尧图网页设计 
简介这份资源为2018年全国土地利用30米遥感监测数据面向GIS、遥感、城乡规划、生态环保等方向的研究人员与学生用于土地覆盖分类、时空变化分析与制图实践。数据以30米分辨率栅格形式记录全国土地利用类型涵盖耕地、林地、草地、建设用地、水域等自然地类与人为地类可支撑城市扩张、耕地变化、灾害风险评估等课题。压缩包共10个文件约811.49MB包含tif主数据、dbf属性表、tfw坐标信息、ovr金字塔、xml元数据、pdf说明文档、xlsx分类标准及jpg色标参考兼顾数据读取、分类对照与可视化需要。目前已有9295人学习下载适合作为土地分类入门与科研分析的底图数据帮助读者快速理解分类体系、掌握栅格数据处理流程并开展空间统计与制图。1. 遥感全国土地利用30m数据从一张图到一套可复现的工程链路你拿到一份“全国土地利用30m数据”第一反应大概率是这玩意儿到底是一张全国拼好的栅格还是分省分幅的一堆文件能不能直接裁出自己项目区分类体系是六大类还是三大类精度在山区和城乡结合部到底靠不靠谱我见过太多人把这类数据当成“下载即用”的底图结果在面积统计和变化检测上反复翻车。遥感全国土地利用30m数据本质是一套覆盖全国、空间分辨率30米、按固定分类体系编码的栅格产品常见来源包括公开的年度土地覆盖数据集和基于Landsat/Sentinel时序影像分类生成的成果。它解决的是“全国尺度上地类空间分布和面积统计”的问题适合做生态遥感指数、耕地变化、城市扩张、碳汇估算等方向的从业者。但前提是你得先搞清它的投影、分类码、年份和精度边界否则后面所有分析都是玄学。2. 先搞懂30m土地利用数据的分类体系与投影基准2.1 分类码不是你想的三大类先对齐编码表很多热搜词里出现“土地利用三大类分类统计工具”但实际拿到的30m数据分类体系往往更细。常见的有6大类耕地、林地、草地、水域、建设用地、未利用地和更细的二级类。如果你直接按自己定义的三大类去统计而不做重分类结果一定对不上。我一般会先做一件事把数据的分类码和官方说明文档对齐建一张映射表。# 读取分类码并统计各码元像素数确认数据实际包含哪些类别 import rasterio import numpy as np from collections import Counter with rasterio.open(landcover_2020_30m.tif) as src: arr src.read(1) # 排除无效值常见为0或255具体看文档 valid arr[~np.isin(arr, [0, 255])] counts Counter(valid.flatten()) for code, cnt in sorted(counts.items()): print(f分类码 {code}: {cnt} 像素)这段代码的作用是快速摸清数据里到底有哪些码元。参数说明src.read(1)读第一波段np.isin排除无效值无效值具体是0还是255要以数据说明为准。如果统计出来只有6个码说明是6大类如果有20多个码那就是二级类需要先做重分类再统计。2.2 投影和基准不统一面积统计会差出几个百分点30m全国数据常见投影有两种Albers等面积投影和经纬度投影WGS84。做面积统计必须用等面积投影否则高纬度地区面积会被严重拉伸。我见过有人在经纬度投影下直接算面积结果东北地区的耕地面积偏大近10%。正确做法是先投影转换再统计。# 用gdalwarp把经纬度投影转为Albers等面积投影适合全国尺度面积统计 gdalwarp -t_srs projaea lat_125 lat_247 lat_00 lon_0105 x_00 y_00 datumWGS84 unitsm no_defs \ -tr 30 30 -r near -of GTiff \ landcover_2020_30m.tif landcover_2020_30m_albers.tif参数说明-t_srs指定目标投影这里用的是中国全国常用的Albers参数-tr 30 30保持30米分辨率-r near表示重采样用最近邻分类数据必须用最近邻不能用双线性否则会出现不存在的类别。转换完之后再统计面积误差才能控制在可接受范围。2.3 分幅数据先镶嵌再裁剪顺序反了会留黑边如果你拿到的是分省或分幅的30m数据不要急着裁项目区。先镶嵌成完整覆盖再按研究区边界裁剪。顺序反了的话裁剪边缘会出现黑边或无效值后续统计会把黑边算进去。常见做法是用GDAL的VRT先建虚拟镶嵌再裁剪。# 先建虚拟镶嵌再按研究区边界裁剪 gdalbuildvrt mosaic.vrt *.tif gdalwarp -cutline study_area.shp -crop_to_cutline -dstnodata 0 mosaic.vrt study_area_landcover.tifgdalbuildvrt不实际生成大文件只建索引速度快-cutline指定研究区矢量边界-crop_to_cutline精确按边界裁剪-dstnodata 0把边界外设为0后续统计时排除。这一步做完你才有一个干净的、投影正确的、分类码明确的30m土地利用栅格。3. 用随机森林和Segformer做30m土地利用分类的落地路径3.1 样本点怎么选分层随机采样比手动勾画靠谱如果你不是直接下载现成产品而是想自己用遥感影像分类生成30m土地利用数据第一步是选样本。热搜词里“遥感随机森林”和“segformer 遥感”都指向同一个问题样本从哪来。我一般用分层随机采样在每个地类内部随机撒点再人工检查修正。手动勾画样本容易在过渡带翻车比如耕地和草地交界处你勾的可能是混合像元。# 分层随机采样按已有粗略分类图分层每类随机选点 import numpy as np import geopandas as gpd from shapely.geometry import Point # 假设已有粗略分类栅格 rough_class值1-6 # 每类选200个样本点 samples [] for cls in range(1, 7): rows, cols np.where(rough_class cls) idx np.random.choice(len(rows), 200, replaceFalse) for i in idx: y, x rows[i], cols[i] # 转地理坐标具体变换依赖你的栅格地理变换参数 samples.append({class: cls, geometry: Point(x, y)}) gdf gpd.GeoDataFrame(samples, crsEPSG:4326) gdf.to_file(samples.shp)逻辑说明先按粗略分类分层保证每类都有样本每类200个是经验值类别复杂可增加到500。参数说明replaceFalse避免重复选同一点crs要和你影像的坐标系一致。选完样本后必须人工检查尤其是建设用地和裸地容易混。3.2 随机森林分类特征工程比调参更重要随机森林在30m土地利用分类里依然是基线方法原因是稳、可解释、对特征数量不敏感。但很多人只输入原始波段结果精度上不去。我一般会加入NDVI、NDWI、NDBI等指数以及纹理特征。特征选对了参数用默认值都能到85%以上。from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report import numpy as np # X: 特征矩阵每行一个样本列包括波段和指数 # y: 标签 X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.3, random_state42) rf RandomForestClassifier( n_estimators200, # 树的数量200通常够用 max_depthNone, # 不限制深度让树充分生长 min_samples_leaf5, # 叶节点最少样本防止过拟合 n_jobs-1, # 并行 random_state42 ) rf.fit(X_train, y_train) y_pred rf.predict(X_test) print(classification_report(y_test, y_pred))参数说明n_estimators从100到500精度提升有限200是性价比点min_samples_leaf设5到10能明显减少噪声n_jobs-1用满CPU。分类完记得做后处理比如众数滤波去除椒盐噪声。3.3 Segformer做遥感语义分割显存和样本量的边界Segformer在遥感影像分割里表现好尤其是高分辨率农田地块识别。但直接拿全国30m数据训练不现实显存扛不住。我一般会分块裁剪成512×512的切片再训练。样本量至少每类5000个切片否则容易过拟合。# 用segformer做遥感分割的简化训练循环示意 import torch from transformers import SegformerForSemanticSegmentation model SegformerForSemanticSegmentation.from_pretrained( nvidia/segformer-b0-finetuned-ade-512-512, num_labels6, # 6大类 ignore_mismatched_sizesTrue ) optimizer torch.optim.AdamW(model.parameters(), lr6e-5) for epoch in range(50): for images, labels in train_loader: outputs model(pixel_valuesimages, labelslabels) loss outputs.loss loss.backward() optimizer.step() optimizer.zero_grad()逻辑说明这里用的是Segformer-B0参数量小适合显存有限的场景。num_labels6对应6大类ignore_mismatched_sizesTrue因为预训练权重是ADE20K的150类需要忽略分类头尺寸不匹配。实际训练时学习率用6e-5batch size根据显存调一般8到16。如果显存不够用梯度累积。4. 避坑与排查30m土地利用数据最常见的5个翻车现场4.1 现象面积统计结果比官方公布多出20%原因投影没转等面积或者裁剪时把边界外无效值算进去了。经纬度投影下高纬度像元面积被低估但如果你用像元数乘30×30又没排除无效值结果会偏大。解决先转Albers等面积投影统计前用np.isin排除0和255再按像元面积累加。4.2 现象分类结果在城乡结合部全是碎斑原因30m分辨率下城乡结合部混合像元多随机森林容易把建设用地和耕地混分。解决加入纹理特征和夜间灯光数据作为辅助或者做后处理众数滤波。如果还不行只能接受30m的物理边界换更高分辨率数据。4.3 现象Segformer训练loss不下降原因学习率太大或者样本标签不平衡。解决学习率从6e-5降到1e-5加类别权重。另外检查数据归一化遥感影像像素值范围差异大必须做标准化。4.4 现象镶嵌后出现明显色差条带原因不同分幅影像的辐射定标或大气校正参数不一致。解决镶嵌前做直方图匹配或者用相对辐射归一化。如果只是分类数据检查分类码是否一致不同分幅可能用了不同分类体系。4.5 现象裁剪后研究区边缘出现锯齿原因矢量边界和栅格像元没对齐。解决裁剪时加-crop_to_cutline并设置-dstnodata。如果还不行先把矢量边界转成栅格掩膜再相乘。5. 进阶技巧用局部聚焦算法辅助标记提升农田地块识别精度如果你做的是高分遥感影像农田地块智能识别30m数据只能做宏观背景真正的地块边界需要更高分辨率。热搜词里“局部聚焦算法辅助标记的高分遥感影像农田地块智能识别”指向一个实用技巧先用30m土地利用数据定位农田区域再在高分影像上做局部聚焦标注能大幅减少人工勾画工作量。具体做法把30m耕地分类结果作为掩膜提取耕地范围在高分影像上只对耕地范围做切片用局部聚焦算法比如基于超像素的聚焦生成候选地块边界人工只需修正错误边界不用从零勾画。我实测过标注效率提升3倍以上而且边界一致性更好。# 用30m耕地掩膜提取高分影像中的耕地切片 import rasterio from rasterio.mask import mask import geopandas as gpd # 耕地掩膜转矢量 with rasterio.open(cropland_mask_30m.tif) as src: cropland_shp gpd.read_file(cropland_mask_30m.shp) # 用耕地矢量裁剪高分影像 with rasterio.open(high_res.tif) as src: out_image, out_transform mask(src, cropland_shp.geometry, cropTrue) out_meta src.meta.copy() out_meta.update({height: out_image.shape[1], width: out_image.shape[2], transform: out_transform}) with rasterio.open(cropland_high_res.tif, w, **out_meta) as dest: dest.write(out_image)逻辑说明mask函数按矢量边界裁剪栅格cropTrue精确裁剪。这样你只处理耕地范围的高分影像数据量减少70%以上。参数说明cropland_shp.geometry是耕地矢量边界out_meta更新尺寸和变换。裁剪完再用局部聚焦算法做超像素分割生成候选地块。最后说一个血泪经验30m土地利用数据不要拿来直接做地块级统计它的物理分辨率决定了它只能做区域尺度分析。我早期拿它算过村级耕地面积结果和实测差了15%后来老老实实换高分数据。希望帮到你。本文还有配套的精品资源点击获取 遥感全国土地利用30m数据：分类、投影与工程化处理全链路
简介这份资源为2018年全国土地利用30米遥感监测数据面向GIS、遥感、城乡规划、生态环保等方向的研究人员与学生用于土地覆盖分类、时空变化分析与制图实践。数据以30米分辨率栅格形式记录全国土地利用类型涵盖耕地、林地、草地、建设用地、水域等自然地类与人为地类可支撑城市扩张、耕地变化、灾害风险评估等课题。压缩包共10个文件约811.49MB包含tif主数据、dbf属性表、tfw坐标信息、ovr金字塔、xml元数据、pdf说明文档、xlsx分类标准及jpg色标参考兼顾数据读取、分类对照与可视化需要。目前已有9295人学习下载适合作为土地分类入门与科研分析的底图数据帮助读者快速理解分类体系、掌握栅格数据处理流程并开展空间统计与制图。1. 遥感全国土地利用30m数据从一张图到一套可复现的工程链路你拿到一份“全国土地利用30m数据”第一反应大概率是这玩意儿到底是一张全国拼好的栅格还是分省分幅的一堆文件能不能直接裁出自己项目区分类体系是六大类还是三大类精度在山区和城乡结合部到底靠不靠谱我见过太多人把这类数据当成“下载即用”的底图结果在面积统计和变化检测上反复翻车。遥感全国土地利用30m数据本质是一套覆盖全国、空间分辨率30米、按固定分类体系编码的栅格产品常见来源包括公开的年度土地覆盖数据集和基于Landsat/Sentinel时序影像分类生成的成果。它解决的是“全国尺度上地类空间分布和面积统计”的问题适合做生态遥感指数、耕地变化、城市扩张、碳汇估算等方向的从业者。但前提是你得先搞清它的投影、分类码、年份和精度边界否则后面所有分析都是玄学。2. 先搞懂30m土地利用数据的分类体系与投影基准2.1 分类码不是你想的三大类先对齐编码表很多热搜词里出现“土地利用三大类分类统计工具”但实际拿到的30m数据分类体系往往更细。常见的有6大类耕地、林地、草地、水域、建设用地、未利用地和更细的二级类。如果你直接按自己定义的三大类去统计而不做重分类结果一定对不上。我一般会先做一件事把数据的分类码和官方说明文档对齐建一张映射表。# 读取分类码并统计各码元像素数确认数据实际包含哪些类别 import rasterio import numpy as np from collections import Counter with rasterio.open(landcover_2020_30m.tif) as src: arr src.read(1) # 排除无效值常见为0或255具体看文档 valid arr[~np.isin(arr, [0, 255])] counts Counter(valid.flatten()) for code, cnt in sorted(counts.items()): print(f分类码 {code}: {cnt} 像素)这段代码的作用是快速摸清数据里到底有哪些码元。参数说明src.read(1)读第一波段np.isin排除无效值无效值具体是0还是255要以数据说明为准。如果统计出来只有6个码说明是6大类如果有20多个码那就是二级类需要先做重分类再统计。2.2 投影和基准不统一面积统计会差出几个百分点30m全国数据常见投影有两种Albers等面积投影和经纬度投影WGS84。做面积统计必须用等面积投影否则高纬度地区面积会被严重拉伸。我见过有人在经纬度投影下直接算面积结果东北地区的耕地面积偏大近10%。正确做法是先投影转换再统计。# 用gdalwarp把经纬度投影转为Albers等面积投影适合全国尺度面积统计 gdalwarp -t_srs projaea lat_125 lat_247 lat_00 lon_0105 x_00 y_00 datumWGS84 unitsm no_defs \ -tr 30 30 -r near -of GTiff \ landcover_2020_30m.tif landcover_2020_30m_albers.tif参数说明-t_srs指定目标投影这里用的是中国全国常用的Albers参数-tr 30 30保持30米分辨率-r near表示重采样用最近邻分类数据必须用最近邻不能用双线性否则会出现不存在的类别。转换完之后再统计面积误差才能控制在可接受范围。2.3 分幅数据先镶嵌再裁剪顺序反了会留黑边如果你拿到的是分省或分幅的30m数据不要急着裁项目区。先镶嵌成完整覆盖再按研究区边界裁剪。顺序反了的话裁剪边缘会出现黑边或无效值后续统计会把黑边算进去。常见做法是用GDAL的VRT先建虚拟镶嵌再裁剪。# 先建虚拟镶嵌再按研究区边界裁剪 gdalbuildvrt mosaic.vrt *.tif gdalwarp -cutline study_area.shp -crop_to_cutline -dstnodata 0 mosaic.vrt study_area_landcover.tifgdalbuildvrt不实际生成大文件只建索引速度快-cutline指定研究区矢量边界-crop_to_cutline精确按边界裁剪-dstnodata 0把边界外设为0后续统计时排除。这一步做完你才有一个干净的、投影正确的、分类码明确的30m土地利用栅格。3. 用随机森林和Segformer做30m土地利用分类的落地路径3.1 样本点怎么选分层随机采样比手动勾画靠谱如果你不是直接下载现成产品而是想自己用遥感影像分类生成30m土地利用数据第一步是选样本。热搜词里“遥感随机森林”和“segformer 遥感”都指向同一个问题样本从哪来。我一般用分层随机采样在每个地类内部随机撒点再人工检查修正。手动勾画样本容易在过渡带翻车比如耕地和草地交界处你勾的可能是混合像元。# 分层随机采样按已有粗略分类图分层每类随机选点 import numpy as np import geopandas as gpd from shapely.geometry import Point # 假设已有粗略分类栅格 rough_class值1-6 # 每类选200个样本点 samples [] for cls in range(1, 7): rows, cols np.where(rough_class cls) idx np.random.choice(len(rows), 200, replaceFalse) for i in idx: y, x rows[i], cols[i] # 转地理坐标具体变换依赖你的栅格地理变换参数 samples.append({class: cls, geometry: Point(x, y)}) gdf gpd.GeoDataFrame(samples, crsEPSG:4326) gdf.to_file(samples.shp)逻辑说明先按粗略分类分层保证每类都有样本每类200个是经验值类别复杂可增加到500。参数说明replaceFalse避免重复选同一点crs要和你影像的坐标系一致。选完样本后必须人工检查尤其是建设用地和裸地容易混。3.2 随机森林分类特征工程比调参更重要随机森林在30m土地利用分类里依然是基线方法原因是稳、可解释、对特征数量不敏感。但很多人只输入原始波段结果精度上不去。我一般会加入NDVI、NDWI、NDBI等指数以及纹理特征。特征选对了参数用默认值都能到85%以上。from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report import numpy as np # X: 特征矩阵每行一个样本列包括波段和指数 # y: 标签 X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.3, random_state42) rf RandomForestClassifier( n_estimators200, # 树的数量200通常够用 max_depthNone, # 不限制深度让树充分生长 min_samples_leaf5, # 叶节点最少样本防止过拟合 n_jobs-1, # 并行 random_state42 ) rf.fit(X_train, y_train) y_pred rf.predict(X_test) print(classification_report(y_test, y_pred))参数说明n_estimators从100到500精度提升有限200是性价比点min_samples_leaf设5到10能明显减少噪声n_jobs-1用满CPU。分类完记得做后处理比如众数滤波去除椒盐噪声。3.3 Segformer做遥感语义分割显存和样本量的边界Segformer在遥感影像分割里表现好尤其是高分辨率农田地块识别。但直接拿全国30m数据训练不现实显存扛不住。我一般会分块裁剪成512×512的切片再训练。样本量至少每类5000个切片否则容易过拟合。# 用segformer做遥感分割的简化训练循环示意 import torch from transformers import SegformerForSemanticSegmentation model SegformerForSemanticSegmentation.from_pretrained( nvidia/segformer-b0-finetuned-ade-512-512, num_labels6, # 6大类 ignore_mismatched_sizesTrue ) optimizer torch.optim.AdamW(model.parameters(), lr6e-5) for epoch in range(50): for images, labels in train_loader: outputs model(pixel_valuesimages, labelslabels) loss outputs.loss loss.backward() optimizer.step() optimizer.zero_grad()逻辑说明这里用的是Segformer-B0参数量小适合显存有限的场景。num_labels6对应6大类ignore_mismatched_sizesTrue因为预训练权重是ADE20K的150类需要忽略分类头尺寸不匹配。实际训练时学习率用6e-5batch size根据显存调一般8到16。如果显存不够用梯度累积。4. 避坑与排查30m土地利用数据最常见的5个翻车现场4.1 现象面积统计结果比官方公布多出20%原因投影没转等面积或者裁剪时把边界外无效值算进去了。经纬度投影下高纬度像元面积被低估但如果你用像元数乘30×30又没排除无效值结果会偏大。解决先转Albers等面积投影统计前用np.isin排除0和255再按像元面积累加。4.2 现象分类结果在城乡结合部全是碎斑原因30m分辨率下城乡结合部混合像元多随机森林容易把建设用地和耕地混分。解决加入纹理特征和夜间灯光数据作为辅助或者做后处理众数滤波。如果还不行只能接受30m的物理边界换更高分辨率数据。4.3 现象Segformer训练loss不下降原因学习率太大或者样本标签不平衡。解决学习率从6e-5降到1e-5加类别权重。另外检查数据归一化遥感影像像素值范围差异大必须做标准化。4.4 现象镶嵌后出现明显色差条带原因不同分幅影像的辐射定标或大气校正参数不一致。解决镶嵌前做直方图匹配或者用相对辐射归一化。如果只是分类数据检查分类码是否一致不同分幅可能用了不同分类体系。4.5 现象裁剪后研究区边缘出现锯齿原因矢量边界和栅格像元没对齐。解决裁剪时加-crop_to_cutline并设置-dstnodata。如果还不行先把矢量边界转成栅格掩膜再相乘。5. 进阶技巧用局部聚焦算法辅助标记提升农田地块识别精度如果你做的是高分遥感影像农田地块智能识别30m数据只能做宏观背景真正的地块边界需要更高分辨率。热搜词里“局部聚焦算法辅助标记的高分遥感影像农田地块智能识别”指向一个实用技巧先用30m土地利用数据定位农田区域再在高分影像上做局部聚焦标注能大幅减少人工勾画工作量。具体做法把30m耕地分类结果作为掩膜提取耕地范围在高分影像上只对耕地范围做切片用局部聚焦算法比如基于超像素的聚焦生成候选地块边界人工只需修正错误边界不用从零勾画。我实测过标注效率提升3倍以上而且边界一致性更好。# 用30m耕地掩膜提取高分影像中的耕地切片 import rasterio from rasterio.mask import mask import geopandas as gpd # 耕地掩膜转矢量 with rasterio.open(cropland_mask_30m.tif) as src: cropland_shp gpd.read_file(cropland_mask_30m.shp) # 用耕地矢量裁剪高分影像 with rasterio.open(high_res.tif) as src: out_image, out_transform mask(src, cropland_shp.geometry, cropTrue) out_meta src.meta.copy() out_meta.update({height: out_image.shape[1], width: out_image.shape[2], transform: out_transform}) with rasterio.open(cropland_high_res.tif, w, **out_meta) as dest: dest.write(out_image)逻辑说明mask函数按矢量边界裁剪栅格cropTrue精确裁剪。这样你只处理耕地范围的高分影像数据量减少70%以上。参数说明cropland_shp.geometry是耕地矢量边界out_meta更新尺寸和变换。裁剪完再用局部聚焦算法做超像素分割生成候选地块。最后说一个血泪经验30m土地利用数据不要拿来直接做地块级统计它的物理分辨率决定了它只能做区域尺度分析。我早期拿它算过村级耕地面积结果和实测差了15%后来老老实实换高分数据。希望帮到你。本文还有配套的精品资源点击获取