1.数据介绍

该数据来源是Esri公司基于10m哨兵影像数据，使用深度学习方法制作做的全球土地利用数据。该数据的数据精度总体精度为85%，混淆矩阵如下所示:

Esri全球土地利用数据的影像数据的分布如下所示:

但该数据只能分块进行下载，没有制作按区划数据进行归纳。因此本人下载了全球的728景影像，并利用2021年的全国行政区划数据对其进行批量裁剪，最后得到了全国各省、各市、各县的土地利用数据，最后使用镶嵌工具获得每一个地区对应的一张tif影像。

2.数据的制作

2.1 数据制作流程图

使用Python制作裁剪与镶嵌脚本，对各省数据进行归纳。其中制作流程图如下所示:

2.2 数据的筛选

按照四至范围，选择覆盖了全国的分块影像数据，并将其放入同一个文件夹中。

2.3 数据的裁剪

使用rasterio模块读取tif，使用geopandas读取矢量的各个要素，并利用rasterio的clip函数对数据进行裁剪。裁剪脚本如下所示:

#引入模块包
import os
from osgeo import gdal, gdalconst
import rasterio as rio
import rasterio.mask
import rasterio
from tqdm import tqdmdef Land_Cover(Mask_PATH,Data_path,OutPut_path):tifPaths_folder_SHENG = os.listdir(Mask_PATH)for mask_path in tqdm(tifPaths_folder_SHENG):try:#省目录Land_Cover_SHENG_PATH = os.path.join(mask_path, Mask_PATH)#获得文件中的名字SHENG_PATH=Land_Cover_SHENG_PATH+"\\"+mask_path+"\\"+mask_path+".shp"#裁剪函数City = gpd.read_file(SHENG_PATH)Land_Cover = gpd.read_file(Data_path)City=City.to_crs(Land_Cover .crs)Sheng_Land_Cover= gpd.clip(Parking_shp,City)mkdir(OutPut_path+mask_path+"_2017年土地利用数据_10米分辨率")#保存文件SHPsave_Land_Cover_path = OutPut_path + mask_path + "\\" + mask_path +"土地利用数据"+ ".tif"Sheng_Land_Cover.to_file(save_SHP_path)except:pass

2.4 数据的镶嵌

经过裁剪函数获得的数据可能有几个裁剪得到的数据，可以使用gdal模块包的Warp函数对每一个区域的数据进行镶嵌，获得该地区的一张完整的土地利用tif影像数据。镶嵌脚本如下所示:

#引入模块包
import os
from osgeo import gdal, gdalconst
import rasterio as rio
import rasterio.mask
import rasterio
from tqdm import tqdmdef mosaic_tif(tifPaths_folder)#tifPaths_folder是输入文件的文件夹路径# 循环目录for path in tqdm(tifPaths_folder):Land_Cover_SMALL_PATH = os.path.join(tifPath, path)for (pathname, dirs, files) in os.walk(Land_Cover__SMALL_PATH):son_Paths_file=files# 如果影像数量大于一if len(son_Paths_file) >= 2:Land_Cover_SMALL_PATH2=Land_Cover_SMALL_PATH+"\\"# 循环子目录，进行镶嵌#循环同一个文件下的tif文件inputFiles = []for path_small in son_Paths_file:# 每一个栅格的路径son_Paths_PATH = os.path.join(Land_Cover_SMALL_PATH2, path_small)#读取影像inputrasfile = gdal.Open(son_Paths_PATH, gdal.GA_ReadOnly)  # 读取影像inputProj = inputrasfile.GetProjection()  # 获取坐标系inputFiles.append(inputrasfile)  # 推入列表options = gdal.WarpOptions(srcSRS=inputProj,  # 输入坐标系dstSRS=inputProj,  # 输出坐标系format='GTiff',  # 图像格式resampleAlg=gdalconst.GRIORA_NearestNeighbour,  # 重采样算法，这里是双线性内插dstNodata=Nodata,  # 缺省值cutlineLayer=outline,  # 输出范围，这里可以是一个外轮廓shp数据outputType=gdalconst.GDT_Int16)  # 数据类型，这里是有符号32位整型#输出文件名outputfilePath ="输出文件夹"+"\\"+path+"_Land_Cover_"+"_10m分辨率_Esri数据集"+".tif"#写栅格gdal.Warp(outputfilePath, inputFiles, options=options)  # 图像镶嵌

2.5 数据的后处理

主要是将根据裁剪出来的文件移动到同名文件夹、为每一个文件添加说明文档以及行政区域数据。最后形成的文件夹如下所示:

3.数据展示与获取

3.1各省数据展示与获取

由于工作量非常巨大，制作不易，使用我的台式机从下载、裁剪与镶嵌一共花费了2天时间。我将下载链接放在下方:

数据获取

前往我的gzh锐多宝的地理空间，回复“20220323”

2020年全国各省、各个地级市、各县的10米分辨率的土地利用数据的制作方法与获取相关推荐

全国各省10米分辨率的土地利用数据的制作与分享
1.简介该数据来源是清华大学的宫鹏老师团队做的全球土地利用数据,但该数据只能分影像块进行下载,没有制作按区划数据进行归纳,本人使用python爬虫下载了全球共计7000景影像,并利用2021年的区划 ...
宏观经济研究：全国各省、地级市-社会融资规模增量数据（包含总额及8类明细）2013-2021年
数据来源:中国人民银行时间跨度:2013-2021年,季度数据(累计数) 区域范围:全国31省份数据字段: 31个省市社会融资规模增量数据,包含社会融资总额以及8类明细(人民币贷款.外币贷款.委托 ...
各省、地级市-2020春运期间高德地图人口迁徙数据-excel、shp格式
一. 数据价值人口流动是指人口在特定空间范围内迁徙和移动,其作为生产要素在空间上进行配置的一种活动,在一定程度上推动了社会.经济要素的重新集聚与扩散.人口流动体现了区域经济活动在空间上的变化,城市间 ...
全国285个地级市平均房价数据（2000-2021年）
根据最近的研究,中国地级市平均房价呈现出较大的差异性.以2021年为例,一线城市如北京.上海.广州和深圳的平均房价较高,分别为每平方米5万.6万.5.5万和6.5万人民币.而二线城市如南京.杭州.成都 ...
全国281个地级市工业用电量数据（2003-2016）
数据集名称:全国281个地级市工业用电量数据时间范围:2003-2016年数据来源:EPS数据库相关说明:工业用电大多使用三相电压,如三相380VAC,三相660VAC等. 工业用电与居民用电的 ...
兰大202005批次计算机基础,兰州大学2020年在全国各省分批次录取分数及计划数公布！含艺术类...
原标题:兰州大学2020年在全国各省分批次录取分数及计划数公布!含艺术类先恭喜下#兰州大学#,在第六届中国国际"互联网 "大学生创新创业大赛全国总决赛中获取了1金1银3铜的好成绩 ...
数据分析2020年全国各省分高考成绩分布情况
开始突发奇想, 想看下高考成绩的分布, 如果把每个省市的成绩划线成0-100 分会怎么样,简单的来说, 认为最高分的考了100分,最低分考了0分, 计算一下各个分数段的人数就好了, 顺便可以用这个数 ...
全国286个地级市空气颗粒物污染面板数据（2000-2018年）
数据集名称:全国地级市空气颗粒物污染面板数据单位:微克每立方米时间范围:2000-2018年数据截图: 下载链接:2000-2018年中国地级市PM2.5数据.xlsx-数据集文档类资源-CSD ...
2008年全国337个地级市GDP排名
排名地区地区生产总值增长率人口人均GDP 美元人均1万美元以上的地级市 1 克拉玛依市 ...

2020年全国各省、各个地级市、各县的10米分辨率的土地利用数据的制作方法与获取