简介这份资源面向GIS从业者、地理信息专业师生及城市规划、水利水电、地质灾害评估等领域的工程技术人员提供内蒙古兴安盟地区30米分辨率的数字高程模型数据并附带本市级行政范围的矢量边界文件可解决区域地形分析中高程数据与行政边界配套缺失的问题。压缩包共12个文件约216.85MB主要包含tif格式的DEM主数据、shp矢量范围文件以及dbf属性表、prj投影定义、shx与sbn/sbx索引、tfw地理参考、ovr金字塔和xml元数据等配套文件覆盖栅格与矢量两类核心格式。目前已有317人学习下载。数据以30米网格存储高程信息范围框覆盖兴安盟全市并延伸至周边可直接在ArcGIS、QGIS等软件中加载用于提取坡度、坡向、地形起伏等地形因子为区域规划、环境模拟与工程设计提供基础地理数据支撑。1. 兴安盟30m DEM 到手之后先搞清楚这套数据能干什么、不能干什么拿到「内蒙古兴安盟DEM数字高程数据30m含本市级范围shp文件.zip」这个包很多人的第一反应是解压、拖进 ArcGIS 看一眼山形然后就没有然后了。真正做过流域分析、选址评估、光伏踏勘或者公路选线的人会告诉你30m 分辨率的 DEM 在兴安盟这种「大兴安岭中段 松嫩平原西缘 科尔沁沙地北缘」三种地貌叠在一起的地方用得好是利器用不好就是一堆看着漂亮、算出来全是错的栅格。这个包的价值不在于「有高程」而在于它同时给了本市级行政边界的 shp 文件——这意味着你可以直接做按市、旗县的分区统计和裁剪省掉最烦的边界对齐环节。这篇笔记面向三类人做区域地形分析的 GIS 从业者、需要 DEM 做水文或选址建模的工程人员、以及第一次接触 30m 公开高程数据、想把它跑通的新手。我会把坐标系、裁剪、填洼、坡度坡向、分区统计这几件事按能复现的顺序讲清楚顺带把那些不踩一次不知道疼的坑摆出来。2. 先立住理论30m DEM 在兴安盟意味着什么精度shp 边界又该怎么理解2.1 30m 分辨率不是「精度」别把采样间隔当误差30m DEM 指的是栅格像元在地面上的边长约 30 米这是采样间隔不是高程精度。公开的 30m 高程数据常见来源是 ASTER GDEM 或 SRTM 类产品在高程方向上的标称精度通常在 715 米量级植被茂密区和陡坡区会更差。兴安盟东南部是大兴安岭余脉坡度大、林区多西北部过渡到平原和沙地同一份数据在不同地貌上的可信度完全不同。我一般会这样判断能不能用如果做的是流域划分、汇流累积、淹没范围这类相对地形关系的分析30m 够用如果要做单点高程校核、土方量精算30m 不够必须上无人机或实测。把这句话记住能省掉后面很多返工。2.2 本市级 shp 文件的两个用途裁剪掩膜和分区统计单元包里的 shp 是行政边界通常有两层价值。第一层是裁剪掩膜DEM 原始范围往往比兴安盟大直接分析会带进周边盟市的地形边界一裁数据量下来了结果也只落在你关心的区域。第二层是分区统计单元兴安盟下辖多个旗县市做坡度分级、高程带统计时按行政单元出表比整片区域出一个总数有用得多。这里有个前提必须先确认shp 和 DEM 的坐标系是否一致。不一致就得先投影统一否则裁剪出来的边界会整体偏移这种错误在图上不一定看得出来但统计结果全错。2.3 投影选型为什么不能一直用地理坐标系算面积和坡度DEM 常见是地理坐标系经纬度单位是度而坡度、面积、距离这些量必须用投影坐标系单位是米来算。在经纬度栅格上直接算坡度得到的是「度/度」这种没有物理意义的量。兴安盟跨经度大约在东经 119°123° 之间常用做法是选 CGCS2000 或 WGS84 下的 3 度带高斯-克吕格投影中央经线按所在带选取。提示投影变换要在裁剪之前做或者至少保证 DEM 和 shp 用同一套投影顺序错了后面每一步都要重来。3. 动手跑通从解压到坡度坡向的最小可复现流程3.1 环境准备与数据自检我习惯用 Python rasterio geopandas 这套组合轻量、脚本化、可复现。先装环境pip install rasterio geopandas numpy shapely fiona pyproj装完先做数据自检别急着分析。下面这段脚本把 DEM 和 shp 的基本信息打出来重点看坐标系、范围、像元大小、NoData 值import rasterio import geopandas as gpd # DEM 自检 with rasterio.open(xingan_dem_30m.tif) as src: print(CRS:, src.crs) # 坐标系重点看是地理还是投影 print(Bounds:, src.bounds) # 范围确认是否覆盖兴安盟 print(Resolution:, src.res) # 像元大小地理坐标系下是度 print(NoData:, src.nodata) # 无效值后面填洼和统计都要用 print(Size:, src.width, src.height) # shp 自检 gdf gpd.read_file(xingan_boundary.shp) print(shp CRS:, gdf.crs) print(要素数量:, len(gdf)) print(字段:, list(gdf.columns))逻辑说明src.crs决定后面要不要投影src.res在地理坐标系下通常是 0.000277…约 30 米对应的度看到这个值就知道还没投影src.nodata必须记下来填洼和统计时如果不排除 NoData边缘会出现假的低值或高值。参数上如果src.crs是 EPSG:4326 而 shp 是投影坐标下一步必须先统一。3.2 坐标系统一与按边界裁剪确认坐标系后把两者统一到同一个投影坐标系再裁剪。下面脚本假设统一到 CGCS2000 3 度带EPSG 视具体带号而定兴安盟一带常见带号需要按实际经度确认import rasterio from rasterio.mask import mask import geopandas as gpd # 1. 读取边界并投影到目标坐标系 gdf gpd.read_file(xingan_boundary.shp) gdf_proj gdf.to_crs(EPSG:4544) # 示例CGCS2000 3度带实际带号按经度确认 # 2. 用边界几何裁剪 DEM with rasterio.open(xingan_dem_30m.tif) as src: src_proj src.crs geoms [geom for geom in gdf_proj.geometry] out_image, out_transform mask(src, geoms, cropTrue, nodatasrc.nodata) out_meta src.meta.copy() # 3. 写出裁剪结果 out_meta.update({ height: out_image.shape[1], width: out_image.shape[2], transform: out_transform, nodata: src.nodata }) with rasterio.open(xingan_dem_clip.tif, w, **out_meta) as dest: dest.write(out_image)逻辑说明mask的cropTrue会把输出范围收紧到边界外接矩形减少数据量nodata必须显式传入否则边界外会被填成 0后面算坡度时边界会出现一圈假陡坡。参数上EPSG:4544只是示例实际带号要按兴安盟所在经度区间查高斯-克吕格分带表确认选错带号会导致东西向拉伸变形。3.3 填洼不做这一步水文分析全是断头河原始 DEM 里普遍存在洼地sink成因包括数据噪声和真实地形。做汇流分析前必须填洼否则水流会在假洼地里断掉。常用工具是richdem或 GDAL 的gdaldem配合fillnodata这里用 richdemimport richdem as rd dem rd.LoadGDAL(xingan_dem_clip.tif) dem_filled rd.FillDepressions(dem, epsilonFalse, in_placeFalse) rd.SaveGDAL(xingan_dem_filled.tif, dem_filled)逻辑说明FillDepressions把每个洼地填到其最低出流点高度epsilonFalse表示填成平底做汇流累积时更稳定如果做精确流向可以设epsilonTrue加微小坡度避免平地流向歧义。参数上填洼会改变高程值所以填洼后的 DEM 不要再用来做高程统计高程统计用原始裁剪结果。3.4 坡度、坡向与分区统计坡度坡向用 GDAL 命令行最快gdaldem slope xingan_dem_clip.tif xingan_slope.tif -p -s 1.0 gdaldem aspect xingan_dem_clip.tif xingan_aspect.tif-p表示输出坡度用度为单位不加则用百分比-s 1.0是水平单位与垂直单位比例投影坐标系下水平单位是米垂直也是米所以取 1.0。如果 DEM 还是地理坐标系这里必须填纬度对应的换算系数否则坡度全错——这是新手最常翻车的地方。分区统计用 rasterstats 按旗县出表from rasterstats import zonal_stats stats zonal_stats( xingan_boundary.shp, xingan_dem_clip.tif, stats[mean, min, max, std], nodata-9999 ) for i, s in enumerate(stats): print(f区域{i}: 平均高程 {s[mean]:.1f} m, 最高 {s[max]:.1f} m)逻辑说明nodata要和 DEM 实际 NoData 值一致否则无效像元会被算进均值stats可按需加median、percentile。参数上如果边界有重叠或缝隙统计结果会重复或漏算做之前用gdf.is_valid检查几何有效性。4. 避坑与排查这五条我都是踩过才记住的4.1 现象裁剪后边界外一圈异常陡坡 → 原因NoData 被当成 0 → 解决裁剪时显式传 nodatamask不传nodata时边界外默认填 0而兴安盟高程普遍在几百米以上0 和真实高程之间形成巨大落差坡度图上边界一圈红。解决就是在mask里传nodatasrc.nodata并在后续所有计算里排除该值。4.2 现象坡度值大得离谱 → 原因在地理坐标系上直接算坡度 → 解决先投影再算经纬度栅格的像元边长在东西和南北方向不一致GDAL 会按默认比例算结果完全失真。正确顺序是投影到米制坐标系后再跑gdaldem slope或者在地理坐标系下用-s传入纬度换算系数但后者不如直接投影干净。4.3 现象分区统计均值明显偏低 → 原因NoData 值没排除 → 解决统计时对齐 nodata 参数如果 DEM 的 NoData 是 -9999而统计时没声明-9999 会被当成真实高程拉低均值。做统计前先print(src.nodata)把这个值一路传下去。4.4 现象shp 和 DEM 叠在一起整体偏移 → 原因两者坐标系不一致 → 解决统一投影后再操作地理坐标系和投影坐标系混用或者用了错误的带号都会导致偏移。用gdf.crs和src.crs对比不一致就to_crs统一别靠肉眼在图上对。4.5 现象填洼后高程统计对不上原始数据 → 原因填洼改变了高程值 → 解决高程统计用原始裁剪结果水文分析用填洼结果填洼是水文分析的前置步骤它人为抬高了洼地底部。把填洼后的 DEM 拿去做高程带统计低海拔区域会偏大。两份数据分开管理文件名带_filled后缀提醒自己。5. 进阶技巧用这份数据做一次靠谱的坡度分级与选址筛选把前面的流程串起来最后落到一个实际场景假设你要在兴安盟范围内筛出适合布设地面光伏的候选区核心约束通常是坡度小于某个阈值、坡向偏南、且不在水域。用这份 30m DEM 加 shp 边界可以快速出一版粗筛结果。先做坡度分级用 numpy 对坡度栅格重分类import rasterio import numpy as np with rasterio.open(xingan_slope.tif) as src: slope src.read(1) profile src.profile nodata src.nodata # 分级0-5度优5-15度可15-25度差25度排除 classes np.full(slope.shape, 0, dtypenp.uint8) classes[(slope 0) (slope 5)] 1 classes[(slope 5) (slope 15)] 2 classes[(slope 15) (slope 25)] 3 classes[slope 25] 4 classes[slope nodata] 0 profile.update(dtyperasterio.uint8, nodata0) with rasterio.open(slope_class.tif, w, **profile) as dst: dst.write(classes, 1)逻辑说明分级阈值按光伏选址常见经验设坡度越小施工成本越低classes[slope nodata] 0保证无效区不参与后续筛选。参数上阈值不是固定的风电、公路、农业各有各的标准改的是那几个数字流程不变。接着叠加坡向坡向值 135225 度大致对应南向用同样的重分类思路生成南向掩膜再和坡度优级区做逻辑与得到候选栅格。最后用 shp 边界按旗县统计候选面积from rasterstats import zonal_stats candidate zonal_stats( xingan_boundary.shp, slope_class.tif, stats[count], categoricalTrue, nodata0 ) for i, c in enumerate(candidate): print(f区域{i} 优级像元数: {c.get(1, 0)})逻辑说明categoricalTrue会按类别返回像元计数c.get(1, 0)取优级类别 1的数量乘以 900 平方米30m×30m就是面积。参数上这一步只是粗筛真正落地还要叠加土地性质、并网距离、光照资源等图层但 DEM 这一层能先把地形明显不合适的区域砍掉省掉大量现场踏勘。我自己的习惯是任何一份 DEM 拿到手先跑一遍自检脚本把坐标系、NoData、范围三个值记在便签上再开始分析。这三件事确认了后面九成的翻车都能避免。兴安盟这份 30m 数据加本市级 shp 的组合对区域尺度的地形分析来说够用且省事关键是把投影和 NoData 这两道关守住。希望帮到你。本文还有配套的精品资源点击获取