2021年云南省路网水网建筑与土地利用矢量数据shp底图应用指南

简介：这份资源面向GIS从业者、城市规划与地理信息相关专业师生，提供2021年云南省路网、水网、建筑、土地利用等矢量数据及行政区划边界，采用WGS84坐标，可直接在ArcGIS等平台加载分析，适用于空间制图、区域规划与基础地理研究。压缩包共40个文件，约57.53MB，以shp、shx、dbf、prj、xml五类配套文件为主，分别承载几何图形、索引、属性表、坐标投影与元数据，覆盖道路、铁路、水系、建筑、土地利用及地名等图层，并附云南省级边界，便于按要素分层调用与叠加分析。目前已有466人学习下载，数据现势性较好、图层较全，可帮助读者省去多源采集与坐标转换的繁琐环节，快速搭建云南区域空间分析底图，适合作为课程作业、项目前期调研与专题制图的可靠数据基础。

1. 2021年云南省路网水网建筑与土地利用矢量数据：一套shp底图能撑起多少事

手上接过一个云南县域的国土空间摸底项目，甲方甩来一句“先把底图整出来”，既没给数据源也没给坐标系要求。翻了一圈公开渠道，能同时覆盖路网、水网、建筑、土地利用四类要素，还带行政区划边界、统一到WGS84地理坐标的shp数据，基本就是2021年云南省这套矢量数据在扛事。它解决的不是“有没有数据”的问题，而是“四类要素能不能叠在同一套坐标里直接算”的问题——路网算通达性、水网做缓冲、建筑提占地、土地利用分类统计，全都要落在同一套行政区划边界内。适合做国土空间规划、GIS二次开发、遥感样本底图、三维场景白模的从业者，也适合刚接手云南相关项目、需要快速搭出可用底图的人。下面按“数据怎么组织→怎么落地→坑在哪”的顺序讲透。

2. 路网水网建筑土地利用四类shp怎么组织：图层拆分与字段设计

2.1 四类要素的图层拆分逻辑

拿到一套“最全”的矢量数据，第一件事不是急着加载，而是先想清楚它为什么按路网、水网、建筑、土地利用拆成四类。这四类要素的几何类型、属性维度、更新频率完全不同，混在一个图层里后期做空间分析会非常难受。常见做法是拆成独立shp文件，每类一个主文件，配套的.dbf、.shx、.prj、.cpg齐全，缺一个在ArcGIS或QGIS里都可能出玄学问题。

路网一般是线要素（Polyline），字段里通常带道路等级、名称、路面材质；水网有线要素（河流）和面要素（湖泊、水库）两种，需要分开存；建筑是面要素（Polygon），字段里带层数、结构类型、占地面积；土地利用也是面要素，字段里带地类编码、地类名称。行政区划边界单独一个面图层，作为所有统计的裁剪框。

提示：shp格式单文件字段名上限10个字符，中文属性字段在跨平台时容易乱码，建议字段名用英文缩写，.cpg文件里声明UTF-8。

2.2 字段设计与WGS84坐标的绑定关系

WGS84是地理坐标系（GCS），单位是度，不是米。很多人拿到shp一看.prj里写着WGS84就以为可以直接算面积、算距离，结果缓冲区半径设500米，出来的圈大得离谱。正确做法是：存储用WGS84，做空间分析前投影到对应的UTM带或高斯克吕格投影。云南跨UTM 47N和48N两个带，做全省分析建议用Albers等面积投影，做县域分析用当地中央经线的高斯投影。

字段设计上，土地利用图层建议保留地类编码（如0101耕地、0301林地）和地类名称两列，方便按编码做统计、按名称做展示。建筑图层保留占地面积字段，单位统一成平方米。路网保留等级字段，国道、省道、县道、乡道分级，后面做通达性分析直接按等级设权重。

import geopandas as gpd # 读取四类要素，统一检查坐标系 layers = { "road": "yn_road_2021.shp", "water": "yn_water_2021.shp", "building": "yn_building_2021.shp", "landuse": "yn_landuse_2021.shp", "boundary": "yn_boundary_2021.shp" } for name, path in layers.items(): gdf = gpd.read_file(path) print(f"{name}: CRS={gdf.crs}, 要素数={len(gdf)}, 几何类型={gdf.geom_type.unique()}") # 检查是否有空几何 empty = gdf[gdf.is_empty] if len(empty) > 0: print(f" 警告：{name}存在{len(empty)}个空几何")

这段代码做的是加载前的体检。gdf.crs确认坐标系是不是WGS84（EPSG:4326），geom_type确认几何类型是否符合预期，空几何检查是血泪经验——空几何在后续空间连接时会直接报错，提前清掉省得后面翻车。参数上，read_file默认用pyogrio或fiona引擎，如果shp属性表有中文乱码，加encoding='utf-8'。

2.3 行政区划边界作为裁剪与统计基准

行政区划边界图层是整套数据的骨架。省、市、县三级边界如果都在一个图层里，用字段区分层级；如果分开存，注意边界接边处不能有缝隙和重叠。常见做法是用县级边界做统计单元，把路网、水网、建筑、土地利用分别做空间叠加，算出每个县的指标。

# 以县级边界为单元，统计各县建筑占地面积 boundary = gpd.read_file("yn_boundary_county.shp") building = gpd.read_file("yn_building_2021.shp") # 确保两者坐标系一致 if boundary.crs != building.crs: building = building.to_crs(boundary.crs) # 空间连接：把建筑落到县 joined = gpd.sjoin(building, boundary, how="inner", predicate="within") # 按县汇总占地面积 stat = joined.groupby("county_name")["area_sqm"].sum().reset_index() stat.columns = ["县名", "建筑占地总面积(平方米)"] print(stat.head(10))

sjoin的predicate="within"表示建筑完全落在县边界内才统计，跨界的建筑会被排除。如果不想丢跨界建筑，改用intersects，但要在汇总时按面积比例分摊。how="inner"只保留能匹配上的记录，避免产生空值行。这一步做完，每个县的建筑占地指标就出来了，可以直接进报表。

3. 从shp到可用底图：WGS84坐标校验、投影转换与批量处理

3.1 WGS84坐标校验的三个必查项

拿到shp第一件事是验坐标，不是看.prj文件里写了什么，而是看坐标值本身。WGS84经纬度坐标的X范围在98°~106°（云南经度），Y范围在21°~29°（云南纬度）。如果X值在几百到几百万之间，那大概率是投影坐标，.prj可能标错了。

必查三项：一是坐标值范围，二是.prj文件内容，三是和已知地物比对。比如昆明市中心大概在102.7°E、25.0°N，加载后如果点跑到非洲去了，坐标系肯定有问题。

# 用ogrinfo查看shp的坐标系和范围 ogrinfo -al -so yn_road_2021.shp # 输出示例关注这两行： # Extent: (97.5, 21.1) - (106.2, 29.3) # Layer SRS WKT: GEOGCS["WGS 84", ...]

ogrinfo是GDAL自带的命令行工具，-al -so表示只输出摘要不输出要素。Extent范围如果在经纬度区间内，说明坐标值本身没问题。如果Extent是几百万，但SRS写着WGS84，那就是.prj标错了，需要手动指定正确的投影。

3.2 投影转换：WGS84到UTM与Albers的选型

做全省尺度的面积统计，用Albers等面积投影，中央经线设105°E，双标准纬线设25°N和47°N（云南大致范围）。做县域尺度的距离分析，用UTM带，云南东部用48N，西部用47N。

from pyproj import CRS # 定义Albers投影（云南全省适用） albers_crs = CRS.from_proj4( "+proj=aea +lat_1=25 +lat_2=47 +lat_0=0 +lon_0=105 " "+x_0=0 +y_0=0 +datum=WGS84 +units=m +no_defs" ) # 定义UTM 47N和48N utm47 = CRS.from_epsg(32647) utm48 = CRS.from_epsg(32648) # 转换 landuse = gpd.read_file("yn_landuse_2021.shp") landuse_albers = landuse.to_crs(albers_crs) landuse_albers["area_sqm"] = landuse_albers.geometry.area print(f"投影后总面积：{landuse_albers['area_sqm'].sum()/1e6:.2f} 平方公里")

lat_1和lat_2是双标准纬线，选在云南南北跨度内能最小化面积变形。units=m确保输出单位是米，算出来的面积才是平方米。转换后直接算geometry.area，不用再手动乘系数。这一步是面积统计准确性的关键，用WGS84直接算面积误差能到百分之几，在国土项目里这是不能接受的。

3.3 批量处理多个shp的脚本框架

一套数据动辄几十个shp，一个个手动转不现实。写个批量脚本，遍历目录下所有shp，统一转投影、统一字段名、统一输出。

import os import geopandas as gpd from pyproj import CRS albers_crs = CRS.from_proj4( "+proj=aea +lat_1=25 +lat_2=47 +lat_0=0 +lon_0=105 " "+x_0=0 +y_0=0 +datum=WGS84 +units=m +no_defs" ) input_dir = "./raw_shp" output_dir = "./processed_shp" os.makedirs(output_dir, exist_ok=True) for fname in os.listdir(input_dir): if not fname.endswith(".shp"): continue gdf = gpd.read_file(os.path.join(input_dir, fname)) # 统一转Albers gdf_proj = gdf.to_crs(albers_crs) # 输出 out_path = os.path.join(output_dir, fname) gdf_proj.to_file(out_path, encoding="utf-8") print(f"{fname}: {len(gdf)} -> {len(gdf_proj)} 要素，已转换")

to_file的encoding="utf-8"确保.cpg文件正确声明编码，避免中文乱码。批量处理时注意磁盘空间，投影转换后的shp文件可能比原始文件大，因为坐标值位数变多了。如果原始数据有损坏的几何，to_crs会直接报错，建议先跑一遍is_valid检查。

4. 避坑与排查：shp数据加载、坐标偏移与属性乱码的5个常见问题

4.1 现象：加载后要素跑到国外，坐标值却是对的

原因：.prj文件缺失或内容错误，GIS软件默认按WGS84处理，但实际坐标是投影坐标。解决：用ogrinfo看Extent，如果X值在几百到几百万，手动指定正确的投影坐标系，或者用gpd.read_file后手动set_crs再to_crs。

4.2 现象：中文属性字段显示为乱码

原因：shp的.dbf文件默认用系统编码，Windows中文系统是GBK，跨到Linux或QGIS里按UTF-8读就乱。解决：检查.cpg文件是否存在，内容是否为UTF-8。如果没有.cpg，用gpd.read_file(path, encoding="gbk")读入，再to_file(encoding="utf-8")输出。

4.3 现象：空间连接时大量要素匹配不上

原因：两个图层的坐标系不一致，或者边界有微小偏移。解决：先to_crs统一坐标系，再用buffer(0)清理几何，最后用predicate="intersects"代替within，减少因边界接边导致的漏匹配。

4.4 现象：面积统计结果偏大或偏小

原因：在WGS84地理坐标系下直接算面积，单位是度而不是米。解决：投影到等面积投影（Albers）后再算，云南全省用+proj=aea +lat_1=25 +lat_2=47 +lon_0=105。

4.5 现象：shp文件字段名被截断

原因：shp格式限制字段名最多10个字符。解决：设计阶段就用英文缩写，如road_name、land_code、bldg_area，在文档里维护字段对照表，展示时再映射回中文。

5. 进阶用法：用渔网分割shp做格网统计与shp转3dtiles的衔接

5.1 渔网分割shp做格网统计

县域统计太粗，想看空间分布细节，用渔网分割。生成1km×1km格网，把建筑、土地利用叠上去，算每个格网的建筑密度、地类占比。

import geopandas as gpd from shapely.geometry import box import numpy as np boundary = gpd.read_file("yn_boundary_county.shp").to_crs(epsg=32648) minx, miny, maxx, maxy = boundary.total_bounds # 生成1km渔网 cell_size = 1000 cols = np.arange(minx, maxx, cell_size) rows = np.arange(miny, maxy, cell_size) cells = [box(x, y, x+cell_size, y+cell_size) for x in cols for y in rows] grid = gpd.GeoDataFrame({"geometry": cells}, crs="EPSG:32648") # 裁剪到县域范围 grid = gpd.overlay(grid, boundary, how="intersection") # 叠建筑算密度 building = gpd.read_file("yn_building_2021.shp").to_crs(epsg=32648) joined = gpd.sjoin(building, grid, how="inner", predicate="within") density = joined.groupby("index_right")["area_sqm"].sum().reset_index() grid = grid.reset_index().rename(columns={"index": "index_right"}) grid = grid.merge(density, on="index_right", how="left").fillna(0) grid["building_density"] = grid["area_sqm"] / (cell_size**2) print(grid[["building_density"]].describe())

overlay的how="intersection"把渔网裁到县域边界内，边缘格网会被切成不规则形状。sjoin把建筑落到格网，groupby汇总面积，最后除以格网面积得到密度。这套流程换成土地利用、路网密度都一样，改一下输入图层和统计字段即可。

5.2 shp转3dtiles的衔接要点

建筑shp要进三维场景，常见路径是shp→白模→3dtiles。shp里如果有层数字段，按层数拉伸高度；没有的话按默认高度或从外部数据补。坐标系必须统一到WGS84经纬度，因为3dtiles用WGS84。转换工具链一般是GDAL+Python或专门的转换软件，核心是保证建筑底面和地形贴合，不然会出现悬空或埋地。

注意：shp转3dtiles前先做几何有效性检查，自相交的面在拉伸时会生成破面，用buffer(0)修复。

5.3 我踩过的坑与固定习惯

最早做云南项目时，拿到shp直接算面积，结果和甲方手里的统计年鉴对不上，差了将近8%。排查半天才发现是WGS84下直接算的。从那以后，我的固定习惯是：拿到任何shp，先ogrinfo看范围，再to_crs转等面积投影，算完面积再转回WGS84存一份。另一个习惯是每个项目建一个field_mapping.csv，记录shp字段名和中文含义的对照，交付时一起给，省得后面扯皮。这套数据本身不复杂，复杂的是坐标系和字段的细节，把这些抠死，后面做分析、做三维、做报表都顺。希望帮到你。

本文还有配套的精品资源，点击获取