处理的好处是：地貌形态（平原/山地）通过专题符号化表达，海拔带通过颜色表达，一张图既有生态含义又有地形特征。

5. 进阶技巧：给中国地貌栅格补上金字塔并提取像素值

5.1 分类栅格的金字塔重建：别让平均重采样毁掉分类值

用QGIS打开全国tif时出现明显拖动卡顿，通常是因为.ovr金字塔缺失或者与tif文件分离。如果数据目录里有同名.ovr，请直接保留；如果没有，手动用gdaladdo生成：

gdaladdo -r nearest 中国地貌_nodata.tif 2 4 8 16

参数说明：-r nearest是关键，分类栅格重采样只能用邻近法。若误用average，缩放时像元值会被平均，比如11和12变成11.5，图上会出现一些不存在的类，后续如果对金字塔采样（而不是原始数据），统计结果会受污染。2、4、8、16构建四级金字塔，覆盖从轻到重的缩放级别。生成后检查tif目录是否出现.ovr文件即可。

5.2 用逆仿射变换批量提取点上的地貌代码

当你在野外采集了一批调查点，或者在矢量上有乡镇点数据，需要给每个点附加地貌类型时，不必用到昂贵的空间分析扩展。直接用GDAL的仿射变换反算就可以：

from osgeo import gdal ds = gdal.Open("中国地貌_nodata.tif") gt = ds.GetGeoTransform() inv_gt = gdal.InvGeoTransform(gt) def value_at(lon, lat): px, py = [int(round(v)) for v in gdal.ApplyGeoTransform(inv_gt, lon, lat)] if px < 0 or py < 0 or px >= ds.RasterXSize or py >= ds.RasterYSize: return -1 return ds.GetRasterBand(1).ReadAsArray(px, py, 1, 1)[0][0] print(value_at(104.5, 32.5))

代码说明：InvGeoTransform将地图坐标转为像元坐标；ApplyGeoTransform按六参数模型计算行列；ReadAsArray(px, py, 1, 1)只读一个像元，适合几千个点的批处理。注意越界点要先过滤，否则返回错误。如果你的点文件是投影坐标，那么lon, lat换成投影坐标同样适用，只要坐标系与tif统一即可。每个点都对应一个4位编码，拿去做后续的Logistic回归或样方统计，正好与植被、土壤数据对齐。如果提取结果大面积返回0，请回到第3.3节检查NoData设置，不要急着把0当作“水面”写进报告。

本文还有配套的精品资源，点击获取