企业官网建设流程全解析

简介：覆盖城市与农村的重庆市建筑物面数据，以shp格式提供建筑面要素及面积、人口等属性信息。数据面向GIS数据分析师、城乡规划研究者与环境工程从业者，适用于城市内涝治理、SWMM模型构建、智慧城市与碳中和背景下的下垫面分析，也可用于建筑能源建模、城乡空间规划与区域发展趋势评价。资源包共6个文件，大小约309.41MB，包含shp几何主体、dbf属性表、prj投影定义、shx空间索引、cpg字符编码和xml元数据，导入ArcGIS或QGIS即可打开建筑轮廓；dbf中记录的面积、人口字段可直接用于查询统计和空间关联分析。目前已有919人浏览学习。整体数据粒度较细，用户既能快速获取准确的建筑轮廓底图，也可结合人口字段开展灾损评估、不透水面比率计算、屋顶光伏潜力评价或子汇水区划分，为内涝模拟与可持续发展相关研究提供可靠的空间数据支撑。

1. 一份带面积和人口信息的重庆建筑面 shp，先别急着算

一份带面积字段、又挂着人口信息的重庆建筑物面数据（城市+农村 shp 格式），在 GIS 项目里属于“想用又不敢直接用”的数据。建筑面要素决定它适合做空间统计底数：城市部分能算建成区密度、容积率强度、步行圈覆盖楼栋数；农村部分能配合宅基地盘点和空心村分析。面积与人口两个属性同时出现，意味着能支撑人均建筑面积、公共设施缺口这类跨口径计算。常见做法是先把坐标系和面积单位校准，再按城市/农村分组汇总和分摊，最后导出统计表或轻量三维数据。这份数据对做国土空间规划、城市体检、应急评估和 GIS 数据处理的人都有用，下面各章把每一步的可复现命令和参数讲透。

2. 先读字段和坐标系：重庆建筑面数据的面积与人口信息怎么确认口径

2.1 打开 shp 前先看 .prj：重庆地区该用哪套投影

拿到 shp 不要直接拖进软件就算面积。一套 shp 由 .shp、.dbf、.shx、.prj 四个文件组成，其中 .prj 记录坐标系。重庆建筑面数据常见两种出处：测绘部门成果常是 CGCS2000 高斯 3 度带投影，互联网采集或开放平台整理出来的则多为 WGS84 经纬度。前者能直接量算平面面积，后者必须先做投影转换，否则面积函数返回的是“度平方”，数字完全没有现实意义。

在 QGIS 里加载后，右键图层 → 属性 → 信息面板能看到当前 CRS；命令行用 ogrinfo 更快：

ogrinfo -so chongqing_building.shp chongqing_building

-so表示只输出图层概要，不遍历全部几何；最后的图层名一般等于文件名主体。输出里重点看 Spatial Reference、Feature Count 和字段列表，坐标系名里如果出现 3-degree Gauss-Kruger，通常可以直接按投影坐标算平面面积；如果显示 EPSG:4326，后面第 3 章那步投影转换不能省。用文本编辑器直接打开 .prj 也能看到类似PROJCS["CGCS2000 / 3-degree Gauss-Kruger CM 105E"]的字符串。

重庆东西跨约 5 个经度，同一套高斯投影带覆盖不了全境，不同区县给的成果可能分属不同带。常见选型见下表：

提示：如果要做全重庆统一汇总，推荐自建一个 Albers 等积投影，中央经线取 107°E，两条标准纬线取北纬 25° 与 47°，面积误差在各区县分布更均匀。

CGCS2000 与 WGS84 的椭球差异在几十公里尺度下的平面面积误差约为十万分之一，县区级统计可以忽略。若 .prj 缺失，先在 QGIS“图层 → 设置图层 CRS”里手动指认，不要让软件用默认 4326 硬算。

2.2 用 GeoPandas 盘点字段：面积、人口、城市/农村到底叫什么名

字段名是这份数据里最需要确认的东西。shp 的 dbf 格式字段名最长 10 个字符，中文通常被转成拼音或缩写，所以不要假设它叫“面积”和“人口”。先跑一段代码把家底盘清楚：

import geopandas as gpd # encoding 参数对应 .dbf 字符集，测绘成果常见 gbk gdf = gpd.read_file("chongqing_building.shp", encoding="utf-8") print(gdf.crs) print(gdf.shape) print(gdf.columns.tolist()) print(gdf.dtypes) print(gdf.describe())

read_file的 encoding 参数控制属性表编码，读出来中文是乱码就把 utf-8 换成 gbk 重试。shape给出要素数和字段数，columns.tolist()列出全部字段名，常见命名有AREA、MJ（面积），POP、RENKOU（人口），TYPE、CZNC（城镇/农村）。describe()会打印数值型字段的 count、min、max：人口字段最大值才 20，说明是楼栋级；最大值上万，说明是村级聚合值，这个判断第 4 章还要用到。确认无误后，再决定是保留原始 shp 还是把清洗结果导出成新的 shp 文件，避免在原文件上反复改。

2.3 面积字段的两种口径：几何面积与属性面积要分开对待

属性里的面积未必等于几何面积。常见三种情况：一是按投影坐标直接算的平面面积；二是 QGIS 中$area按椭球计算的椭球面积；三是人工修正口径，比如农村图斑扣除了挑出墙体的雨棚部分。判断方法：在 QGIS 里选中一个矩形轮廓清晰的楼，用测量线工具量长宽相乘，再与属性面积对比，差 5% 以内说明几何与属性基本一致。

另一个容易踩的口径问题是“基底面积 vs 建筑面积”。建筑面要素的几何轮廓是基底，占地面积由它决定；但人口信息对应的是居住空间，高层住宅需要基底乘楼层数才能得到建筑面积。标题里同时给出面积和人口，常见处理是把面积字段先当作基底面积，再补一个楼层字段折算；若数据里没有楼层字段，第 4 章的分摊只能用基底面积，结果要备注“未含楼层系数”。

提示：如果 AREA 字段最大值只有几百，单位可能不是平方米，而是已经换算过的公顷或万平米，先统一成平方米再做任何汇总。

3. 面积重算与几何修复：重庆城市和农村建筑面的量算细节

3.1 为什么不能在 WGS84 经纬度下直接算面积

前面说 4326 下面算面积没有现实意义，这里把数值量级讲透。EPSG:4326 的几何单位是十进制度数，几何面积函数返回“平方度”。在北纬 30 度附近，1 度经度约 96 公里，1 度纬度约 111 公里，一个“平方度”接近一万平方公里量级；一栋 100 平方米的楼在这个坐标系里算出来是一串不直观的小数，既无法换算成真实平方米，也不能参与任何统计。

常见错误是算完“平方度”后乘一个固定系数修正。这个系数只在某个纬度带成立，重庆从江津到城口纬度差近 4 度，同一系数跨区县误差会被放大，项目验收时经不起抽查。正确做法是先整层重投影到 4546 或 4547，再在投影坐标系里算面积。QGIS 中对应操作是“处理工具箱 → 矢量通用 → 重投影图层”，目标 CRS 搜索框里直接输 4546；GeoPandas 里就是后面代码中的一行to_crs。

3.2 用 QGIS 字段计算器重算面积并对比原字段

打开属性表 → 字段计算器，勾选“创建新字段”，字段名填 area_m2，类型选浮点数，精度 2。表达式填：

round(area($geometry), 2)

area()返回当前工程 CRS 单位下的面积，工程 CRS 是投影坐标系时输出就是平方米。算完后新建一个偏差字段：

round("AREA" - "area_m2", 2)

按偏差字段降序排序，把偏差大的要素挑出来逐一看。如果原字段普遍比新算的大 10% 以上，检查它是不是建筑面积（已含楼层）口径；如果偏差集中在某个乡镇，多半是该区域做过一次边界修正，但属性表没有同步更新。

做全重庆市汇总时，我一般不用area($geometry)，而是用$area，并在“工程 → 选项 → 坐标与测量”把椭球体设为 GRS 80。$area按椭球计算大地面积，对跨分带、跨中央经线的要素比平面面积更接近地表真实值。两种结果的差在重庆主城区通常不到 0.1%，但东北、东南边缘县能到 0.5% 以上，出报告时要把这个口径写明。

3.3 用 GeoPandas 批量检查无效几何并重新算面积

从公开渠道整理的建筑面数据，几何拓扑问题比预想的多。常见问题是自相交、重复环和零宽度的退化面，QGIS 里显示成红色感叹号。批量处理用 GeoPandas 加 shapely：

import geopandas as gpd from shapely.validation import make_valid gdf = gpd.read_file("chongqing_building.shp", encoding="gbk") gdf = gdf.to_crs(4546) # 按数据位置选用 4546 或 4547 before = gdf.geometry.is_valid print(f"invalid: {before.sum()} / {len(gdf)}") # 只修无效要素，避免整层重写 mask = ~before gdf.loc[mask, "geometry"] = gdf.loc[mask, "geometry"].apply(make_valid) # 重算面积，单位平方米 gdf["area_m2"] = gdf.geometry.area print(gdf["area_m2"].describe()) # 按城市/农村字段分组汇总，换算成平方千米 summary = gdf.groupby("TYPE")["area_m2"].agg(["sum", "count"]) summary["sum_km2"] = summary["sum"] / 1e6 print(summary)

is_valid判断每个几何的拓扑有效性，返回布尔序列；make_valid来自 shapely.validation，会把自相交面拆成多个合法面，理论上修复后面积会略有变化。只对无效要素做修复，可以保留其余几何原样不动。groupby("TYPE")假设 TYPE 是城市/农村分类字段，如果它是 0/1 编码，先跑一遍value_counts(dropna=False)看分布再分组。

3.3.1 修复后面积异常的三个排查方向

修复后结果与原字段对不上号时，从三个方向排查。其一，修复后面积极小或为 0，说明几何退化成了线或点，这类要素用gdf[gdf.geometry.area == 0]筛出来，按原始属性决定删除还是保留占位。其二，出现面积超过 10 万平方米的“楼”，多半是多部件几何里混入了宗地边界或自然村落的残留面，按面积分位数把尾部切掉。其三，修复后面积普遍比原字段小一截，回到 2.3 节说的口径问题：原字段很可能是建筑面积，几何面积只是基底，两者本来就不该相等。

4. 城市与农村划分、人口信息粒度与面积加权分摊

4.1 先判读 TYPE 字段：城市/农村分类的三种常见编码

城市/农村分类字段看起来简单，实际拿到手常见三种编码：字符型（“城”“乡”或 C/R）、整数型（1/2）以及国土空间用地分类码（110 城镇住宅、203 村庄等）。先看分布再动手：

print(gdf["TYPE"].value_counts(dropna=False))

输出里要特别留意 NaN。空值建筑往往来自卫星影像自动解译时的漏标，处理时不要直接填成“城市”。常见做法是用区县级行政区划 shp 做空间连接：落在城镇开发边界或街道辖区内的空值补“城市”，其余补“农村”。QGIS 里的“按位置连接属性”工具可以完成这一步，GeoPandas 用sjoin。各类取值怎么处理，按下表来：

4.2 人口信息粒度体检：楼栋级还是村级决定后续算法

标题里的“人口信息”可能是楼栋级（每栋建筑一个估算常住人口），也可能是乡镇或村社级（每个村一个总量，通过行政区代码挂接）。两种数据的用法完全不同，先做粒度体检。看describe()的 max：楼栋级的 max 一般只有几十，村级总量会上千上万。再把人口按 TYPE 分组求和，与统计年鉴的区县常住人口对比，数量级吻合的是村级数据分摊下来的，逐栋有值且总量级对得上的才是楼栋级。

还要检查有没有行政区代码字段，比如 XZQH、XZQHC。有它才能安全做关联，否则只能靠空间位置判断归属。村级人口挂接的代码长这样：

import pandas as pd # pop_table 需包含 code 与 pop 两列 pop_table = pd.read_csv("village_pop.csv", dtype={"code": str}) gdf["XZQH"] = gdf["XZQH"].astype(str) merged = gdf.merge(pop_table, left_on="XZQH", right_on="code", how="left") print(merged["pop"].isna().sum())

merge的 left_on 对应建筑面里的行政区代码，right_on 对应人口表里的代码字段，用 how="left" 保留全部建筑要素。合并后出现空值说明有楼栋落在了没有人口统计的飞地或开发区，后续计算按 NaN 保留，不要直接fillna(0)，不然会让有值区域的分摊比例失真。

4.3 用面积加权把村级人口分摊到建筑面，并验证总量

当人口只在村级时，分摊的前提假设是“同一村里人均居住面积相近”。城市楼房用基底面积直接分摊不合理，要尽量折算成建筑面积，农村独栋农房则可以直接用基底面积。折算与分摊代码如下：

# 有效居住面积：农村用基底，城市按楼层折算 if "FLOOR" in merged.columns: merged["eff_area"] = merged.apply( lambda r: r["area_m2"] * r["FLOOR"] if r["TYPE"] == "城" else r["area_m2"], axis=1, ) else: merged["eff_area"] = merged["area_m2"] # 村内面积占比 merged["share"] = merged.groupby("XZQH")["eff_area"].transform( lambda s: s / s.sum() ) # 楼栋人口估算 = 村级总人口 × 面积占比 merged["pop_est"] = merged["share"] * merged["pop"]

groupby("XZQH")["eff_area"].transform把每个村内部的 eff_area 归一化到 0 到 1，得到每栋楼在该村内的面积占比；pop_est是占比乘村级总人口，量纲是“人/栋”。这一步的假设是人口密度在村内均匀，农村空心村和城市老旧小区会偏低或偏高，结果只能用于总量级评估，不能当作单栋实测值。做完后验证：merged.groupby("XZQH")["pop_est"].sum()应该能还原回村级总量；再把全市 pop_est 求和与七普常住人口对比，偏差在 20% 以内说明口径可用，超过则回查楼层字段是否缺失。

5. 三招收尾：shp 转 txt、只保留外边界线、为 3dtiles 做预处理

5.1 shp 转 txt / CSV：把属性与坐标导出来做统计

数据清洗完，下一步通常是出统计表或入数仓。shp 转 CSV 时最容易翻车的是编码和坐标：

ogr2ogr -f CSV chongqing_building.csv chongqing_building.shp \ -t_srs EPSG:4326 -lco GEOMETRY=AS_XY \ -lco WRITE_BOM=YES -lco ENCODING=UTF-8

-t_srs EPSG:4326先把坐标转成经纬度，否则 AS_XY 导出的是投影坐标下的 X/Y，单独拿出去对不上地图底图；WRITE_BOM=YES让 Excel 打开 UTF-8 文件不乱码；ENCODING=UTF-8覆盖属性字符集。只想导人口和面积时加-select AREA,POP,TYPE减少体积。反过来，如果手里是 Excel 经纬度表要生成 shp，QGIS“添加分隔文本图层”直接导入再导出即可，没必要在 ArcMap 里绕一圈。

5.2 只保留外边界线：从建筑面提取组团轮廓

建筑面数据做展示时经常只要轮廓线。单栋建筑用 QGIS“提取边界”工具即可；如果想把一个村或街道的所有建筑合并成一个组团轮廓，需要先融合再取外环，PostGIS 写法如下：

SELECT XZQH, ST_ExteriorRing((ST_Dump(ST_Union(geom))).geom) AS boundary FROM buildings GROUP BY XZQH;

ST_Union先做拓扑合并，内部共边会消掉；ST_Dump把合并后的多部件拆成单个连通块；ST_ExteriorRing只取外环，得到的就是边界线。几十万栋建筑直接 Union 会非常慢，先用 XZQH 分组控制数据规模。这一步产出的轮廓线可以用于制图晕边、计算建成区形状指标，也可以转成 KML 在移动端核对。

5.3 为 shp 转 3dtiles 做预处理

建筑面数据是三维白模的常见底料。转 3dtiles 前先保证几何有效、坐标系统一，再转 WGS84 经纬度：

ogr2ogr -f GeoJSON chongqing_building.geojson chongqing_building.shp \ -t_srs EPSG:4326 -lco RFC7946=NO

GeoJSON 对坐标精度默认保留有限位数，多边形坐标保留 7 位小数对应厘米级误差，做白模足够；RFC7946=NO是为了避免某些转换工具强制改写坐标轴方向，这个开关在调试别的地市数据时能少踩坑。转出的 GeoJSON 配高度字段或楼层字段拉伸成体块，再进入三维管线生成 3dtiles。收尾验证：加载进场景后随机挑 10 栋楼，对比影像底图的位置和轮廓重合度，偏差超过一个楼宽就回头查坐标转换那一步，而不是怀疑渲染引擎。

本文还有配套的精品资源，点击获取