尧图网页设计 
GeoMaster 核心地理空间库实战指南GDAL、Rasterio、Fiona、Shapely、PyProj 与 GeoPandas 全解析【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills导读本指南围绕 GeoMaster 技能中的核心参考文档 core-libraries.md 展开系统讲解 Python 地理空间数据处理的六大基础库GDAL、Rasterio、Fiona、Shapely、PyProj 与 GeoPandas。它们分别承担栅格 I/O、矢量 I/O、几何运算、坐标变换与空间分析等职责是任何遥感、GIS 与地球观测任务的地基。读完本文你将掌握完整的光栅/矢量读写、几何操作、CRS 转换、空间连接与栅格矢量化互转方法并能直接复用文中的可运行代码搭建自己的地理空间数据处理管线。环境准备安装核心地理空间栈GeoMaster 在 SKILL.md 中推荐使用 conda-forge 渠道一次性安装核心 Python 栈GDAL 等二进制依赖较多的库由 conda 管理更为稳妥conda install -c conda-forge gdal rasterio fiona shapely pyproj geopandas该技能在仓库的 tests/skill-requirements.toml 中声明了完整的依赖清单除上述六大核心库外还包含rioxarray、xarray、folium、osmnx、contextily、cartopy、mapclassify、dask-geopandas、planetary-computer、pystac-client、laspy、torchgeo、xgboost、scikit-learn、earthengine-api、rtree、geopy、rasterstats、esda、mercantile、networkx等覆盖遥感、空间统计、网络分析与云原生工作流。安装这些扩展能力可使用uv pip install xarray rioxarray dask-geopandas uv pip install pystac-client planetary-computer uv pip install scikit-learn xgboost torch-geometric需要说明的是rsgislib、pdal、open3d等库在skill-requirements.toml中被标注为仅可通过 conda-forge 安装pdal还需依赖 PDAL C 库open3d目前缺少 cp313 的 wheel安装时需留意 Python 版本兼容性。GDAL地理空间数据抽象的基石GDALGeospatial Data Abstraction Library是 Python 地理空间 I/O 的底层基础设施。rasterio、fiona等高层库底层都构建在 GDAL 之上。它通过统一的Dataset抽象屏蔽了数百种栅格/矢量格式的差异from osgeo import gdal # 打开栅格文件 ds gdal.Open(raster.tif) band ds.GetRasterBand(1) data band.ReadAsArray() # 获取地理变换参数仿射六参数 geotransform ds.GetGeoTransform() origin_x geotransform[0] pixel_width geotransform[1] # 获取投影信息WKT 字符串 proj ds.GetProjection()GetGeoTransform()返回的六元组(origin_x, pixel_width, rotation, origin_y, rotation, pixel_height)定义了影像像素坐标与世界坐标的仿射映射关系其中第 0/3 项是左上角原点坐标第 1/5 项是像素尺寸。GetProjection()返回 WKTWell-Known Text格式的投影描述用于后续 CRS 对齐与重投影。GDAL 还可用于配置全局缓存以提升 I/O 性能见后文性能小节gdal.SetCacheMax(2**30)可将缓存扩大到 1GB。Rasterio面向 Python 的现代栅格接口Rasterio 提供比原生 GDAL API 更 Pythonic 的栅格读写接口是 GeoMaster 中栅格处理的首选库。其基本读取方式如下import rasterio import numpy as np # 基础读取 with rasterio.open(raster.tif) as src: data src.read() # 读取所有波段 band1 src.read(1) # 读取单波段 profile src.profile # 元数据driver、尺寸、dtype、CRS、transform 等窗口读取大影像的内存优化面对超大影像时Rasterio 支持窗口window读取只加载感兴趣的区域避免整幅影像占满内存# 窗口读取内存友好 with rasterio.open(large.tif) as src: window ((0, 100), (0, 100)) subset src.read(1, windowwindow)窗口元组形如((row_start, row_stop), (col_start, col_stop))。更进一步可以使用src.block_windows(1)按内部瓦片块逐块迭代处理见 SKILL.md 的性能建议。写入栅格写入时需显式声明 driver、尺寸、波段数、dtype并携带 CRS 与 transform 以保证输出影像拥有正确的空间参考# 写入 with rasterio.open(output.tif, w, driverGTiff, heightdata.shape[0], widthdata.shape[1], count1, dtypedata.dtype, crssrc.crs, transformsrc.transform) as dst: dst.write(data, 1)实际项目中更常见的做法是直接基于源影像的src.profile做浅拷贝再更新count、dtype等字段后写入例如 SKILL.md 中计算 NDVI 后保存的写法profile src.profile profile.update(count1, dtyperasterio.float32) with rasterio.open(ndvi.tif, w, **profile) as dst: dst.write(ndvi.astype(rasterio.float32), 1)掩膜裁剪使用矢量边界裁剪栅格cropTrue会自动计算最小外包矩形以减少输出范围# 掩膜裁剪 with rasterio.open(raster.tif) as src: masked_data, mask rasterio.mask.mask(src, shapes[polygon], cropTrue)返回值是裁剪后的像元数组与对应的掩膜数组可配合 GeoPandas 的几何对象如gdf.geometry完成矢量驱动的栅格提取。Fiona矢量数据 I/OFiona 负责矢量数据的读写接口与 Rasterio 同源都封装 GDAL/OGR支持 Shapefile、GeoJSON、GeoPackage 等多种格式import fiona # 读取要素 with fiona.open(data.geojson) as src: for feature in src: geom feature[geometry] props feature[properties] # 获取 schema 和 CRS with fiona.open(data.shp) as src: schema src.schema crs src.crs写入时需要声明schema几何类型 属性字段定义与crsschema {geometry: Point, properties: {name: str}} with fiona.open(output.geojson, w, driverGeoJSON, schemaschema, crsEPSG:4326) as dst: dst.write({ geometry: {type: Point, coordinates: [0, 0]}, properties: {name: Origin} })GeoJSON 规范要求几何坐标遵循[经度, 纬度]顺序配合EPSG:4326使用schema 中属性值类型支持str、int、float、bool等基础类型也支持Point、LineString、Polygon、MultiPolygon等几何类型描述。Shapely几何对象与空间运算Shapely 提供基于 GEOS 引擎的二维几何对象模型与拓扑运算是 GeoPandas 几何列的底层实现from shapely.geometry import Point, LineString, Polygon from shapely.ops import unary_union # 创建几何对象 point Point(0, 0) line LineString([(0, 0), (1, 1)]) poly Polygon([(0, 0), (1, 0), (1, 1), (0, 1)]) # 几何运算 buffered point.buffer(1) # 缓冲区 simplified poly.simplify(0.01) # 简化容差 0.01 centroid poly.centroid # 质心 intersection poly1.intersection(poly2) # 求交 # 空间关系判定 point.within(poly) # 点在多边形内则返回 True poly1.intersects(poly2) # 两几何相交则返回 True poly1.contains(poly2) # poly2 完全在 poly1 内则返回 True # 多元合并 combined unary_union([poly1, poly2, poly3]) # 不同连接样式的缓冲区 buffer_round point.buffer(1, quad_segs16) buffer_mitre point.buffer(1, mitre_limit1, join_style2)值得注意buffer()的两个进阶参数quad_segs控制圆弧逼近的线段数值越大越光滑join_style控制拐角连接方式1round 圆角、2mitre 尖角、3bevel 斜切mitre_limit限制尖角长度比防止过长尖刺。进行缓冲区、面积等度量运算前务必先将数据投影到合适的投影 CRS参见 coordinate-systems.md 与后文最佳实践。PyProj坐标变换与 CRS 解析PyProj 是 PROJ 库的 Python 绑定负责坐标系定义、解析与变换是 CRS 一致性的核心保障from pyproj import Transformer, CRS # 坐标变换 transformer Transformer.from_crs(EPSG:4326, EPSG:32633) x, y transformer.transform(lat, lon) x_inv, y_inv transformer.transform(x, y, directionINVERSE) # 批量变换输入/输出均为数组 lon_array [-122.4, -122.3] lat_array [37.7, 37.8] x_array, y_array transformer.transform(lon_array, lat_array) # 始终保留 z/高程 transformer_always_z Transformer.from_crs( EPSG:4326, EPSG:32633, always_zTrue ) # 获取 CRS 信息 crs CRS.from_epsg(4326) print(crs.name) # WGS 84 print(crs.axis_info) # 坐标轴信息顺序、单位等 # 自定义变换管线 transformer Transformer.from_pipeline( projpipeline step inv projutm zone32 ellpsWGS84 step projunitconvert xy_inrad xy_outdeg )两点实践提示注意Transformer.from_crs默认遵循各 CRS 的轴序如 EPSG:4326 严格意义上是纬度在前GeoMaster 在 coordinate-systems.md 中强调设置always_xyTrue可统一约定输入为(xlon, ylat)避免经纬度顺序踩坑from_pipeline可用于构造多步骤链式变换如 UTM 反投影 弧度转度适用于标准 EPSG 码无法表达的复杂变换场景。GeoPandas把 pandas 带进空间世界GeoPandas 在 pandas 之上扩展出GeoDataFrame为矢量分析提供了与表格处理一致的体验是 GeoMaster 矢量工作流的中枢import geopandas as gpd # 读取数据 gdf gpd.read_file(data.geojson) gdf gpd.read_file(data.shp, encodingutf-8) gdf gpd.read_postgis(SELECT * FROM data, conengine) # 写入数据 gdf.to_file(output.geojson, driverGeoJSON) gdf.to_file(output.gpkg, layerdata, use_arrowTrue) # CRS 操作 gdf.crs # 获取 CRS gdf gdf.to_crs(EPSG:32633) # 重投影 gdf gdf.set_crs(EPSG:4326) # 设置 CRS仅当数据本身无 CRS 时使用几何运算与属性计算# 几何运算 gdf[area] gdf.geometry.area gdf[length] gdf.geometry.length gdf[buffer] gdf.geometry.buffer(100) gdf[centroid] gdf.geometry.centroid注意area、length、buffer的结果单位由当前 CRS 决定地理坐标系EPSG:4326下返回的是度投影坐标系UTM 等下返回的是米。因此度量前应投影见最佳实践。空间连接Spatial Join# 空间连接 joined gpd.sjoin(gdf1, gdf2, howinner, predicateintersects) joined gpd.sjoin_nearest(gdf1, gdf2, max_distance1000)sjoin支持predicate为intersects、within、contains等关系sjoin_nearest可同时计算距离max_distance限制最近邻搜索半径。执行连接前必须确保两个数据源 CRS 一致。叠加分析Overlay# 叠加分析 intersection gpd.overlay(gdf1, gdf2, howintersection) union gpd.overlay(gdf1, gdf2, howunion) difference gpd.overlay(gdf1, gdf2, howdifference)overlay用于在两个面图层之间做拓扑叠加how可选intersection、union、difference、symmetric_difference、identity等。融合、裁剪与空间索引# 融合 dissolved gdf.dissolve(byregion, aggfuncsum) # 裁剪 clipped gpd.clip(gdf, mask_gdf) # 空间索引性能优化 idx gdf.sindex possible_matches idx.intersection(polygon.bounds)dissolve按属性字段分组融合几何aggfunc决定非几何列的聚合方式sindex由 GeoPandas 基于 R-tree 自动创建先用包围盒粗筛候选要素再精判可将空间查询提速 10~100 倍SKILL.md 性能建议中亦重点强调这一点。常见工作流四大实战组合原文档在Common Workflows一节给出了四类高频组合场景这里逐一展开。批量重投影遍历输入目录中的全部 Shapefile统一重投影到 UTM 后写回输出目录import geopandas as gpd from pathlib import Path input_dir Path(input) output_dir Path(output) for shp in input_dir.glob(*.shp): gdf gpd.read_file(shp) gdf gdf.to_crs(EPSG:32633) gdf.to_file(output_dir / shp.name)更稳健的做法是先用gdf.estimate_utm_crs()依据数据范围自动估算最合适的 UTM 分带见 coordinate-systems.md 的 UTM 分区与自动探测章节再执行to_crs避免跨多个 UTM 分带的数据被迫使用单一投影。栅格转矢量矢量化将栅格像元按连通域转为多边形要素常用于从分类影像提取地块、水体等矢量边界import rasterio.features import geopandas as gpd from shapely.geometry import shape with rasterio.open(raster.tif) as src: image src.read(1) results ( {properties: {value: v}, geometry: s} for s, v in rasterio.features.shapes(image, transformsrc.transform) ) geoms list(results) gdf gpd.GeoDataFrame.from_features(geoms, crssrc.crs)rasterio.features.shapes逐连通域产出(geometry, value)对transform参数保证输出几何的世界坐标正确最后用from_features一步构建带 CRS 的 GeoDataFrame。矢量转栅格栅格化将多边形矢量按属性值烧录为栅格常用于生成掩膜、训练标签或区域统计底图from rasterio.features import rasterize import geopandas as gpd gdf gpd.read_file(polygons.gpkg) shapes ((geom, 1) for geom in gdf.geometry) raster rasterize( shapes, out_shape(height, width), transformtransform, fill0, dtypenp.uint8 )rasterize的fill0设定背景值几何元组第二项可以是固定值如1也可以是按要素提取的属性值。out_shape与transform需要与目标栅格的像元网格一致例如配合src.height、src.width、src.transform使用这在 SKILL.md 的影像分类示例中体现为用训练多边形栅格化提取像元样本mask rasterize([(row.geometry, 1)], out_shape(profile[height], profile[width]), transformtransform, fill0, dtypenp.uint8) pixels image[:, mask 0].T多栅格镶嵌合并将多幅相邻瓦片拼接为一幅完整影像是最常见的预处理操作import rasterio.merge import rasterio as rio files [tile1.tif, tile2.tif, tile3.tif] datasets [rio.open(f) for f in files] merged, transform rasterio.merge.merge(datasets) # 保存 profile datasets[0].profile profile.update(transformtransform, heightmerged.shape[1], widthmerged.shape[2]) with rio.open(merged.tif, w, **profile) as dst: dst.write(merged)rasterio.merge.merge自动计算所有输入瓦片的外包范围与新分辨率返回合并后的数组与新的 transformmerged.shape为(bands, height, width)写入时据此更新 profile。注意输入瓦片的 CRS 与分辨率需一致否则应先统一重投影。性能与最佳实践结合 SKILL.md 的性能建议与最佳实践章节与核心库直接相关的高频要点如下# 1. 空间索引空间查询提速 10-100 倍 gdf.sindex # GeoPandas 自动创建 # 2. 大栅格分块处理 with rasterio.open(large.tif) as src: for i, window in src.block_windows(1): block src.read(1, windowwindow) # 3. Dask 处理超大数据 import dask.array as da dask_array da.from_rasterio(large.tif, chunks(1, 1024, 1024)) # 4. Arrow 加速 I/O gdf.to_file(output.gpkg, use_arrowTrue) # 5. GDAL 缓存 from osgeo import gdal gdal.SetCacheMax(2**30) # 1GB 缓存 # 6. 并行训练 rf RandomForestClassifier(n_jobs-1) # 使用全部核心最佳实践方面GeoMaster 反复强调的核心原则包括任何空间运算前先检查 CRSassert gdf1.crs gdf2.crs, CRS mismatch!混用 CRS 进行空间连接是常见错误coordinate-systems.md 专门列出此类陷阱面积/距离计算使用投影 CRS优先gdf.to_crs(gdf.estimate_utm_crs())避免在 EPSG:4326 下得到平方度这类无意义结果更不要用 EPSG:3857Web Mercator做度量其高纬变形严重仅适用于网页可视化校验几何有效性gdf gdf[gdf.is_valid]无效几何自相交等会导致拓扑运算失败处理缺失几何gdf[geometry] gdf[geometry].fillna(None)优先高效格式GeoPackage 优于 Shapefile大数据量用 Parquet/Arrow。延伸阅读code-examples.md500 按分类组织的多语言代码示例Python/R/Julia/JavaScript 等原文档末尾即引导读者继续参阅该文件coordinate-systems.mdCRS 基础、UTM 分带、变换与常见陷阱详解SKILL.mdGeoMaster 主文档含安装、快速开始Sentinel-2 NDVI、空间分析、Google Earth Engine 时序、云原生工作流STAC、COG与遥感影像分类完整示例tests/skill-requirements.tomlGeoMaster 技能的完整依赖声明可作为复现环境的依据。上述六大核心库构成了 GeoMaster 栅格-矢量-几何-坐标四个维度的基础能力闭环Rasterio/Fiona 管 I/OShapely 管几何PyProj 管坐标系GeoPandas 在上层统一组织而 GDAL 作为底层引擎提供格式支持与性能基座。掌握这一组合即可从容应对绝大多数地理空间数据处理任务。【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 GeoMaster 核心地理空间库实战指南：GDAL、Rasterio、Fiona、Shapely、PyProj 与 GeoPandas 全解析
GeoMaster 核心地理空间库实战指南GDAL、Rasterio、Fiona、Shapely、PyProj 与 GeoPandas 全解析【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills导读本指南围绕 GeoMaster 技能中的核心参考文档 core-libraries.md 展开系统讲解 Python 地理空间数据处理的六大基础库GDAL、Rasterio、Fiona、Shapely、PyProj 与 GeoPandas。它们分别承担栅格 I/O、矢量 I/O、几何运算、坐标变换与空间分析等职责是任何遥感、GIS 与地球观测任务的地基。读完本文你将掌握完整的光栅/矢量读写、几何操作、CRS 转换、空间连接与栅格矢量化互转方法并能直接复用文中的可运行代码搭建自己的地理空间数据处理管线。环境准备安装核心地理空间栈GeoMaster 在 SKILL.md 中推荐使用 conda-forge 渠道一次性安装核心 Python 栈GDAL 等二进制依赖较多的库由 conda 管理更为稳妥conda install -c conda-forge gdal rasterio fiona shapely pyproj geopandas该技能在仓库的 tests/skill-requirements.toml 中声明了完整的依赖清单除上述六大核心库外还包含rioxarray、xarray、folium、osmnx、contextily、cartopy、mapclassify、dask-geopandas、planetary-computer、pystac-client、laspy、torchgeo、xgboost、scikit-learn、earthengine-api、rtree、geopy、rasterstats、esda、mercantile、networkx等覆盖遥感、空间统计、网络分析与云原生工作流。安装这些扩展能力可使用uv pip install xarray rioxarray dask-geopandas uv pip install pystac-client planetary-computer uv pip install scikit-learn xgboost torch-geometric需要说明的是rsgislib、pdal、open3d等库在skill-requirements.toml中被标注为仅可通过 conda-forge 安装pdal还需依赖 PDAL C 库open3d目前缺少 cp313 的 wheel安装时需留意 Python 版本兼容性。GDAL地理空间数据抽象的基石GDALGeospatial Data Abstraction Library是 Python 地理空间 I/O 的底层基础设施。rasterio、fiona等高层库底层都构建在 GDAL 之上。它通过统一的Dataset抽象屏蔽了数百种栅格/矢量格式的差异from osgeo import gdal # 打开栅格文件 ds gdal.Open(raster.tif) band ds.GetRasterBand(1) data band.ReadAsArray() # 获取地理变换参数仿射六参数 geotransform ds.GetGeoTransform() origin_x geotransform[0] pixel_width geotransform[1] # 获取投影信息WKT 字符串 proj ds.GetProjection()GetGeoTransform()返回的六元组(origin_x, pixel_width, rotation, origin_y, rotation, pixel_height)定义了影像像素坐标与世界坐标的仿射映射关系其中第 0/3 项是左上角原点坐标第 1/5 项是像素尺寸。GetProjection()返回 WKTWell-Known Text格式的投影描述用于后续 CRS 对齐与重投影。GDAL 还可用于配置全局缓存以提升 I/O 性能见后文性能小节gdal.SetCacheMax(2**30)可将缓存扩大到 1GB。Rasterio面向 Python 的现代栅格接口Rasterio 提供比原生 GDAL API 更 Pythonic 的栅格读写接口是 GeoMaster 中栅格处理的首选库。其基本读取方式如下import rasterio import numpy as np # 基础读取 with rasterio.open(raster.tif) as src: data src.read() # 读取所有波段 band1 src.read(1) # 读取单波段 profile src.profile # 元数据driver、尺寸、dtype、CRS、transform 等窗口读取大影像的内存优化面对超大影像时Rasterio 支持窗口window读取只加载感兴趣的区域避免整幅影像占满内存# 窗口读取内存友好 with rasterio.open(large.tif) as src: window ((0, 100), (0, 100)) subset src.read(1, windowwindow)窗口元组形如((row_start, row_stop), (col_start, col_stop))。更进一步可以使用src.block_windows(1)按内部瓦片块逐块迭代处理见 SKILL.md 的性能建议。写入栅格写入时需显式声明 driver、尺寸、波段数、dtype并携带 CRS 与 transform 以保证输出影像拥有正确的空间参考# 写入 with rasterio.open(output.tif, w, driverGTiff, heightdata.shape[0], widthdata.shape[1], count1, dtypedata.dtype, crssrc.crs, transformsrc.transform) as dst: dst.write(data, 1)实际项目中更常见的做法是直接基于源影像的src.profile做浅拷贝再更新count、dtype等字段后写入例如 SKILL.md 中计算 NDVI 后保存的写法profile src.profile profile.update(count1, dtyperasterio.float32) with rasterio.open(ndvi.tif, w, **profile) as dst: dst.write(ndvi.astype(rasterio.float32), 1)掩膜裁剪使用矢量边界裁剪栅格cropTrue会自动计算最小外包矩形以减少输出范围# 掩膜裁剪 with rasterio.open(raster.tif) as src: masked_data, mask rasterio.mask.mask(src, shapes[polygon], cropTrue)返回值是裁剪后的像元数组与对应的掩膜数组可配合 GeoPandas 的几何对象如gdf.geometry完成矢量驱动的栅格提取。Fiona矢量数据 I/OFiona 负责矢量数据的读写接口与 Rasterio 同源都封装 GDAL/OGR支持 Shapefile、GeoJSON、GeoPackage 等多种格式import fiona # 读取要素 with fiona.open(data.geojson) as src: for feature in src: geom feature[geometry] props feature[properties] # 获取 schema 和 CRS with fiona.open(data.shp) as src: schema src.schema crs src.crs写入时需要声明schema几何类型 属性字段定义与crsschema {geometry: Point, properties: {name: str}} with fiona.open(output.geojson, w, driverGeoJSON, schemaschema, crsEPSG:4326) as dst: dst.write({ geometry: {type: Point, coordinates: [0, 0]}, properties: {name: Origin} })GeoJSON 规范要求几何坐标遵循[经度, 纬度]顺序配合EPSG:4326使用schema 中属性值类型支持str、int、float、bool等基础类型也支持Point、LineString、Polygon、MultiPolygon等几何类型描述。Shapely几何对象与空间运算Shapely 提供基于 GEOS 引擎的二维几何对象模型与拓扑运算是 GeoPandas 几何列的底层实现from shapely.geometry import Point, LineString, Polygon from shapely.ops import unary_union # 创建几何对象 point Point(0, 0) line LineString([(0, 0), (1, 1)]) poly Polygon([(0, 0), (1, 0), (1, 1), (0, 1)]) # 几何运算 buffered point.buffer(1) # 缓冲区 simplified poly.simplify(0.01) # 简化容差 0.01 centroid poly.centroid # 质心 intersection poly1.intersection(poly2) # 求交 # 空间关系判定 point.within(poly) # 点在多边形内则返回 True poly1.intersects(poly2) # 两几何相交则返回 True poly1.contains(poly2) # poly2 完全在 poly1 内则返回 True # 多元合并 combined unary_union([poly1, poly2, poly3]) # 不同连接样式的缓冲区 buffer_round point.buffer(1, quad_segs16) buffer_mitre point.buffer(1, mitre_limit1, join_style2)值得注意buffer()的两个进阶参数quad_segs控制圆弧逼近的线段数值越大越光滑join_style控制拐角连接方式1round 圆角、2mitre 尖角、3bevel 斜切mitre_limit限制尖角长度比防止过长尖刺。进行缓冲区、面积等度量运算前务必先将数据投影到合适的投影 CRS参见 coordinate-systems.md 与后文最佳实践。PyProj坐标变换与 CRS 解析PyProj 是 PROJ 库的 Python 绑定负责坐标系定义、解析与变换是 CRS 一致性的核心保障from pyproj import Transformer, CRS # 坐标变换 transformer Transformer.from_crs(EPSG:4326, EPSG:32633) x, y transformer.transform(lat, lon) x_inv, y_inv transformer.transform(x, y, directionINVERSE) # 批量变换输入/输出均为数组 lon_array [-122.4, -122.3] lat_array [37.7, 37.8] x_array, y_array transformer.transform(lon_array, lat_array) # 始终保留 z/高程 transformer_always_z Transformer.from_crs( EPSG:4326, EPSG:32633, always_zTrue ) # 获取 CRS 信息 crs CRS.from_epsg(4326) print(crs.name) # WGS 84 print(crs.axis_info) # 坐标轴信息顺序、单位等 # 自定义变换管线 transformer Transformer.from_pipeline( projpipeline step inv projutm zone32 ellpsWGS84 step projunitconvert xy_inrad xy_outdeg )两点实践提示注意Transformer.from_crs默认遵循各 CRS 的轴序如 EPSG:4326 严格意义上是纬度在前GeoMaster 在 coordinate-systems.md 中强调设置always_xyTrue可统一约定输入为(xlon, ylat)避免经纬度顺序踩坑from_pipeline可用于构造多步骤链式变换如 UTM 反投影 弧度转度适用于标准 EPSG 码无法表达的复杂变换场景。GeoPandas把 pandas 带进空间世界GeoPandas 在 pandas 之上扩展出GeoDataFrame为矢量分析提供了与表格处理一致的体验是 GeoMaster 矢量工作流的中枢import geopandas as gpd # 读取数据 gdf gpd.read_file(data.geojson) gdf gpd.read_file(data.shp, encodingutf-8) gdf gpd.read_postgis(SELECT * FROM data, conengine) # 写入数据 gdf.to_file(output.geojson, driverGeoJSON) gdf.to_file(output.gpkg, layerdata, use_arrowTrue) # CRS 操作 gdf.crs # 获取 CRS gdf gdf.to_crs(EPSG:32633) # 重投影 gdf gdf.set_crs(EPSG:4326) # 设置 CRS仅当数据本身无 CRS 时使用几何运算与属性计算# 几何运算 gdf[area] gdf.geometry.area gdf[length] gdf.geometry.length gdf[buffer] gdf.geometry.buffer(100) gdf[centroid] gdf.geometry.centroid注意area、length、buffer的结果单位由当前 CRS 决定地理坐标系EPSG:4326下返回的是度投影坐标系UTM 等下返回的是米。因此度量前应投影见最佳实践。空间连接Spatial Join# 空间连接 joined gpd.sjoin(gdf1, gdf2, howinner, predicateintersects) joined gpd.sjoin_nearest(gdf1, gdf2, max_distance1000)sjoin支持predicate为intersects、within、contains等关系sjoin_nearest可同时计算距离max_distance限制最近邻搜索半径。执行连接前必须确保两个数据源 CRS 一致。叠加分析Overlay# 叠加分析 intersection gpd.overlay(gdf1, gdf2, howintersection) union gpd.overlay(gdf1, gdf2, howunion) difference gpd.overlay(gdf1, gdf2, howdifference)overlay用于在两个面图层之间做拓扑叠加how可选intersection、union、difference、symmetric_difference、identity等。融合、裁剪与空间索引# 融合 dissolved gdf.dissolve(byregion, aggfuncsum) # 裁剪 clipped gpd.clip(gdf, mask_gdf) # 空间索引性能优化 idx gdf.sindex possible_matches idx.intersection(polygon.bounds)dissolve按属性字段分组融合几何aggfunc决定非几何列的聚合方式sindex由 GeoPandas 基于 R-tree 自动创建先用包围盒粗筛候选要素再精判可将空间查询提速 10~100 倍SKILL.md 性能建议中亦重点强调这一点。常见工作流四大实战组合原文档在Common Workflows一节给出了四类高频组合场景这里逐一展开。批量重投影遍历输入目录中的全部 Shapefile统一重投影到 UTM 后写回输出目录import geopandas as gpd from pathlib import Path input_dir Path(input) output_dir Path(output) for shp in input_dir.glob(*.shp): gdf gpd.read_file(shp) gdf gdf.to_crs(EPSG:32633) gdf.to_file(output_dir / shp.name)更稳健的做法是先用gdf.estimate_utm_crs()依据数据范围自动估算最合适的 UTM 分带见 coordinate-systems.md 的 UTM 分区与自动探测章节再执行to_crs避免跨多个 UTM 分带的数据被迫使用单一投影。栅格转矢量矢量化将栅格像元按连通域转为多边形要素常用于从分类影像提取地块、水体等矢量边界import rasterio.features import geopandas as gpd from shapely.geometry import shape with rasterio.open(raster.tif) as src: image src.read(1) results ( {properties: {value: v}, geometry: s} for s, v in rasterio.features.shapes(image, transformsrc.transform) ) geoms list(results) gdf gpd.GeoDataFrame.from_features(geoms, crssrc.crs)rasterio.features.shapes逐连通域产出(geometry, value)对transform参数保证输出几何的世界坐标正确最后用from_features一步构建带 CRS 的 GeoDataFrame。矢量转栅格栅格化将多边形矢量按属性值烧录为栅格常用于生成掩膜、训练标签或区域统计底图from rasterio.features import rasterize import geopandas as gpd gdf gpd.read_file(polygons.gpkg) shapes ((geom, 1) for geom in gdf.geometry) raster rasterize( shapes, out_shape(height, width), transformtransform, fill0, dtypenp.uint8 )rasterize的fill0设定背景值几何元组第二项可以是固定值如1也可以是按要素提取的属性值。out_shape与transform需要与目标栅格的像元网格一致例如配合src.height、src.width、src.transform使用这在 SKILL.md 的影像分类示例中体现为用训练多边形栅格化提取像元样本mask rasterize([(row.geometry, 1)], out_shape(profile[height], profile[width]), transformtransform, fill0, dtypenp.uint8) pixels image[:, mask 0].T多栅格镶嵌合并将多幅相邻瓦片拼接为一幅完整影像是最常见的预处理操作import rasterio.merge import rasterio as rio files [tile1.tif, tile2.tif, tile3.tif] datasets [rio.open(f) for f in files] merged, transform rasterio.merge.merge(datasets) # 保存 profile datasets[0].profile profile.update(transformtransform, heightmerged.shape[1], widthmerged.shape[2]) with rio.open(merged.tif, w, **profile) as dst: dst.write(merged)rasterio.merge.merge自动计算所有输入瓦片的外包范围与新分辨率返回合并后的数组与新的 transformmerged.shape为(bands, height, width)写入时据此更新 profile。注意输入瓦片的 CRS 与分辨率需一致否则应先统一重投影。性能与最佳实践结合 SKILL.md 的性能建议与最佳实践章节与核心库直接相关的高频要点如下# 1. 空间索引空间查询提速 10-100 倍 gdf.sindex # GeoPandas 自动创建 # 2. 大栅格分块处理 with rasterio.open(large.tif) as src: for i, window in src.block_windows(1): block src.read(1, windowwindow) # 3. Dask 处理超大数据 import dask.array as da dask_array da.from_rasterio(large.tif, chunks(1, 1024, 1024)) # 4. Arrow 加速 I/O gdf.to_file(output.gpkg, use_arrowTrue) # 5. GDAL 缓存 from osgeo import gdal gdal.SetCacheMax(2**30) # 1GB 缓存 # 6. 并行训练 rf RandomForestClassifier(n_jobs-1) # 使用全部核心最佳实践方面GeoMaster 反复强调的核心原则包括任何空间运算前先检查 CRSassert gdf1.crs gdf2.crs, CRS mismatch!混用 CRS 进行空间连接是常见错误coordinate-systems.md 专门列出此类陷阱面积/距离计算使用投影 CRS优先gdf.to_crs(gdf.estimate_utm_crs())避免在 EPSG:4326 下得到平方度这类无意义结果更不要用 EPSG:3857Web Mercator做度量其高纬变形严重仅适用于网页可视化校验几何有效性gdf gdf[gdf.is_valid]无效几何自相交等会导致拓扑运算失败处理缺失几何gdf[geometry] gdf[geometry].fillna(None)优先高效格式GeoPackage 优于 Shapefile大数据量用 Parquet/Arrow。延伸阅读code-examples.md500 按分类组织的多语言代码示例Python/R/Julia/JavaScript 等原文档末尾即引导读者继续参阅该文件coordinate-systems.mdCRS 基础、UTM 分带、变换与常见陷阱详解SKILL.mdGeoMaster 主文档含安装、快速开始Sentinel-2 NDVI、空间分析、Google Earth Engine 时序、云原生工作流STAC、COG与遥感影像分类完整示例tests/skill-requirements.tomlGeoMaster 技能的完整依赖声明可作为复现环境的依据。上述六大核心库构成了 GeoMaster 栅格-矢量-几何-坐标四个维度的基础能力闭环Rasterio/Fiona 管 I/OShapely 管几何PyProj 管坐标系GeoPandas 在上层统一组织而 GDAL 作为底层引擎提供格式支持与性能基座。掌握这一组合即可从容应对绝大多数地理空间数据处理任务。【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考