简介这份资源面向GIS从业者、地理信息专业学生及从事国土空间规划、水文生态研究的技术人员提供全国尺度的湖泊、水库、沼泽湿地与滨海湿地矢量数据可用于专题制图、空间分析与可视化表达。压缩包共31个文件约11.3MB以shp、shx、dbf、prj等Shapefile核心文件为主辅以tif栅格影像、tfw坐标文件、ovr与aux.xml金字塔及辅助信息、cpg编码说明、sbn与sbx空间索引另附GLWD数据说明与免责声明两份pdf文档并包含中国省级行政区划2020底图便于直接叠加出图。资源按glwd_1至glwd_3分级组织覆盖不同湿地类型层级配合栅格与矢量双格式可满足从数据浏览到制图输出的多种需求。目前已有343人学习下载适合需要快速获取全国湿地分布底图、开展生态评估或教学演示的用户参考使用。1. 湖泊 GIS 数据落地从 shp 文件到空间分析的完整链路做湖泊 GIS 项目的人大概都经历过这个场景手头有一份研究区边界想统计区内湖泊水面面积变化结果发现要么只有几个大型湖泊的矢量要么湿地分类粗得没法用。全国尺度的湖泊、水库、沼泽湿地、滨海湿地 shp 数据解决的正是这个底图从哪来的问题。它把四类水体/湿地要素按面状矢量组织每个要素带几何边界和基础属性可以直接拖进 QGIS、ArcGIS 或 PostGIS 做叠加、裁剪、面积量算。适合做国土空间规划、生态评估、水文建模、遥感验证的从业者也适合需要全国尺度水体底图做空间统计的研究生。这份数据不是遥感影像是已经矢量化好的面要素省掉了自己从影像提取的环节但用之前得先搞清楚坐标系、属性字段和拓扑质量这三件事。2. 数据拆包与坐标系确认别让投影偏差吃掉你的面积拿到 shp 数据包第一件事不是急着打开看而是先确认它的坐标参考系。全国尺度的矢量数据常见的有地理坐标系如 CGCS2000、WGS84和投影坐标系如 Albers 等积投影两种。地理坐标系下直接算面积单位是平方度这个数字没有任何物理意义——这是新手最容易翻车的地方。我一般会先用 ogrinfo 把元数据读出来确认 EPSG 代码再决定要不要重投影。2.1 用 GDAL 快速读取 shp 元信息命令行下用 ogrinfo 是最快的方式不用打开笨重的桌面软件# 查看 shp 文件的坐标系、要素数量、字段结构 ogrinfo -so -al lakes.shp # 输出示例解读 # Layer name: lakes # Geometry: Polygon # Feature Count: 约数万条视数据版本而定 # Extent: (经度min, 纬度min) - (经度max, 纬度max) # Layer SRS WKT: GEOGCS[China Geodetic Coordinate System 2000, ...] # 字段name, type, area, perimeter 等-so表示 summary only只输出摘要不打印每个要素-al表示 all layers。重点看三行Geometry 确认是 Polygon 还是 MultiPolygonFeature Count 判断数据量级Layer SRS WKT 确认坐标系。如果 SRS 显示的是 GEOGCS 开头说明是地理坐标系后面算面积必须重投影。2.2 重投影到等积坐标系全国尺度做面积统计推荐用 Albers 等积投影参数按中国标准设置# 将地理坐标系转为 Albers 等积投影 ogr2ogr -f ESRI Shapefile \ -t_srs projaea lat_125 lat_247 lat_00 lon_0105 x_00 y_00 datumWGS84 unitsm no_defs \ lakes_albers.shp lakes.shplat_125 lat_247是双标准纬线覆盖中国大部分区域lon_0105是中央经线unitsm确保输出单位是米。重投影后再算面积单位就是平方米换算成平方公里除以 10^6 即可。如果数据本身已经是 Albers 投影跳过这一步但要用ogrinfo确认unitsm存在。提示不同来源的 shp 可能用了不同的 Albers 参数中央经线有 105 也有 110 的重投影前先记录原始参数避免叠加时出现几十米的偏移。2.3 属性字段的清洗与标准化打开属性表会发现字段名可能是拼音、英文缩写或中文比如NAME、MC、面积。做批量处理前先统一字段名否则后面写脚本时字段引用会乱。用 Python 的 geopandas 可以一次性重命名并筛选有效记录import geopandas as gpd # 读取 shp gdf gpd.read_file(lakes_albers.shp) # 查看现有字段 print(gdf.columns.tolist()) # 重命名字段为统一英文 gdf gdf.rename(columns{ NAME: lake_name, MC: lake_code, 面积: area_raw }) # 过滤掉面积为 0 或几何无效的记录 gdf gdf[gdf.geometry.is_valid] gdf gdf[gdf.geometry.area 0] # 重新计算面积字段平方米转平方公里 gdf[area_km2] gdf.geometry.area / 1e6 # 导出清洗后的数据 gdf.to_file(lakes_clean.shp, encodingutf-8)geometry.is_valid过滤掉自相交等无效几何geometry.area在投影坐标系下才有意义。encodingutf-8保证中文属性不出现乱码。这一步做完数据才算真正可用。3. 四类要素的叠加分析与批量裁剪湖泊、水库、沼泽、滨海湿地怎么分开用这份数据把湖泊、水库、沼泽湿地、滨海湿地放在同一套 shp 里还是分文件取决于具体打包方式。常见做法是分图层存放也可能用type字段区分。不管哪种做分析前都要先按类型拆开再和你的研究区做叠加。这一章讲清楚拆分逻辑、叠加方法和批量裁剪的脚本。3.1 按类型拆分要素如果数据用字段区分类型用属性筛选拆成四个独立文件import geopandas as gpd gdf gpd.read_file(wetlands_all.shp) # 假设类型字段为 type值为中文分类 type_mapping { 湖泊: lakes, 水库: reservoirs, 沼泽湿地: marshes, 滨海湿地: coastal } for cn_name, en_name in type_mapping.items(): subset gdf[gdf[type] cn_name] if len(subset) 0: subset.to_file(f{en_name}.shp, encodingutf-8) print(f{en_name}: {len(subset)} 个要素) else: print(f警告未找到类型 {cn_name}检查字段值是否匹配)gdf[type] cn_name是精确匹配如果字段值有空格或别名比如沼泽和沼泽湿地混用需要先用gdf[type].unique()看一遍实际值。拆分后每个文件独立做后续处理避免类型混淆。3.2 与研究区边界做叠加裁剪假设你有一个研究区边界study_area.shp要提取区内所有湖泊import geopandas as gpd lakes gpd.read_file(lakes_clean.shp) study gpd.read_file(study_area.shp) # 确认两者坐标系一致 assert lakes.crs study.crs, 坐标系不一致先统一投影 # 空间叠加保留与研究区相交的部分 lakes_in_study gpd.overlay(lakes, study, howintersection) # 统计区内湖泊数量和总面积 print(f区内湖泊数量: {len(lakes_in_study)}) print(f区内湖泊总面积: {lakes_in_study.geometry.area.sum() / 1e6:.2f} 平方公里) lakes_in_study.to_file(lakes_in_study.shp, encodingutf-8)howintersection保留两者相交部分适合做区内提取。如果只想筛选完全落在区内的要素用howwithin或先做sjoin再过滤。assert那行是血泪经验——坐标系不一致时 overlay 不会报错但结果会偏移到离谱的位置。3.3 批量裁剪多个研究区如果有几十个研究区要分别统计写循环比手动操作靠谱import geopandas as gpd import os lakes gpd.read_file(lakes_clean.shp) regions gpd.read_file(regions.shp) # 多个研究区 output_dir output_by_region os.makedirs(output_dir, exist_okTrue) for idx, region in regions.iterrows(): region_name region[name] # 构造单要素 GeoDataFrame single_region gpd.GeoDataFrame([region], crsregions.crs) clipped gpd.overlay(lakes, single_region, howintersection) if len(clipped) 0: out_path os.path.join(output_dir, f{region_name}_lakes.shp) clipped.to_file(out_path, encodingutf-8) area clipped.geometry.area.sum() / 1e6 print(f{region_name}: {len(clipped)} 个湖泊, {area:.2f} km²) else: print(f{region_name}: 无湖泊)regions.iterrows()逐行遍历gpd.GeoDataFrame([region], crsregions.crs)把单行转成独立 GeoDataFrame。注意region本身是 Series直接传给 overlay 会报错必须包一层。输出文件名用region_name区分避免覆盖。注意批量裁剪时如果研究区之间有重叠同一个湖泊会被重复统计。需要去重的话先对所有裁剪结果做pd.concat再drop_duplicates(subsetlake_code)。4. 避坑与排查shp 数据用起来最容易翻车的五个地方4.1 中文属性乱码现象打开属性表中文字段值显示为????或乱码字符。原因shp 格式的.dbf文件默认编码是 GBK 或 Latin-1而 QGIS/ArcGIS 可能按 UTF-8 读取。解决在 QGIS 中右键图层 → 属性 → 源手动指定编码为 GBK或用 Python 读取时加encodinggbk导出时统一转encodingutf-8。最彻底的办法是导出为 GeoPackage.gpkg没有编码问题。4.2 面积算出天文数字现象用geometry.area算面积结果动辄几千万甚至上亿。原因数据是地理坐标系度面积单位是平方度不是平方米。解决先重投影到等积投影再算面积。用gdf.crs.is_geographic判断返回True就说明需要重投影。4.3 叠加后要素消失现象overlay 之后结果为空但明明两个图层有重叠。原因坐标系不一致或者其中一个图层的几何无效。解决先assert gdf1.crs gdf2.crs再gdf.geometry.is_valid.all()检查几何有效性。无效几何用gdf.geometry.buffer(0)修复。4.4 滨海湿地和沼泽湿地边界重叠现象同一块区域在沼泽湿地和滨海湿地两个图层里都出现统计时重复计算。原因分类标准中滨海湿地可能包含部分沼泽湿地数据生产时未做互斥处理。解决做叠加前先判断两类是否有空间重叠用gpd.overlay(marshes, coastal, howintersection)看交集面积。如果有重叠按优先级保留一类或单独统计重叠区域。4.5 shp 文件缺失导致读取失败现象gpd.read_file(lakes.shp)报错No such file or directory但文件明明在。原因shp 是复合格式至少需要.shp、.shx、.dbf三个文件同时存在缺一不可。解决检查同目录下是否有同名.shx和.dbf。拷贝数据时不要只拷.shp。用ogrinfo能正常读取说明文件完整。5. 进阶技巧用 PostGIS 做全国尺度空间查询与面积汇总当数据量到全国尺度、要素数量上万时用 Python 逐个读 shp 做叠加会越来越慢。我一般会把数据导入 PostGIS用空间索引加速查询。这一步做完后面不管做流域汇总、缓冲区分析还是按行政区统计都是几行 SQL 的事。5.1 导入 shp 到 PostGIS用shp2pgsql命令行工具导入# 导入湖泊数据到 PostGIS shp2pgsql -I -s 4326 -W GBK lakes_clean.shp public.lakes | \ psql -h localhost -U postgres -d gis_db-I创建空间索引-s 4326指定 SRID根据实际坐标系调整-W GBK指定源文件编码。导入后表名是lakes几何字段默认叫geom。5.2 按行政区汇总湖泊面积假设有一张行政区划表admin用一条 SQL 就能算出每个行政区内湖泊总面积SELECT a.name AS admin_name, COUNT(l.gid) AS lake_count, ROUND(SUM(ST_Area(ST_Transform(l.geom, 3857))) / 1e6, 2) AS total_area_km2 FROM admin a JOIN lakes l ON ST_Intersects(a.geom, l.geom) GROUP BY a.name ORDER BY total_area_km2 DESC;ST_Transform(l.geom, 3857)把几何转到 Web Mercator 投影再算面积ST_Intersects利用空间索引快速筛选相交要素。ROUND(..., 2)保留两位小数。如果数据本身已经是投影坐标系去掉ST_Transform直接用ST_Area更快。5.3 用空间索引加速大范围查询PostGIS 默认会为-I导入的表建 GiST 索引但如果没有手动补一个CREATE INDEX idx_lakes_geom ON lakes USING GIST (geom);建完索引后ST_Intersects、ST_Within、ST_DWithin这类空间查询会快一到两个数量级。全国尺度的数据没索引时一次叠加可能跑几分钟有索引后通常秒级返回。5.4 导出分析结果回 shpSQL 查完的结果可以直接导出成 shp 给同事用pgsql2shp -f result_lakes.shp -h localhost -u postgres -P password gis_db \ SELECT l.* FROM lakes l JOIN admin a ON ST_Intersects(a.geom, l.geom) WHERE a.name 某区域pgsql2shp是 PostGIS 自带的导出工具-f指定输出文件名最后跟 SQL 查询。导出后的 shp 坐标系和数据库里一致不需要额外处理。从那以后我每次拿到新的 shp 数据都强制走一遍ogrinfo 看坐标系 → 重投影 → 几何有效性检查 → 导入 PostGIS 建索引这个流程再也没出现过面积算错或叠加为空的情况。希望帮到你。本文还有配套的精品资源点击获取