企业官网建设流程全解析

简介：全国DEM数据TIF数据.zip提供覆盖全国范围的数字高程模型栅格数据，面向地理信息、遥感及相关地学研究人员与工程技术人员，可用于地形特征提取、流域划分、土地利用适宜性评价以及三维地形可视化等多种分析场景。压缩包内共有七个文件，核心数据为TIF格式的高程栅格，同时附带地理配准文件、投影参数定义、金字塔文件、属性表以及文本格式的补充说明，可辅助在ArcGIS、ENVI等软件中实现坐标加载、快速显示和基础查询。数据覆盖完整且带有空间参考信息，使用时需确认投影坐标系和分辨率是否匹配任务要求，必要时可进行填洼、裁剪和误差校正等预处理。整体压缩包约三十一兆字节，数据量适中，便于存储和交换。目前已有10778人学习浏览，对于需要全国尺度高程底图的区域分析、科研教学与项目开发而言，是一份实用且易用的基础数据。

1. 全国DEM数据TIF数据.zip：拆开之前先想清楚你要拿它干嘛

拿到一个“全国DEM数据TIF数据.zip”，第一反应通常是解压之后直接拖进GIS软件，然后等着图层出现。实际做过的都知道，这个操作翻车概率极高：要么打开一片黑，要么坐标跑到海里，要么坡度算出来几十度起步。问题不在数据本身，而在大多数公开DEM产品是按分幅组织的原始采样格网，并不是为“桌面直接出图”准备的，你需要先把它当成原材料，走一遍检查、拼接、重投影、裁剪的预处理链。

这个zip能解决的是全国尺度的地形底图问题：坡度、坡向、山体阴影、水文分析、选址通视、淹没模拟，凡是依赖高程栅格的生产任务都从它开始。适合两类人，一类是用GIS做分析但被数据组织方式搞烦的从业者，另一类是写自动化脚本处理栅格的开发工程师。后者如果直接拿一个分幅TIF就开跑，后面会被坐标系和NODATA折磨到怀疑人生。

先说结论：这份数据包本身不是拿来直接出图的，它是“半成品原料”。能不能用得顺，取决于你愿不愿意在动手前花十分钟搞清楚它的分幅规则、高程基准和无效值设置。这三件事搞明白，后面每一步都有后悔药可吃；搞不明白，每一步都是黑匣子。

2. 先读懂分幅TIF：分辨率、高程基准与坐标参考，决定后面每一步

全国尺度的DEM数据通常不会拼成单个大文件分发，而是按经纬度格网或标准图幅切成大量TIF分幅，每个分幅覆盖一个矩形区域。这带来一个直接后果：你看到的是一个几百个文件组成的zip，不是一个“图层”。在动手拼接之前，必须先回答三个问题：一个像元在地面上到底占多大面积、高程值相对于哪个基准面、每个分幅的坐标参考是什么。

这三个问题决定了后面每一步的操作参数。分辨率影响重采样设置，基准面影响高程比较，坐标参考影响投影转换。很多人拿到数据直接做坡度分析，算出来的结果离谱到没法看，根因就是没搞懂这三个属性之间的关系。

2.1 “30米分辨率”不是你想的那种均匀网格

所谓30米分辨率，在大多数公开DEM产品里指的是赤道附近的像元尺寸。实现方式通常是在经纬度方向上按固定角秒切分，比如1角秒约等于30米。这样在地球高纬度地区，南北方向还是30米，但东西方向的实际地面距离会明显小于30米，因为经线在向两极收敛。换句话说，同一份DEM，在低纬和高纬地区的地面采样密度并不一致。

这个特性直接影响到两件事。第一，如果你把经纬度坐标的DEM直接当成平面数据算面积、算坡度，高纬度地区会整体变形；第二，如果同一个项目要拼接不同纬度的分幅，你没有必要把每个分幅都重采样到同一个像元尺寸，重投影时会统一处理。另外，高程值本身还要区分基准：有些产品的高程是相对于椭球面的椭球高，有些是相对于大地水准面的正高，两者差几米到几十米不等。做淹没分析或者土方计算时，这几米可能就是致命的误差来源。判断依据一般藏在zip内的说明文件里，文件名里带版本号或者源数据标识的，要优先按随附元数据来解读。

2.2 用gdalinfo在30秒内识别分幅TIF的关键信息

不管后续用桌面GIS还是脚本处理，第一步都建议用GDAL自带的gdalinfo把分幅TIF的元数据打出来看看。它对GeoTIFF的读取是行业最稳的，不会像某些桌面软件那样自动做“看不见的修正”。

gdalinfo dem_30m_n28_e105.tif

这是命令行下最朴素也最有用的动作。输出信息量很大，但真正要读的字段就下面几个，我做了个快速对照表。

这些字段在拼接之前就值得逐一过一遍。尤其是NoData Value，如果没有输出，后面所有分幅拼到一起后，无效区域会被当成真实高程参与计算，渲染和坡度结果都会出现大面积异常。遇到缺NoData的TIF，用gdal_translate补一个再进流程。

2.3 压缩、分块与BIGTIFF：加载性能的三个隐藏因素

TIF后缀只说明容器格式，不说明内部组织方式。同样是TIF，有的加载飞快，有的拖动一下转半分钟，差别就在压缩、分块和文件大小上限三个设置上。

LZW或DEFLATE压缩的TIF体积更小，读取时GDAL会解压，CPU开销略高，但磁盘IO压力大幅降低。分幅DEM一般用LZW就够，DEFLATE的压缩率更高但解压更慢。TILED=YES意味着数据按小块（如256×256）组织存储，而不是按行扫描，这对切片服务和局部窗口浏览非常友好，全国范围的大栅格更应该开。至于BIGTIFF，是因为经典TIFF格式单个文件超过4GB就无法写入，全国DEM拼接后动辄几十GB，如果你直接gdal_translate出去而不开BIGTIFF=YES，文件会写到一半报错，或者被迫拆成多个文件。预处理阶段就把这三个参数想清楚，后面能省掉大量返工。

3. 把全国分幅DEM TIF整理成可用的底图：解压检查、虚拟拼接与重投影

知道了分幅TIF的底细，接下来就是预处理。我一般会遵循一套固定顺序：先解压做完整度检查，再建立虚拟拼接，然后一次性做重投影和重采样，最后才根据分析目标去裁剪和派生地形因子。

这个顺序不是随便定的。直接对几百个分幅跑gdal_merge.py，不仅慢，而且内存经常撑不住；直接在每个分幅上分别做投影转换又会产生海量中间文件。正确做法是先用gdalbuildvrt“假装拼好”，再用gdalwarp一次性物化，这样只产生一份大TIF，效率最高，也最容易排查问题。

3.1 解压后先做三件事：检查文件命名、配套文件与NODATA

解压不是双击完事。打开目录后马上确认三件事：分幅文件的命名规律、有没有配套的坐标文件、总数据量是否和zip标注一致。这些信息决定你后面能不能用通配符批量处理。

ls -lh dem/ du -sh dem/

ls看一眼命名，du看一眼总量。命名规律很关键，常见的如dem_30m_n28_e105.tif，其中n28代表北纬28度，e105代表东经105度，这种命名可以直接推算出分幅覆盖范围，也可以用来判断数据是否存在空洞。配套文件方面，如果每个TIF旁边有.tfw、.prj或者同名xml，说明坐标信息齐全；如果只有一个裸TIF，说明坐标信息可能内嵌在GeoTIFF头里，也可能已经丢失，需要用gdalinfo逐一确认。

我见过最坑的情况是：zip里几百个文件，解压后有一半分幅的.tif文件缺失，但没有任何报错提示，直到拼接完成后才发现北部区域少了一大块。所以进入下一步之前，最好用文件名正则把该有的分幅清单列出来，和实际文件做一次差集。这步不复杂，但能省下后面排查位置错漏的大把时间。

3.2 用gdalbuildvrt做虚拟拼接，避免一次合并全国数据

分幅数量多的时候，直接合并不仅慢，而且一旦参数不对就要重新跑一遍。虚拟拼接（VRT）是更好的中间状态：它不复制任何像元数据，只是记录“哪些TIF、按什么规则叠在一起”的XML描述。加载时GDAL会按需去读原始文件，速度取决于原始文件的读取效率。

gdalbuildvrt -o national_dem.vrt dem_*.tif

这条命令把dem目录下所有TIF按空间位置拼进一个VRT。-o指定输出文件名，dem_*.tif是shell通配符，会展开成所有分幅。如果分幅之间有重叠，VRT默认按顺序取第一个文件的数据，所以d_e排序要留意——建议命名规律能保证按行列顺序排列。遇到个别分幅坐标缺失时，VRT会失败并提示找不到坐标信息，这就是前面检查配套文件的价值所在。

VRT还有一个好处是方便做临时验证：你可以直接加载VRT进QGIS看全局渲染效果，不需要等物化完成。发现问题时删掉VRT重做即可，根本不伤原始分幅。

3.3 坐标与投影重采样：gdalwarp的五个必设参数

VRT本身不解决坐标系问题。全国DEM原始数据通常是WGS84经纬度坐标，而地形分析需要平面坐标下的距离和面积才有意义。这一步用gdalwarp把整个VRT重投影到目标投影，同时完成像元重采样，直接输出一份正式TIF。

gdalwarp -t_srs EPSG:32650 -tr 30 30 -r bilinear -dstnodata -9999 \ -co COMPRESS=DEFLATE -co TILED=YES -co BIGTIFF=IF_SAFER \ national_dem.vrt national_dem_utm.tif

五个关键参数拆开来看。-t_srs指定目标坐标系，EPSG:32650是UTM 50N投影，适用于东经117度到123度之间的区域；你在其他区域要换成对应的分带。-tr 30 30表示重采样后的像元尺寸为水平方向和垂直方向各30米，重投影后像元不再以度为单位。-r bilinear选择双线性插值，地形数据用bilinear比nearest平滑，比cubic快，是兼顾效率和精度的选择。-dstnodata -9999把无值区域统一写成-9999，防止不同分幅各自为政。最后的-co参数控制输出格式，DEFLATE压缩、TILED分块、BIGTIFF按需开启，这三件套在大范围栅格里基本属于标配。

有一点值得反复强调：分析用的投影别选Web墨卡托（EPSG:3857）。墨卡托在高纬度会把面积拉大好几倍，坡度、面积、通视分析全部失真。做省级或更小尺度分析时，用高斯-克吕格或UTM分带投影都行，具体分带要看项目区经度范围。这个选择比任何花哨算法都重要。

3.4 什么时候该把VRT“物化”成正式TIF

有人会在VRT上直接做后续的裁剪和坡度计算，这当然可以，但性能很差。VRT每次读取都要临时去解析原始文件的位置和格式，反复分析时等于把IO压力放大好几倍。

我一般会在重投影完成后就把结果物化成正式TIF，也就是上面那条gdalwarp命令输出的national_dem_utm.tif。之后的所有裁剪、坡度、填洼操作都基于这份文件。这样做的另一个好处是：这份TIF已经是统一坐标、统一分辨率、统一NODATA的“干净底图”，分发给别人或做缓存都用它，不会因为原始分幅存在差异而产生理解偏差。

4. 全国DEM栅格生产流程：正式拼接、按行政区裁剪与地形因子计算

底图准备好之后，进入生产阶段。这个阶段的任务很明确：把全国底图变成真正用于分析的成果——拼接好的全域栅格、裁剪到工作区的DEM、以及坡度、山体阴影、填洼后的水文修正栅格。

每一步都有对应的GDAL工具或轻量Python库，参数不复杂，但值得逐个确认，因为地形成果不像普通遥感影像“看得见就算对”，它需要数值尺度和空间范围都正确。

4.1 用gdal_merge.py做正式拼接：BIGTIFF与Float32

VRT是虚拟拼接，物化后的正式拼接用gdal_merge.py最省事。它的逻辑是把多个输入栅格按空间位置合并到一块画布上，重叠区默认取第一个文件的值。如果你的分幅之间严格无重叠，这个工具几乎零成本。

gdal_merge.py -o dem_merge.tif -ot Float32 -a_nodata -9999 \ -co BIGTIFF=YES -co TILED=YES -co COMPRESS=DEFLATE \ national_dem_utm.tif

-ot Float32把输出数据类型强制为32位浮点，确保高程精度不丢失，尤其是后续要做浮点运算的坡度或填洼。-a_nodata统一无效值。这里注意：如果输入文件已经做过gdalwarp的统一NODATA设置，-a_nodata可以省略，但写上更保险。输出的-co和前面一样用三件套，全国范围的数据量非常大，BIGTIFF=YES是必不可少的，否则超过4GB直接报错。

4.2 用gdalwarp按行政区裁剪：cutline的坐标一致性

把全国底图裁剪到项目区，属于高频需求。最稳妥的做法不是“按范围框裁”，而是“按矢量边界裁”，避免把边界外的高程带进来。

gdalwarp -cutline county.shp -crop_to_cutline -of GTiff \ dem_merge.tif county_dem.tif

-cutline指定行政区矢量文件，-crop_to_cutline让输出栅格的范围完全贴合矢量边界，而不是保留矩形外框。这两个参数组合起来就等于“无锯齿裁剪”。一个常见的坑是：矢量边界坐标系与栅格不一致时，GDAL会做动态转换，但转换精度取决于矢量本身的精度。建议在裁剪前先确认两者的坐标描述，若一个WGS84一个国测局坐标，先统一再裁，不要指望gdalwarp自动收拾残局。

边界处的高程值有时会出现异常条纹，尤其是沿切割线的像元。可以在裁剪后加一道腐蚀处理，把边界外一圈NODATA写入。做法不复杂：用gdalwarp的-dstnodata再跑一次，但这一步我通常留到坡度计算之后再做，避免过早丢边。

4.3 地形因子计算：slope、hillshade与参数选择

有了裁剪后的DEM，坡度、坡向、山体阴影这类派生栅格就是一条命令的事。gdaldem是专门干这个的工具，参数不复杂，但容易因忽视比例因子而翻车。

gdaldem slope county_dem.tif county_slope.tif -s 1 -alg ZevenbergenThorne gdaldem hillshade county_dem.tif county_hillshade.tif -z 2 -az 315 -alt 45

gdaldem slope里，-s 1表示高程单位与水平单位都是米，如果高程是英尺，这里要填0.3048。-alg ZevenbergenThorne是可选算法，适合相对平滑的自然地形，默认的Horn算法在陡峭区域更稳健，但没有绝对优劣。坡度输出以度为单位，范围0到90。gdaldem hillshade的-z 2是垂直夸张系数，山地地形用1或2都行；-az 315是光源方位角，315度对应西北光；-alt 45是光源高度角。这套参数出来的渲染效果比较接近传统纸质地貌图的立体感。

坡度计算前一定要确认输入栅格已经是平面投影坐标，否则水平单位是度，高程单位是米，算出来的坡度值每个都像“悬崖”。这个坑在后面章节会展开讲，但这里先记住：投影先行，坡度后算。

4.4 水文分析前的填洼：GDAL不提供，用pysheds补上

水文分析是DEM最重要的应用方向之一，但它有一个前置动作是GDAL本身没提供的：填洼。真实地表有很多凹陷区域，如果不处理，水流会在这些地方积聚而无法继续向下游流动，流向网络和汇流累积量都会失真。所以做水文分析前，必须先把DEM中的洼地填平。

常见做法是用开源库pysheds，它在处理流向、填洼、汇流累积上比桌面GIS更轻量，也更容易嵌入脚本流程。

from pysheds.grid import Grid grid = Grid.from_raster('county_dem.tif') dem = grid.read_raster('county_dem.tif') filled = grid.fill_depressions(dem)

这段代码先用Grid.from_raster读取DEM文件完成网格初始化，然后read_raster把高程数组载入，最后fill_depressions返回填洼后的数组。填洼结果的数组可以直接传给D8流向计算，也可以另存为TIF，看后续需求。pysheds的fill_depressions默认会把所有内部洼地填到最低出水口高度，参数很少，基本不用调。

注意：填洼只用于水文分析，不要为了做坡度或渲染去做填洼，它会抹掉真实的地形凹陷信息，让坡度图和山体阴影变得失真。

5. DEM数据落地五个常见坑：现象、原因与解决办法

从拿到zip到跑出地形因子，这中间每一步都有对应的坑。我按踩坑频率找几个最高发的列出来，每条都先说现象，再给原因，最后是解决办法。这一章可以直接当排查手册用。

5.1 打开一片黑：NODATA没被识别

现象：分幅TIF在GIS里加载后，图层区域大面积是全黑或全白，拉伸符号化时，影像看起来像一张噪点图。很多人这时候会认为是文件坏了，重新去解压一份，结果一样。

原因：TIF的NoData值没有被GIS读取到。常见的NoData值是-9999或-32768，如果这个标签丢失，软件会把无效区域的像元当成正常的高程值参与统计与拉伸，整个色带被无效值霸占。尤其是高程类型为Int16时，-9999看起来更像真实值，黑屏概率更高。

解决：用gdal_translate重写一次NoData标签，具体做法是gdal_translate -a_nodata -9999 -co COMPRESS=DEFLATE input.tif output.tif。如果你的数据源本身没有NoData概念，却用0表示海洋或空洞，那就把0也设成NoData，但前提是你确认0不是真实地形。

5.2 坡度值离谱：直接在经纬度坐标上算slope

现象：从同一份TIF跑出来的slope，绝大多数像元值直接在50度以上，甚至接近90度，整张坡度图全是红色。换一个分幅还是这样，怎么看都不对。

原因：输入栅格是经纬度坐标，水平单位是度，高程单位是米，两者在数值上差了约10万倍。gdaldem按单位一致处理，自然把每个像元的高差当成在“度”的水平尺度上变化，坡度值必然离谱。

解决：回到第3章，先用gdalwarp重投影到平面坐标，再跑坡度。如果因为某种原因必须保留经纬度坐标，gdaldem提供-p参数来标记地理坐标系，同时需要配-s设置合理的尺度因子，但不同GDAL版本对这个参数的默认行为有差异，我一般直接重投影，不跟它赌。

5.3 河流断流：水体空洞让水文分析失效

现象：水文分析生成的河流网络，经过某个大湖或水库区域时断成几截，或者河流在某片平坦区域突然消失，整个流域边界也是碎的。

原因：水体在原始DEM里往往没有有效高程值，要么是NODATA，要么是填充的固定值。这些区域在水文分析时相当于“无数据区”，水流经过就断了，无法继续向下游累积。

解决：做水文分析前先做填洼和补洞。填洼用第4章的pysheds代码即可，但如果空洞区域过大，比如一大片水面占了几千个像元，填洼可能不够，需要用邻域插值或外部水体边界数据把水面高程补上，再把水面区域的流向设置为强制排水。检查方法是看TIF的NODATA占比，超过5%就该重视。

5.4 内存溢出：一上来就merge全国分幅

现象：用gdal_merge.py直接拼几百个分幅TIF，跑了两三个小时，最后抛出一个“iomem”或“gdal_merge.py: out of memory”之类的错误，前面时间全白费。

原因：gdal_merge.py在处理大量输入时，会在内存里同时维护多个输入文件的数据块窗口。分幅多、窗口尺寸大时，内存占用量直线上升；再加上输出文件超过4GB时没有BIGTIFF支持，写入直接失败。

解决：先gdalbuildvrt建立虚拟拼接，再用gdalwarp带-co BIGTIFF=YES -co TILED=YES输出正式TIF。这个组合会让GDAL按块读写，内存占用可控。如果单次输出仍然太大，可以按纬度带分批warp再合并，但一般情况下buildvrt+warp已经足够。

5.5 拼接处接缝断层：分幅间高程基准或时相不一致

现象：拼好的DEM在山体阴影图里能看到明显的条带，拼接处一边高一边低，形成台阶状纹理。放大后看，接缝两侧的高程值有系统性的几米到几十米差异。

原因：分幅数据来自不同批次，甚至不同源数据。高程基准、像元中心对齐、时相带来的地表变化，都会在接缝处产生不连续。DEM是浮点栅格，这种差异不会像影像拼接那样因为羽化而自动消隐。

解决：先把每个分幅的高程统计信息打印出来，看接缝两侧的均值差异。如果差异是固定值，用gdal_calc.py做差值修正再拼接；如果差异没有规律，说明是不同源数据，别硬拼，回到数据源层面确定处理方案。接缝处坚持用nearest重采样可以减少过渡带的异常值插值，但根本解法永远是保证源数据一致。

6. 把预处理变成流水线：一个DEM质量体检脚本，拿去改改就能用

处理到这一步，相信你已经意识到：整个DEM预处理链中，最花时间的不是跑命令，而是检查每一批分幅数据是否货真价实。第2章我教你用gdalinfo人工看一个文件，但到了全国数据几百个分幅的场景，人工根本看不过来。我自己现在接到新的DEM数据包，第一件事就是跑一个批量体检脚本，把每个分幅的关键指标打出来，几秒钟就能判断这份数据能不能用。

from pathlib import Path import rasterio import numpy as np for tif in sorted(Path('dem').glob('*.tif')): with rasterio.open(tif) as src: data = src.read(1) nodata = src.nodata if nodata is not None: nodata_mask = data == nodata else: nodata_mask = np.isnan(data) valid = data[~nodata_mask] print( tif.name, f"size={src.width}x{src.height}", f"res={src.res[0]:.2f}", f"nodata={nodata_mask.mean()*100:.2f}%", f"min={valid.min():.0f}", f"max={valid.max():.0f}", f"crs={src.crs}", )

这段脚本遍历dem目录下所有TIF，逐个读取波段数据，统计分辨率、NODATA占比、有效值最小最大和坐标参考。判定规则很简单：NODATA占比超过5%的分幅要重点检查；高程min低于-500或者max超过9000，基本可以判断是异常值或坐标错乱；res出现两种以上数值，说明分幅间分辨率不统一；crs为None的分幅直接标红。

脚本里src.read(1)会把整个分幅读入内存，对几百MB的大分幅会有IO压力。如果文件特别大，可以改成只读取元数据和采样统计，但当前DEM分幅一般几十MB，直接读没压力。跑完一遍输出后，把异常项揪出来先处理，再走后续的buildvrt和warp，整个流程的返工率能降一半以上。

我自己早年处理第一批全国DEM时就没做体检，直接buildvrt后跑重投影，最后出来的底图在某个省份区域出现了整片空洞，排查了很久发现是一个分幅的NoData值和其他的不一样。从那以后，任何DEM数据拿过来都先让脚本过一遍再做拼接。体检不花多少时间，但能避免你在第5章那些坑里反复横跳。希望帮到你。

本文还有配套的精品资源，点击获取