简介面向GIS开发者、地理信息研究人员及相关专业学习者该资源提供全国尺度地貌分布矢量图层数据采用shapefile格式附带地貌代码与地貌类型字段可满足地貌分类查询、空间分析与专题制图等常见需求适合用于区域规划、地质研究及教学演示场景。压缩包内共10个文件以shp主文件为核心配套dbf属性表、prj投影信息、shx几何索引及sbn/sbx空间索引mxd工程文件可直接在ArcGIS中打开xml与doc则包含元数据和使用说明整体仅6.17MB轻量易用。已有396人学习下载说明该数据在相关领域具有一定参考价值。通过学习该资源用户可快速获取全国统一标准的地貌分布矢量底图无需自行采集与规范化处理基于属性表中的地貌代码可进行多级分类筛选结合Python或GIS工具完成批量统计与可视化输出适合作为专业分析的基础数据图层亦可帮助初学者掌握shp文件结构及其配套文件的组织方式。1. 全国地貌分布 shp 矢量图层拿到手就能用的边界数据与出图思路做 GIS 的人应该都有过这种经历手里攒了一堆 POI、气象站点、采样点数据想按地貌类型做个分区统计结果翻遍全网找不到一套干净、完整、带属性表的全国地貌矢量边界。有些公开数据是栅格转矢量要装 GDAL还得自己清洗边缘有些是分省分块下载拼完以后相邻图幅之间接缝对不上拓扑错误一堆。这套全国地貌分布 shp 矢量图层数据最直接的用处就是把「按地貌分区」这件事从数据处理里解放出来——你拿到的是一份已经合并好的多边形图层属性表里带地貌类型字段直接用 Python 的 geopandas 读取、按字段分组统计、叠加分析或者丢进 ArcGIS Pro 做制图综合都可以。适合做科研绘图、规划前期分析、国土空间相关课程设计以及需要全国尺度地貌底图的各类项目。文件是标准 shp 三件套加属性表坐标系是地理坐标 WGS84不涉及投影参数入手先看边界对不对再谈别的。2. 认识这份数据的结构字段设计、坐标系与边界细节2.1 属性字段与地类划分逻辑拿到 shp 压缩包解压后建议先不要直接拖进 ArcGIS先看一眼.dbf的属性结构。用 Python 打开最稳因为.dbf里字段名如果是中文在 ArcMap 老版本里会出现乱码而在 geopandas 里只要encoding指定对一般能直接读出来。常见做法是import geopandas as gpd gdf gpd.read_file(全国地貌分布.shp, encodingutf-8) print(gdf.columns.tolist()) print(gdf.head())字段一般包含地貌类型名称、类型代码、面积或周长这类基础属性。如果你看到类似TYPE、CODE、AREA这样的英文字段名那大概率是为了兼容老式 GIS 软件做的规范处理。地貌分类体系通常参考《中国地貌图》的划分逻辑大类下有平原、丘陵、山地、高原等细分会有像喀斯特地貌、黄土地貌、火山地貌这类特殊类型。拿到手第一步要做的不是直接出图而是先跑一下value_counts()看类型的数量和名称确认分类粒度是不是你项目需要的# 统计各地貌类型要素数量 counts gdf[TYPE].value_counts() print(counts.head(20))这一步的意义在于如果你的目标是做全国宏观地貌分区图那大类就够了如果你要分析某个流域内的小地貌组合那可能需要按细分类型筛选。属性表里如果「类型」字段存在多级分类比如一个字段存的是大类、另一个字段存的是亚类那实际使用时应优先用最细粒度做分析最后制图时再按大类合并这样后期如果需要反悔不用回炉重做。2.2 坐标系、范围与边界情况这套数据是 WGS84 地理坐标系也就是说所有多边形节点都是经纬度坐标。在全国尺度上看用 Albers 等积投影来做面积统计是更稳妥的因为 WGS84 经纬度坐标下直接算面积单位是度完全没法用。做分区统计前建议先把数据投影到适合中国范围的 Albers 投影参数一般是中央经线 105°E双标准纬线 25°N 和 47°N。Python 里一步到位gdf_proj gdf.to_crs(projaea lat_00 lon_0105 lat_125 lat_247 datumWGS84) gdf_proj[面积_km2] gdf_proj.geometry.area / 1e6注意这里的geometry.area返回的是投影坐标系下的面积单位是平方米除以 1e6 得到平方公里。投影完了再做dissolve或者overlay能避免很多因坐标系混乱导致的空间分析结果异常。这个步骤几乎是所有全国尺度分析里必走的流程不要省略。2.3 边界完整性检查岛屿、国界与碎裂多边形任何全国尺度的 shp 数据拿到手都得做一次边界完整性和拓扑检查。重点看三块南海诸岛有没有单独的小要素西北边界是否存在未闭合的多边形大面积连片地貌中是否散落着极其细碎的碎块。这种碎块通常来自原始数据切图边界或者是相邻图幅拼接时产生的伪多边形。# 检查面积过小的要素疑似碎块 gdf_proj[面积] gdf_proj.geometry.area / 1e6 small gdf_proj[gdf_proj[面积] 0.5] print(small.shape)如果碎块数量不大建议直接用面积阈值过滤掉因为这种碎块在图面上会让填充符号产生视觉噪声拉低制图质量。如果碎块数量很大可能这套数据的精度本来就比较碎那就要考虑先做dissolve合并同类型再过滤小面积多边形。我一般会把dissolve放在过滤之后这样每个类型只剩一个或几个大面边界也整齐后面不管做专题图还是做叠加分析都更稳。3. 用 Python geopandas 读取、筛选和出图3.1 读取数据与字段清洗如果你已经安装了 geopandas读取这套 shp 数据非常简单但要注意.dbf编码。国内很多公开数据的属性表是 GBK 编码如果直接读出来中文乱码需要指定encodinggbk。判断方法很直接先读取一次看字段名和值乱码就换编码。另外字段前后可能带空格这种情况用strip()处理字段名即可。import geopandas as gpd import matplotlib.pyplot as plt # 读取按需切换编码 gdf gpd.read_file(全国地貌分布.shp, encodingutf-8) # 统一去掉字段名的首尾空格 gdf.columns [col.strip() for col in gdf.columns] print(gdf.head())我建议在项目开始前先列一个字段说明表记录每个字段存的是什么这样后期交接给同事或者自己两个月后再回来看不用重新猜字段含义。特别是如果给课程设计或毕业论文用数据集自带的字段命名不透明写个字段字典能省很多时间。3.2 按区域裁剪与叠加分析实践最常见的实际场景是拿到了全国地貌图但我只用其中一个省或一个流域。这时候要用到的是裁剪或空间连接。比如你有云南省的行政区边界想裁剪出云南的地貌分布图。用 geopandas 的clip函数效率很高前提是两个图层坐标系一致不一致先to_crs统一。from geopandas.tools import clip # 读取行政区边界 province gpd.read_file(云南省界.shp, encodingutf-8) province province.to_crs(gdf.crs) # 裁剪全国地貌矢量 gdf_yunnan clip(gdf, province) print(gdf_yunnan[TYPE].value_counts())这一步的关键是province本身不能有拓扑错误否则裁剪结果会出现裂缝。如果裁剪后某些多边形边缘不贴合常见的做法是给边界做一个 0.01 度的缓冲区然后裁剪后再擦除缓冲区这样边缘能闭合得更好。不过这套地貌数据的精度如果本身不高边缘重合一两公里都很正常不需要为小缝太过纠结。3.3 地图可视化与出图参数可视化这块用 matplotlib 做快速预览够用了但输出正式图件建议还是把数据导出后丢进 QGIS 或 ArcGIS 调符号。预览阶段的关键是不要一张图把所有类型都塞进去否则小地类在图面上完全看不清。我一般先做合并把面积占比极小的类型归并到「其他」再按分类数量选颜色方案。# 把面积占比小于0.5%的类型归并为“其他” total_area gdf_proj[面积].sum() gdf_proj[大类] gdf_proj[TYPE].where(gdf_proj[面积] total_area * 0.005, 其他) fig, ax plt.subplots(figsize(10, 8)) gdf_proj.plot(column大类, cmapSpectral, legendTrue, axax, edgecolornone) ax.set_axis_off() plt.savefig(地貌分布预览.png, dpi300, bbox_inchestight)这里注意cmapSpectral适合连续渐变地类但如果是定性分类数据用tab20或Set3这类定性调色板更合适。edgecolornone一定要设否则碎小多边形之间会有一堆黑色细线图面脏乱。出图前建议先dissolve一次把同类型边界合并掉效果会好很多。4. 实战中常见的坑边界、编码、坐标系与拓扑问题4.1 属性表中文乱码现象在 ArcMap 里打开属性表地貌类型字段全是「锟斤拷」一类乱码但图形显示正常。原因shp 文件的.dbf属性表编码是 GBK而 ArcMap 默认按系统语言读取在某些版本或某些数据来源下会误判为 UTF-8。解决推荐直接用 QGIS 打开加载时选择 编码 GBK或者用 Python 的 geopandas 指定encodinggbk重新读取再另存为 UTF-8 编码的新 shp。另存的时候建议顺便把字段名统一改成英文或拼音避免后续跨平台出问题。4.2 拼接缝与轻微偏移现象从全国图中裁出某个区域后发现地貌多边形与自己的采样点或野外调查边界差了约 1 公里。原因这套数据源头坐标精度大概在 1:100 万级别边缘不保证像素级精确。如果叠合的是更高精度的 GPS 实测数据就会出现非系统性偏移。解决判断偏移到底是数据精度还是坐标系不同导致的。先确保两边都是 WGS84 经纬度然后用几个特征点如山峰、大型水体边界做目视比对。如果是整体偏移按固定向量平移即可如果是精度不够不要试图强行纠正直接按数据来源在论文或报告中标注精度即可。4.3 小碎块要素过多现象按类型做专题图后图面上出现大量红色或紫色小点主要是山地或丘陵类型的细小面。原因原始地貌图在拼接或栅格转矢量过程中会残留大量面积小于几平方公里的碎块这些碎块在制图时影响美观。解决在分析前先按面积阈值过滤比如仅保留面积大于 10 平方千米的要素。阈值怎么定看你的目标尺度和出图比例尺。如果做的是全国图建议过滤掉所有小于 50 平方千米的碎面做省级图可以放宽到 5 平方千米。用geopandas一句gdf gdf[gdf.area threshold]就能完成。4.4 边界数据包含九段线但缺少岛屿现象全国范围看起来没问题但仔细核对发现南海诸岛缺少部分岛礁矢量或者台湾岛要素存在但边界精度较粗。原因公共数据源的常见裁剪策略部分岛屿要素在低精度版本中被简化掉或者原始数据本身就不包含碎岛。解决如果是制图需求使用国家测绘部门发布的标准审图号底图叠加补充如果是分析需求补充岛屿影响面积占比通常可忽略不计但需在方法部分写清数据来源与精度。4.5 拓扑错误导致面积计算异常现象用dissolve合并同类型后有的多边形出现「负面积」或者geometry.is_valid返回False。原因矢量数据存在自相交、重叠环或空隙常见于拼接数据。解决在每次空间操作前统一执行gdf gdf.buffer(0)这个方法能消除大多数自相交问题同时尽量保留原边界形状。如果仍然无效再用gpd.make_valid()修复但有可能会产生极少量的多边形几何变化需要留意。5. 进阶用法多源数据叠加、分类重映射与成果输出5.1 地貌类型与降水、植被数据叠加分析把地貌矢量当成一个基础分区单元可以叠加气候或遥感数据做统计分析。比如你想知道每类地貌多年平均降水量分布区间先用地貌图做分区然后提取各分区内栅格像元均值。两种实现路径一个是在 Python 里用rasterstats包另一个是在 ArcGIS 里用 Zonal Statistics as Table。推荐前者因为语法干净且不依赖 GUI。from rasterstats import zonal_stats stats zonal_stats( 全国地貌分布.shp, 降水_2000_2020_年均.tif, stats[mean, std, count], prefixprecip_, )zonal_stats要求矢量与栅格坐标系一致不一致时用affine和crs参数处理。这里的prefix参数很实用输出字段会自动带上前缀避免多个栅格叠加时字段名冲突。注意zonal_stats的返回值是列表每个元素对应矢量层的一条要素和 geopandas 合并时保持顺序一致即可。5.2 按自定义标准重分类与合并类型如果不满意原数据的分类粒度可以用属性字段做条件映射。比如把「喀斯特地貌」和「黄土地貌」归入「特殊地貌」把几类山地合并为「山地」大类。这种操作在制图时常被需要可能也与你论文的指标体系直接相关。def reclassify(row): t row[TYPE] if t in [喀斯特地貌, 黄土地貌, 火山地貌]: return 特殊地貌 elif 山地 in t: return 山地 elif 平原 in t: return 平原 else: return 其他 gdf[类型组] gdf.apply(reclassify, axis1) gdf_dissolved gdf.dissolve(by类型组, aggfuncsum)dissolve是这一步的核心操作aggfuncsum会把同组要素的属性字段求和这样合并后还能保留面积总量等信息。重分类的规则建议写在脚本开头作为可配置的字典方便后续统一调整。特别注意字段值里包含「高原」「盆地」这些词时用in判断可能误伤所以更严谨的做法是维护一个白名单。5.3 导出为 GeoJSON、TopoJSON 或 KML数据落地还有一种常见需求把地貌矢量转成 GeoJSON丢到 Leaflet 或 Mapbox 上做 Web 可视化。geopandas 一句话搞定gdf.to_file(地貌分布.geojson, driverGeoJSON)如果是做地图加载性能优化可以转 TopoJSON文件体积能缩小一半以上。转 KML 则直接用driverKML但注意 KML 对字段类型有限制有些字段会丢失。以我的习惯交付给前端同事我会给 GeoJSON交给甲方或非专业同事我会顺便导出一份带图例的 PDF。因为很多甲方拿到的数据不一定会用 GIS 软件打开导出一个 PDF 预览给三方软件看图是最不容易出错的交付方式。5.4 数据预处理完整工作流参考我把上面提到的步骤整合成一套相对通用的预处理流程。代码包括读取、投影、过滤、修复、导出五段每一段都用注释标注了调整入口。这套流程可以直接照抄作为你的项目起点再按实际需求删减环节。就以这套流程跑一次能保证数据质量底线。换台电脑、换份数据只要能读到文件流程复用度很高唯一要做的是把字段名和阈值改掉。从那以后我每次拿到新的 shp 底图数据都强制自己先过一遍这套流程再进分析环节省掉了无数后期返工。希望帮到你。本文还有配套的精品资源点击获取