1. 空间数据整合概述
1.1 空间数据到底是什么？
聊空间数据整合之前，得先搞清楚什么叫“空间数据”。说白了，就是带地理位置的数字信息。你想想看，经纬度、地址、行政区划边界、遥感影像——这些都算。我最早做城市规划项目时，甲方给了一堆Excel里的坐标点，说这是“空间数据”。我当时就懵了：坐标没有投影信息，跟裸奔有啥区别？
空间数据在计算机里通常存成矢量和栅格两大类：
- 矢量：点、线、面，用坐标序列表示。比如建筑物轮廓、道路网络。
- 栅格：像元矩阵，每个格子存一个值。比如卫星影像、高程模型。
还有个绕不开的东西——坐标系。同一个位置，WGS84 和 CGCS2000 的坐标可能差几十米。我记得有次做灾害评估，用了两套不同坐标系的数据叠加，结果房屋和道路跑到河对岸去了。幸亏发现得早，不然报告就变成“跨界选址”了。
gdalinfo 或 QGIS 属性窗口看一眼坐标参考系统（CRS）。少看一步，后面可能白干几天。
1.2 为什么要做整合？
整合的意义其实就一条：让多源数据能放在同一张地图里讲故事。你想想看，国土部门的卫片执法数据、住建局的宗地数据、环保局的水质监测站——各管各的，彼此坐标不一样，字段命名不一样，甚至存储格式都不一样。如果不整合，分析人员得手动调坐标、转格式、梳字段，一个月出不来一张像样的图。
我做过的整合项目里，最典型的价值体现在这几个方面：
- 消除数据孤岛：不同部门的数据能互相叠加、互查。
- 提升分析精度：整合后可以做空间叠置分析、缓冲区分析，比单源数据靠谱得多。
- 支撑重复性研究：整合规范后，同样的数据流程可以复现给同行，这也是咱们这门课“复现与发表”的底层。
一句话：整合不是“把文件拖到一起”，而是建立一套从格式、坐标到语义都统一的数据桥梁。
1.3 整合路上的“坑”
项目做多了，我踩过的坑可以写一本书。这里列几个最常见的：
| 挑战 | 典型表现 | 我遇到过的实例 |
|---|---|---|
| 格式不兼容 | Shapefile vs GeoJSON vs 个人地理数据库 | 甲方给了个 ArcGIS 个人地理数据库，我这边 Linux 环境打不开，折腾了一天才转换完 |
| 坐标参考打架 | WGS84 经纬度 vs 投影坐标（UTM） | 叠加时偏移几百米，检查发现一个用了度，一个用了米，没做同态投影 |
| 数据质量参差 | 属性字段空值、几何拓扑错误、重复要素 | 某省河流数据里有 2000 条自相交线，叠加上去直接崩了 QGIS |
| 语义异构 | 同样“用地类型”，A 表叫 LAND_USE，B 表叫 landuse |
合表时字段名对不上，手工写了半小时映射脚本 |
为什么会这样？放十年前大家各管各的系统，没统一标准。现在虽然有了 OGC 规范，但落地时执行力度差得远。嗯，这里要注意——别指望数据源自己会规规矩矩，整合工作的一半精力其实花在“打扫卫生”上。
1.4 我的避坑工具箱
这几年我摸索出一套比较稳的做法。没啥神秘，就是把流程拆成四个阶段：
- 勘查摸底：拿到所有数据源，先列个清单，包括格式、大小、坐标系、字段名。我会用 Python 写个小脚本自动扫描一遍。
- 预处理流水线：统一坐标系（用
ogr2ogr批转）、修复几何错误（用ST_MakeValid）、清洗字段（重命名、填充空值）。 - 集成建库：把清洗后的数据加载到一个空间数据库（PostGIS / GeoPackage），建空间索引。
- 校验与文档：写检查脚本验证数据完整性和一致性，同时生成整合报告（什么数据、用了什么变换、舍入了多少误差）。
举个我常用的命令行例子，把 Shapefile 转成 GeoJSON 并重定义 CRS：
ogr2ogr -f "GeoJSON" output.geojson input.shp -t_srs "EPSG:4326" -lco COORDINATE_PRECISION=6这条命令我几乎每个项目都用。你想想看，一行代码搞定转换+投影+精度控制，省下来多少手动操作的时间。
-lco COORDINATE_PRECISION=6，导致坐标被截断到 2 位小数，合表后点位漂了几十米。从那以后我每次都强制设置精度，哪怕数据本来的精度更高。
关于语义异构，我习惯用 YAML 写一个字段映射表：
source:
- name: "LAND_USE"
target: "landuse"
type: string
- name: "AREA_HA"
target: "area_ha"
type: double
- name: "YEAR"
target: "year"
type: integer
然后用 Python 的 pyyaml 读取，自动做重命名字段。这么做的好处是映射关系可复现、可分享，别人看 YAML 文件就能明白你的整合逻辑。
这张图把整章的核心逻辑串起来了。你注意看，四个方向分别对应概念、挑战、意义、解决方案，最后汇聚到“可复现的整合数据”——也就是我们这门课最终要交付的东西。