企业官网建设流程全解析

简介：这份资源是面向GIS、遥感及地形分析学习者的重庆市30米分辨率数字高程模型数据包，基于ASTER GDEM V3全球数据集自行拼接裁剪而成，可直接用于城市规划、地质灾害评估、水文模拟、交通选线等场景，适合具备一定GIS基础的中高级用户。压缩包共10个文件，约125.77MB，以GeoTIFF栅格数据为核心，辅以Shapefile矢量边界（含shp、shx、dbf、prj等配套文件）、tfw坐标信息文件及xml元数据，覆盖WGS84投影，便于在ArcGIS、QGIS等软件中直接加载并开展坡度、坡向、汇流等分析。目前已有904人学习下载，数据经过拼接与重投影处理，省去原始分幅数据整合的繁琐步骤，读者可快速获得覆盖重庆全市的连续DEM图层，并结合行政边界矢量数据完成裁剪、地形复杂度计算与可视化制图，为科研与工程决策提供可靠的地形底图。

1. 重庆DEM（30米分辨率）：山城地形数据到底怎么用起来

第一次拿到重庆DEM（30米分辨率）的人，十有八九会先愣一下：打开一看全是灰不溜秋的栅格，山在哪里、江在哪里、坡度在哪里，全得自己算。重庆这地方又特殊，主城夹在两江之间，渝东北、渝东南全是深丘和山地，海拔从一百多米一路爬到两千多米，用平地的思路去处理这套数据，翻车是迟早的事。这篇笔记讲的就是：重庆DEM（30米分辨率）从哪来、怎么读、坡度坡向汇流怎么算、山城特有的坑在哪，以及这套数据到底值不值得你投入时间去做。适合做GIS分析、选址评估、水文模拟、遥感入门的人，新手能照着命令跑通，熟手能对一下参数边界。

2. 重庆DEM（30米分辨率）的数据来源与选型：为什么不是随便下一份就行

2.1 30米这个分辨率对重庆意味着什么

先把概念钉死。DEM是数字高程模型，每个栅格存一个海拔值。30米分辨率，就是一个像素代表地面30米×30米的方块。放到重庆，这个尺度刚好卡在一个尴尬又实用的位置：比1弧秒（约30米）的SRTM、ASTER GDEM粗不到哪去，又比12.5米的ALOS World 3D、5米的商业数据省存储、跑得快。

重庆主城核心区南北不过十几公里，30米一格意味着一条嘉陵江江面宽度大概就2到4个像素。这就带来第一个认知：在重庆用30米DEM，江面、陡崖、桥隧这些细节是被抹平的。你要是做城市级微地形、单体建筑选址，30米不够；但做区县级坡度分级、流域划分、大范围适宜性评价，30米是性价比最高的档位。

常见做法是优先选经过水文校正的DEM，比如填洼处理过的版本，而不是直接拿原始SRTM。原因后面避坑章会细说。

2.2 数据获取：几个能落地的渠道

不编造具体下载链接，只说渠道类型，你自己按需找：

• 地理空间数据云、国家对地观测科学数据中心这类平台，能拿到SRTM 1弧秒、ASTER GDEM V3，覆盖重庆全境。
• 测绘地理信息主管部门发布的公开版基础地理数据，部分省份有1:5万DEM，精度和现势性更好，但申请流程长。
• 商业或科研合作渠道的ALOS World 3D 30米，全球覆盖，山地表现比SRTM稳。

选型判断就三条：覆盖是否完整、是否做过填洼/去噪、坐标系是否明确。重庆跨了WGS84下的多个UTM带，主城在48带，渝东北部分落到49带，直接混用会错位，这是新手最容易忽略的点。

2.3 拿到数据先做的三件事

别急着算坡度。先做这三步，能省掉后面一半的返工。

# 1. 查看栅格基本信息：尺寸、坐标系、NoData值 gdalinfo chongqing_dem_30m.tif # 2. 统一到投影坐标系（重庆主城推荐UTM 48N，EPSG:32648） gdalwarp -t_srs EPSG:32648 -r bilinear -of GTiff \ chongqing_dem_30m.tif chongqing_dem_utm48.tif # 3. 裁剪到研究区（以某个区县边界为例） gdalwarp -cutline study_area.shp -crop_to_cutline \ chongqing_dem_utm48.tif chongqing_dem_clip.tif

逻辑说明：gdalinfo先确认NoData值，很多SRTM的NoData是-32768，不处理会在坡度计算时变成巨大异常值。gdalwarp重投影时重采样方法选bilinear，高程数据不要用near，否则会出现阶梯状伪影。裁剪用-crop_to_cutline而不是先裁后投影，能减少边界插值误差。

参数说明：-t_srs是目标坐标系，重庆做面积、坡度、汇流这类量算，必须用投影坐标系，地理坐标系（经纬度）算出来的坡度单位是度/度，没有物理意义。-r重采样，高程连续数据用双线性或三次卷积。

3. 从DEM到坡度坡向汇流：重庆山地必须调的参数

3.1 坡度坡向计算：算法选择和单位陷阱

坡度是DEM最常用的派生量。GDAL和RichDEM、WhiteboxTools都能算，但结果差异不小。核心在算法：Horn算法（3×3窗口）平滑，适合大范围；Zevenbergen-Thorne适合地形起伏剧烈的区域。重庆这种山地，我一般用Horn，因为更稳，不容易在陡崖处爆出极端值。

import richdem as rd import numpy as np dem = rd.LoadGDAL("chongqing_dem_clip.tif") # 计算坡度（度） slope = rd.TerrainAttribute(dem, attrib='slope_degrees') rd.SaveGDAL("chongqing_slope.tif", slope) # 计算坡向 aspect = rd.TerrainAttribute(dem, attrib='aspect') rd.SaveGDAL("chongqing_aspect.tif", aspect) # 统计坡度分布，看有没有异常 valid = slope[slope > -9999] print("坡度均值:", np.mean(valid)) print("坡度>35度占比:", np.sum(valid > 35) / valid.size)

逻辑说明：RichDEM的TerrainAttribute内部处理了边缘和NoData，比手写卷积稳。算完一定要做分布统计，重庆山地坡度>25度的比例很高，如果算出来均值只有几度，八成是投影没换或者NoData没处理。

参数说明：slope_degrees输出度，slope_percent输出百分比，做工程边坡分级用度更直观。坡向输出是0-360度，正北为0，注意它和坡度一样对平坦区无意义，平坦区坡向是噪声，后续用坡度阈值掩掉。

3.2 填洼与汇流累积：山城水文分析的关键一步

重庆的DEM里，喀斯特洼地、水库、采石场会形成大量伪洼地。不填洼直接算汇流，水流会断在坑里，河网支离破碎。填洼用Wang & Liu算法，WhiteboxTools里叫FillDepressions。

# 填洼 whitebox_tools -r=FillDepressions \ --dem=chongqing_dem_clip.tif \ --output=chongqing_dem_filled.tif # 计算流向（D8算法） whitebox_tools -r=D8Pointer \ --dem=chongqing_dem_filled.tif \ --output=chongqing_flowdir.tif # 汇流累积 whitebox_tools -r=D8FlowAccumulation \ --input=chongqing_flowdir.tif \ --output=chongqing_flowacc.tif \ --pntr --out_type=cells

逻辑说明：填洼会改变原始高程，所以填洼后的DEM只能用于水文分析，不能拿去算坡度，这是血泪经验。D8算法每个格子只往一个方向流，简单快，但在重庆这种复杂地形上会人为拉直河道，做精细水文模拟建议换D-infinity或MFD。

参数说明：--out_type=cells输出汇流累积的格子数，换成catchment_area输出面积。提取河网时用阈值法，重庆山区一般取汇流累积>500到1000个格子作为河道起点，具体值要按流域大小试。

3.3 山影与地形起伏度：给选址和景观分析用

重庆做光伏选址、观景平台、通信基站，地形起伏度和山影是硬指标。起伏度就是窗口内最大最小高程差，窗口大小按需求定，做宏观地貌用1km窗口，做局地微地形用100到300米。

import richdem as rd dem = rd.LoadGDAL("chongqing_dem_clip.tif") # 地形起伏度，窗口半径15格（约450米） roughness = rd.Roughness(dem, radius=15) rd.SaveGDAL("chongqing_roughness.tif", roughness) # 山影（hillshade），方位角315，高度角45 hs = rd.Hillshade(dem, azimuth=315, altitude=45) rd.SaveGDAL("chongqing_hillshade.tif", hs)

逻辑说明：起伏度窗口半径直接决定结果粒度，半径太小全是噪声，太大就糊成一片。重庆主城用10到15格（300到450米）比较合适，渝东南深山可以放大到30格。山影的方位角和高度角按出图需求调，做地形可视化常用315/45，做日照分析要按真实太阳位置算。

参数说明：radius单位是格数不是米，换算时记得乘30。山影输出是0-255灰度，可以直接叠加到地图上。

4. 重庆DEM（30米分辨率）避坑：五个真实踩过的坑

4.1 坑一：投影没换，坡度算出来全是错的

现象：坡度图看着挺正常，但统计均值只有2到3度，明显偏低。 原因：DEM还是WGS84地理坐标系，栅格单位是度，坡度算法按度/度算，数值被严重压缩。 解决：先gdalwarp到UTM投影，重庆主城用EPSG:32648，渝东北渝东南按经度选49带（EPSG:32649）。换完再算，山地坡度均值一般能到15到25度。

4.2 坑二：NoData值没设，边缘出现巨大异常

现象：坡度图边缘一圈黑或者白，数值动辄几百度。 原因：原始DEM的NoData是-32768，算法把它当真实高程参与计算，相邻格差几万米。 解决：gdalinfo查NoData，用gdalwarp -dstnodata或RichDEM的rd.SetNoData显式设置，再算派生量。

4.3 坑三：填洼后的DEM拿去算坡度

现象：坡度图出现大片平坦区，和实际地形对不上。 原因：填洼把洼地填平了，高程被改，坡度自然失真。 解决：填洼DEM只用于流向和汇流，坡度坡向起伏度一律用原始（或仅去噪）DEM。两份数据分开管理，文件名标清楚。

4.4 坑四：跨带拼接不处理，接边处错位几百米

现象：把渝东北和主城的DEM拼一起，接缝处地形对不上，河流断开。 原因：两块数据用了不同UTM带，直接拼接坐标系不一致。 解决：统一重投影到一个带，或者用地理坐标系拼接后再整体投影。跨带大范围分析建议用Albers等积投影，重庆可用CGCS2000 Albers。

4.5 坑五：汇流阈值拍脑袋，河网要么太密要么断流

现象：提取的河网密密麻麻像毛细血管，或者主河道都断成几截。 原因：汇流累积阈值没按流域面积调，重庆山区小流域多，统一阈值不适用。 解决：按研究区最小关心流域面积反推阈值。比如关心1平方公里以上的沟道，阈值约等于1000000/(30×30)≈1111个格子。分区域试，主城和深山用不同阈值。

5. 进阶：用重庆DEM做一套可复用的地形因子流水线

单次分析做完就完了，但实际项目里DEM派生量要反复用。我一般搭一条流水线，把重投影、去噪、坡度、坡向、起伏度、汇流一次性跑完，输出统一命名、统一坐标系、统一NoData的成果包。这样下次换研究区，改个边界和投影参数就能复用。

import subprocess import os def build_terrain_pipeline(dem_path, out_dir, epsg=32648, rough_radius=15): os.makedirs(out_dir, exist_ok=True) base = os.path.join(out_dir, "dem_utm.tif") # 重投影 subprocess.run(["gdalwarp", "-t_srs", f"EPSG:{epsg}", "-r", "bilinear", "-dstnodata", "-9999", dem_path, base], check=True) # 坡度、坡向、起伏度 import richdem as rd dem = rd.LoadGDAL(base) rd.SaveGDAL(os.path.join(out_dir, "slope.tif"), rd.TerrainAttribute(dem, attrib='slope_degrees')) rd.SaveGDAL(os.path.join(out_dir, "aspect.tif"), rd.TerrainAttribute(dem, attrib='aspect')) rd.SaveGDAL(os.path.join(out_dir, "roughness.tif"), rd.Roughness(dem, radius=rough_radius)) # 填洼+流向+汇流 filled = os.path.join(out_dir, "dem_filled.tif") subprocess.run(["whitebox_tools", "-r=FillDepressions", f"--dem={base}", f"--output={filled}"], check=True) flowdir = os.path.join(out_dir, "flowdir.tif") subprocess.run(["whitebox_tools", "-r=D8Pointer", f"--dem={filled}", f"--output={flowdir}"], check=True) subprocess.run(["whitebox_tools", "-r=D8FlowAccumulation", f"--input={flowdir}", f"--output={os.path.join(out_dir, 'flowacc.tif')}", "--pntr", "--out_type=cells"], check=True) print("流水线完成，成果在:", out_dir) build_terrain_pipeline("chongqing_dem_30m.tif", "./cq_terrain_out")

逻辑说明：把重投影放第一步，后面所有派生量都在统一投影下算，避免跨带问题。填洼单独走一条支线，不和坡度混用同一份DEM。函数化之后，换区县只改输入路径和EPSG。

参数说明：epsg按研究区经度选，重庆主城32648，渝东北渝东南32649。rough_radius按分析尺度调，宏观用30，局地用10。输出统一NoData为-9999，方便后续批量处理。

验证方法：跑完后抽查三个点——一个已知山顶、一个江面、一个陡崖，用gdallocationinfo读高程和坡度，和实地或高精度数据对比。误差在合理范围（30米DEM高程误差通常几米到十几米）就说明流程没问题。

我自己做重庆项目这些年，最大的习惯就是先看坐标系和NoData，再动手算任何东西。这两样不对，后面全是白干。重庆DEM（30米分辨率）不算精细数据，但把投影、填洼、阈值这几个参数调对，它能撑起区县级大部分地形分析需求，投入产出比很高。希望帮到你。

本文还有配套的精品资源，点击获取