企业官网建设流程全解析

简介：这份资源是中国1km土地利用遥感监测数据集，覆盖1980至2015年间共45个年份，以1km×1km格网记录耕地、林地、草地、建设用地、水域等土地类型，面向地理学、环境科学、城乡规划与经济学等领域的研究者及政策分析人员，用于分析近四十年土地利用变迁、城市扩张、生态保护与农业动态。压缩包共126个文件，约21.83MB，以ArcInfo栅格格式为主，包含adf、nit、dat等数据文件，以及log日志、doc说明文档和xml元数据，便于在GIS软件中直接读取与二次处理。目前已有2896人学习下载。数据时间序列连续、覆盖面广，可用于对比不同年份识别耕地转建设用地、林地恢复等变化，评估城市化速度与生态政策成效，也可与社会经济数据融合构建土地利用变化模型，为气候变化适应、灾害评估与可持续发展研究提供基础支撑。

1. 拿到“中国1km土地利用数据1980-2015.zip”之后，先想清楚三件事

很多人第一次接触这套数据，是被“1km”“1980-2015”“全国覆盖”这几个词吸引的——分辨率够用、时间跨度长、空间范围大，看起来是做土地利用变化、生态评估、城市扩张分析的理想底料。但真正解压之后，面对一堆按年份或按图幅命名的栅格文件，第一反应往往是：我该从哪一年开始看？投影是什么？分类体系怎么读？值域代表什么？如果这三个问题没搞清楚，后面所有分析都是空中楼阁。

这套数据本质上是一套长时间序列的全国土地利用栅格产品，空间分辨率约1km，时间覆盖1980年代到2015年前后，通常按若干期发布。它适合做区域尺度的土地利用结构变化、耕地与建设用地转移、生态用地演变等分析，不适合做地块级精细测绘。使用者主要是地理信息、生态、城市规划、农业资源方向的从业者和研究生。下面按“先立住理论、再动手复现”的顺序，把从拿到压缩包到跑出第一张变化图的完整路径拆开讲。

2. 解压之后先别急着打开：搞清数据组织与分类体系

2.1 常见目录结构与年份命名规律

不同来源的打包方式略有差异，但常见做法是按年份分文件夹，每个文件夹里放若干分幅栅格，或者直接放一张全国拼接好的大栅格。先列目录，别急着用软件打开。

# 查看压缩包内文件列表，不直接解压 unzip -l "中国1km土地利用数据1980-2015.zip" | head -50 # 解压到指定目录 mkdir -p ./landuse_data unzip "中国1km土地利用数据1980-2015.zip" -d ./landuse_data # 查看解压后的目录树，只看两层 find ./landuse_data -maxdepth 2 -type d | sort

逻辑说明：unzip -l先看清单，避免解压出一堆不需要的中间文件。find只看目录层级，快速判断是按年份还是按图幅组织。参数上，-maxdepth 2控制递归深度，防止输出过长。

如果发现是按图幅分幅存放，比如N50E110这类命名，说明需要先拼接再分析。如果直接是landuse_1990.tif、landuse_2000.tif这种，说明已经拼接好，可以直接进入投影和分类检查。

2.2 分类体系：值域与含义必须逐一对上

这套数据最常见的分类体系是6个一级类：耕地、林地、草地、水域、建设用地、未利用地。但不同期次可能用不同编码，比如1代表耕地、2代表林地，也可能用10、20、30这种。不要凭经验猜，一定要找到随数据附带的说明文件，或者用栅格属性表反查。

import rasterio import numpy as np # 打开某一年的栅格 with rasterio.open("./landuse_data/landuse_1990.tif") as src: print("投影:", src.crs) print("尺寸:", src.width, "x", src.height) print("波段数:", src.count) print("数据类型:", src.dtypes) # 读取第一波段 arr = src.read(1) # 统计唯一值和出现频次 unique, counts = np.unique(arr, return_counts=True) for u, c in zip(unique, counts): print(f"值 {u}: {c} 像元")

逻辑说明：rasterio打开栅格后，先看crs确认投影，再看dtypes确认是整型还是浮点。np.unique统计值域分布，如果出现0、1、2、3、4、5、6，基本就是6类编码；如果出现0、10、20、30，就是另一套。参数上，src.read(1)读第一波段，土地利用数据通常只有单波段。

注意：如果唯一值里出现255或-9999，通常是填充值或无效值，后续分析前必须掩膜掉，否则会污染统计结果。

2.3 投影与坐标系：别等面积算错了才回头

1km分辨率的数据，常见投影是Albers等面积投影或经纬度投影。如果是经纬度投影，直接算面积会随纬度变化，北方和南方的1km像元实际面积不一样。做面积统计前，必须确认投影类型。

with rasterio.open("./landuse_data/landuse_1990.tif") as src: print(src.crs) # 如果是地理坐标系，像元大小单位是度 print("像元大小:", src.res) # 如果是投影坐标系，像元大小单位是米

如果src.crs显示的是EPSG:4326这类地理坐标系，而src.res是0.01度左右，说明需要先投影转换再算面积。常见做法是转到Albers等面积投影，中央经线取105°E，双标准纬线取25°N和47°N。这一步不做，后面所有面积数字都只能当相对值看。

3. 从单年读取到多期变化：用Python跑通最小分析链路

3.1 读取单年数据并做无效值掩膜

先跑通一年，确认分类和投影没问题，再批量处理。下面这段代码读取1990年数据，掩膜无效值，统计各类面积占比。

import rasterio import numpy as np import pandas as pd def read_landuse(path, nodata_values=[0, 255, -9999]): with rasterio.open(path) as src: arr = src.read(1).astype(np.float32) # 掩膜无效值 mask = np.isin(arr, nodata_values) arr[mask] = np.nan return arr, src.crs, src.transform arr, crs, transform = read_landuse("./landuse_data/landuse_1990.tif") # 统计各类像元数 unique, counts = np.unique(arr[~np.isnan(arr)], return_counts=True) total = counts.sum() for u, c in zip(unique, counts): print(f"类别 {int(u)}: {c} 像元, 占比 {c/total*100:.2f}%")

逻辑说明：nodata_values根据实际情况调整，常见的是0、255、-9999。np.isin做批量掩膜比循环快。统计时排除NaN，避免无效值拉低占比。参数上，astype(np.float32)是为了后续能存NaN，整型不能直接存NaN。

3.2 两期数据做变化检测：转移矩阵怎么算

变化检测最常用的输出是转移矩阵：从1990年到2015年，有多少耕地变成了建设用地，多少林地变成了草地。用pandas.crosstab可以快速算。

def change_matrix(path_t1, path_t2, nodata_values=[0, 255, -9999]): arr1, _, _ = read_landuse(path_t1, nodata_values) arr2, _, _ = read_landuse(path_t2, nodata_values) # 只保留两期都有效的像元 valid = (~np.isnan(arr1)) & (~np.isnan(arr2)) a1 = arr1[valid].astype(int) a2 = arr2[valid].astype(int) # 计算转移矩阵 df = pd.crosstab(a1, a2, rownames=["1990"], colnames=["2015"]) return df matrix = change_matrix("./landuse_data/landuse_1990.tif", "./landuse_data/landuse_2015.tif") print(matrix)

逻辑说明：valid确保两期都有效才参与统计，避免一期无效导致误判。crosstab默认按出现值建表，如果某类在两期中都没出现，表里不会显示，需要手动补全类别。参数上，astype(int)是为了让crosstab按整数分类而不是浮点。

注意：如果两期分类编码不一致，比如一期用1-6，另一期用10-60，必须先做编码映射，否则转移矩阵全是错位。

3.3 批量处理多年数据：循环与内存控制

1980-2015通常有5到7期，批量处理时不要一次性把所有栅格读进内存。逐期读取、逐期统计，最后合并结果。

import glob import os files = sorted(glob.glob("./landuse_data/landuse_*.tif")) results = [] for f in files: year = os.path.basename(f).replace("landuse_", "").replace(".tif", "") arr, _, _ = read_landuse(f) unique, counts = np.unique(arr[~np.isnan(arr)], return_counts=True) total = counts.sum() for u, c in zip(unique, counts): results.append({"year": year, "class": int(u), "count": c, "pct": c/total*100}) df = pd.DataFrame(results) print(df.pivot(index="year", columns="class", values="pct"))

逻辑说明：glob按文件名排序，确保年份顺序。每期读完只保留统计结果，不保留原始数组，内存占用可控。pivot输出年份×类别的占比表，方便看趋势。参数上，如果文件命名不规则，需要手动指定年份列表。

4. 避坑与排查：这套数据最容易翻车的5个地方

4.1 现象：面积统计出来是经纬度度数，不是平方公里

原因：数据是地理坐标系，像元大小单位是度，直接乘像元数得到的是“平方度”，不是面积。解决：先投影到等面积投影，再统计像元数乘以像元面积（比如1000m×1000m=1km²）。用rasterio.warp或gdalwarp做批量投影转换。

4.2 现象：两期数据叠加时像元对不齐，转移矩阵出现大量错位

原因：不同期次可能用了不同投影或不同分辨率，或者虽然投影相同但原点有偏移。解决：用rasterio的reproject或gdalwarp统一到同一网格，重采样方法用最近邻，因为土地利用是分类数据，不能用双线性。

4.3 现象：某一年数据打开全是0或255

原因：可能是分幅数据没拼接，只打开了一个空白图幅；或者无效值编码不是常见的0/255，而是其他值。解决：先看元数据里的nodata字段，再用np.unique看实际值域。如果是分幅，用gdal_merge.py或rasterio.merge拼接。

4.4 现象：分类编码在不同年份之间不一致

原因：不同期次可能用了不同的分类标准，比如早期6类，后期8类。解决：建立映射表，把后期类别合并到早期体系，或者反过来。映射表要写进脚本注释，别靠记忆。

4.5 现象：统计结果里出现小数类别，比如1.5

原因：重采样时用了双线性或立方卷积，导致分类值被插值成小数。解决：分类数据重采样必须用最近邻。如果已经错了，重新用最近邻跑一遍。

5. 进阶技巧：用变化热点图快速定位重点区域

跑完转移矩阵之后，下一步通常是找“哪里变化最剧烈”。一个实用技巧是计算变化强度图：对每个像元，统计1980-2015年间类别发生变化的次数，变化次数越多，颜色越深。

def change_intensity(files, nodata_values=[0, 255, -9999]): # 读取第一期作为基准 base, crs, transform = read_landuse(files[0], nodata_values) intensity = np.zeros_like(base, dtype=np.float32) prev = base for f in files[1:]: curr, _, _ = read_landuse(f, nodata_values) # 两期都有效且类别不同，强度加1 changed = (~np.isnan(prev)) & (~np.isnan(curr)) & (prev != curr) intensity[changed] += 1 prev = curr return intensity, crs, transform files = sorted(glob.glob("./landuse_data/landuse_*.tif")) intensity, crs, transform = change_intensity(files) # 保存为GeoTIFF with rasterio.open("./change_intensity.tif", "w", driver="GTiff", height=intensity.shape[0], width=intensity.shape[1], count=1, dtype=np.float32, crs=crs, transform=transform) as dst: dst.write(intensity, 1)

逻辑说明：intensity初始为0，每发现一次类别变化加1。prev逐期更新，保证比较的是相邻两期。保存时保持原投影和变换，方便在GIS里叠加。参数上，dtype=np.float32足够存变化次数，不需要双精度。

拿到这张图之后，可以叠加行政区划或生态保护区边界，快速定位变化热点。我一般会再算一个“变化类型多样性”：每个像元上出现过几种不同类别，多样性高的区域往往是农牧交错带或城市边缘，值得进一步下钻。

最后说一个血泪经验：这套数据的时间跨度大，不同期次的精度和分类标准可能有细微差异，做长时间序列分析时，不要假设所有年份完全一致。先做一致性检查，再下结论。希望帮到你。

本文还有配套的精品资源，点击获取