企业官网建设流程全解析

做全国尺度的土壤相关分析，最头疼的往往不是模型怎么跑，而是底图数据从哪来。要么是30米精度的局部产品，覆盖范围只有几个省；要么是1公里分辨率能覆盖全国，但栅格粗到只能看个大趋势，放进小流域就完全没法用。我第一次拿到这份中国土壤厚度栅格数据（90米分辨率，2010–2018年，基于高分辨率国家土壤信息格网，全国覆盖）时，第一反应是：终于有个能用、可下载、覆盖全国的中间尺度了。这份数据不是单纯一个tif文件那么简单，它背后牵扯到分辨率、时间标签、土壤属性定义、投影坐标系、NoData处理、与其它数据对齐等一系列问题。这篇文章就把我从下载到实际使用踩过的坑、查过的文档、总结出的经验全部倒出来，给正在找土壤数据做建模、做评价、做区划的GIS和土壤领域的朋友做个参考。无论你是刚入行的研究生，还是常年处理空间数据的工程师，这份数据都值得放进工具箱。

1. 数据源深挖：高分辨率国家土壤信息格网是怎么回事

1.1 这套数据是怎么生产出来的

先说结论：这份90米栅格不是“卫星拍出来的”，也不是每年重新测一遍的结果，而是基于国家层面多年积累的土壤调查资料，经过统一的标准化、空间化建模之后生成的格网产品。

我查过的资料和相关说明里，这类产品的底层逻辑通常是这样的：首先收集历史上大量土壤剖面点数据，包含每个剖面的分层厚度、质地、有机质含量等信息。然后把这些点数据作为“真值”，再叠加一系列环境协变量，比如地形坡度、坡向、高程、气候数据、母质类型、植被指数等，用机器学习或者地统计插值的办法，建立“环境变量→土壤属性”的预测模型。最后把这个模型应用到全国连续的栅格面上，得到每个像元的土壤属性估计值。高分辨率国家土壤信息格网这个体系，大致就是沿用了国际上SoilGrids这类产品的技术路线，只不过针对我国土壤调查数据特点做了本地化适配。

这意味着什么？意味着这份数据是“预测值”，而不是“实测值”。任何一个像元上的数值，都是模型推演出来的，精度取决于输入剖面的密度、环境协变量的质量以及模型本身的设定。这个认知特别重要，因为后面很多应用场景的选择——比如能不能用于小流域、能不能用于田块尺度，都受这个底层逻辑限制。

1.2 为什么90米分辨率是“甜点分辨率”

早期我常用1公里分辨率的土壤数据做全国尺度的生态评估，说实话，够用，但总觉得“肉不够细”。换到30米分辨率的数据，问题就来了：很多30米产品覆盖范围不全，且因为模型在细尺度上噪声放大，局部会出现非常突兀的极值，反而需要花大量时间去平滑和清洗。

90米这个尺度，是个很有意思的中间值。按面积算，一个像元是90×90 = 8100平方米，约合0.0081平方公里，比1公里栅格精细了约123倍，可以支撑县域、流域、省级甚至全国尺度的分析。同时，90米又足够“钝”，能把局部噪声抹掉一部分，不像30米那样敏感。我在做东北黑土区的厚度空间分布对比时，90米数据呈现出来的空间格局既有细节，又不至于碎得没法看，直接拿去出图完全没问题。

1.3 文件组织与数据格式的行内习惯

这类全国栅格产品，常见的格式是GeoTIFF，有的可能带压缩（比如LZW压缩），数据位深一般是32位浮点型，因为土壤厚度预测值不是整数，用整型存储会损失精度。文件组织上，有的按省分幅，有的是一张全国整图。这份数据从标题看是“全国覆盖”，那大概率是整幅发布，或者至少是按大区拼接好的。

拿到手先别急着用，第一时间用GIS软件看tif文件的元数据：行列数、投影、像元大小、NoData值、数据类型。这几项不搞清楚，后面做数据处理一定翻车。我在后面第3部分会详细说这一步该怎么检查。

2. 参数逐个拆解：90米、2010-2018、全国覆盖到底意味着什么

2.1 90米栅格的空间细节量到底有多少

很多人对分辨率“90米”没概念，我做个换算你就明白了。1°经纬度大约对应111公里，一个90米像元在经纬度坐标系里大约是0.0008°×0.0008°左右。放到实际地物上，90米大概能看出较大地块的边界、山体走向、流域轮廓；再小的地物比如田块内部差异、路边的带状土壤变化，基本是看不出来的。

所以在应用时，我建议把使用尺度定为：县域以上、中小流域以上。你如果要用它做某个村庄的地块评价，那就超出数据能力了。不是说不能用，而是那像元尺度已经大于你要评价的田块尺度了，结果没有意义。做全国土壤厚度分区、省级耕地质量背景分析、大流域侵蚀风险初筛，这才是它的主场。

2.2 时间标签要读懂：不是每年都更新

这个点我必须多说一嘴，因为太多人在这上面踩坑。标题里的“2010–2018年”，指的是这份产品的生产、整合和发布周期，而不是说土壤厚度在2010到2018年之间每一年都实测了一遍。土壤厚度这个属性，短时间内不会剧烈变化，没有哪套数据能逐年更新全国尺度的土壤厚度。

这个时间标签的真实含义，大致可以理解为：数据整合的剖面资料、辅助环境变量主要来自这个时间段，模型在这个时间窗口内完成训练和输出。换句话说，你想用这个数据做2010年到2018年之间的土壤厚度动态变化分析，是做不了的。但如果你要分析的空间格局、做现状评价、做模型背景参数，完全没问题。千万不要拿这个数据去讲“这些年土壤厚度变化了多少”，那属于误用。

2.3 栅格里的“土壤厚度”是怎么定义的

土壤厚度在专业语境里不是随便一个深度值。通常指的是土体厚度，或者叫有效土层厚度，也就是从地表向下到达基岩、母质层或其它障碍层（比如永冻层、硬磐层）的深度。这份栅格数据的值域一般以厘米为单位。拿到手之后，你先看一下全图统计值，正常情况下，平原区可能在100到200厘米之间，山区石质土壤可能只有20到50厘米，水体或者冰川区域通常被设为NoData。

这里有个容易忽略的问题：不同来源的“土壤厚度”定义有细微差异，有的数据用“根系限制深度”，有的用“土体厚度”，这两个概念在大陆性土壤和山地土壤上差别还挺大。使用前建议找一下配套的说明文档，看它到底是哪种定义。如果找不到说明，就从数值分布上判断——如果山区大量低值、平原大量高值，且中间过渡自然，一般是土体厚度；如果数值普遍偏深，可能测的是根系可及深度。

3. 数据落地实操：从裸数据到可用图层

3.1 第一步永远是检查元数据，别跳步

拿到tif后，不管多着急，先打开元数据看一遍。我用QGIS和Python都做过检查，两边的路径略有不同，但核心检查项是同一组：

• 坐标系：是WGS84经纬度，还是Albers等积投影，还是UTM分带？这直接决定你后面处理的空间参考框架。
• 像元大小：是不是规整的90×90米，还是以度为单位的约0.0008度。后者在跨纬度区域会导致实际面积扭曲。
• NoData值：常见的有-9999、-3.4028235e+38、0、255，不同产品设置不同，处理时要用真实NoData值来掩膜，不能用0一刀切。
• 数据类型：uint8、int16、float32都有可能，float32较常见，因为模型预测值带小数。
• 数据范围：国标值域一般在0到300厘米左右，如果看到负值或异常大值，多半是NoData处理或边缘效应问题。

用QGIS看的话，右键图层属性里就能看到大部分信息。用Python的话，一行rasterio就能搞定。

import rasterio with rasterio.open("soil_depth_90m.tif") as src: print(src.crs) # 坐标系 print(src.transform) # 仿射变换参数，能看出像元大小 print(src.width, src.height) # 行列数 print(src.nodata) # NoData值 print(src.dtypes) # 数据类型 # 快速看基本统计 from rasterio.plot import show_hist show_hist(src, bins=50)

这一步不花几分钟，但能省掉后面一大堆排查时间。我第一次拿到类似数据时没查NoData值，直接按0处理，结果水体区域全部变成了“厚度为0的极端薄土”，画出来的图把自己吓一跳。

3.2 投影转换与重采样：对齐是分析的前提

如果你的研究区在某个省，而你手上的行政区划、气象站点、土地利用数据都是CGCS2000或者Albers投影，那这份栅格也必须统一到这个框架里。90米分辨率的数据在重采样时，我建议用双线性（bilinear）或三次卷积（cubic）方法，因为土壤厚度是连续变量，不是类别变量，最近邻法会丢掉渐变信息。

命令行里用gdalwarp很方便，QGIS里用栅格投影工具也一个效果：

gdalwarp -t_srs EPSG:3857 -tr 90 90 -r bilinear -dstnodata -9999 soil_depth_90m.tif soil_depth_3857.tif

注意这里-tr 90 90的单位是米，前提是目标坐标系是投影坐标系。如果你要转到经纬度WGS84，那-tr的单位是度，不能直接用90，那是90度，等于把全国压成一个点。跨系统的朋友最容易在这个参数上翻车，我就见过有人把-tr 0.0008 0.0008写成-tr 90 90，结果栅格拉伸成一片色块。

3.3 裁剪到研究区：行政边界还是流域边界

做地方项目，大多数情况需要把全国数据裁剪到目标区域。裁剪有两种思路：按行政区边界，按自然边界（比如流域、生态功能区）。行政边界适合做政策评估、农业区划；流域边界适合做水文模型、土壤侵蚀评价。

用QGIS的话，直接在“提取-按掩膜提取”里选你的shp边界就行。用gdalwarp同样能完成：

gdalwarp -cutline study_area.shp -crop_to_cutline -dstnodata -9999 soil_depth_90m.tif soil_depth_study.tif

这命令会自动依据矢量边界裁剪。我习惯在裁剪后再做一次统计，确认裁剪结果里有效像元的数量与边界面积预期相符。如果像元数量少了一大截，往往是边界坐标系和数据坐标系不一致，或者矢量边界存在拓扑问题，先统一坐标系再裁剪。

3.4 重分类与出图：让数据会说话

拿到连续的厚度栅格，如果要用于分区评价，通常要重分类成几个等级。国内土壤厚度分级有一套比较通用的习惯，我参考过耕地质量等级相关标准，大致可以按以下阈值划分：

在QGIS里可以用栅格计算器做重分类，也可以用Python的numpy一步到位：

import rasterio import numpy as np with rasterio.open("soil_depth_90m.tif") as src: data = src.read(1) profile = src.profile # 复制一份用于分类 classified = np.zeros_like(data, dtype=np.int8) classified[(data >= 0) & (data < 30)] = 1 classified[(data >= 30) & (data < 60)] = 2 classified[(data >= 60) & (data < 100)] = 3 classified[(data >= 100) & (data < 150)] = 4 classified[data >= 150] = 5 # 掩膜NoData classified[data == src.nodata] = -99 profile.update(dtype=np.int8, count=1, nodata=-99) with rasterio.open("soil_depth_class.tif", "w", **profile) as dst: dst.write(classified, 1)

出图的时候，用渐变色调表示连续厚度，用离散配色表示等级，两种图表达的信息不一样。连续图适合展示空间趋势，分类图适合业务决策。我一般两个都出，汇报时用分类图，论文里放连续图。

4. 把数据用起来的典型场景：不只是画一张厚度图

4.1 区域土壤碳储量估算：三位一体计算

土壤厚度是碳储量估算的关键参数。无论用哪套公式，区域土壤有机碳储量大体上都是：有机碳库 = 土壤有机碳含量（SOC浓度）× 容重 × 土层厚度 × （1 – 砾石含量）。这里有三个变量，厚度就是其中一个乘法因子。

我在东北某流域做过一次估算：用实测的SOC含量和容重作为固定参数，分别用90米厚度数据和1公里厚度数据计算碳储量。结果1公里数据算出来的总储量比90米数据高出约12%。原因很直接——1公里栅格把很多薄土层山地区域抹平了，导致厚度被系统性高估。这种差异对区域碳收支评估影响非常大，你如果用粗分辨率数据做碳中和核算，误差可能会被放大到不可接受。

4.2 土壤侵蚀敏感性评估：厚度是“可蚀存量”的指示剂

在土壤侵蚀模型里，比如RUSLE系列，厚度不直接进入方程，但做侵蚀敏感性评价时，土层厚度决定了“还能被蚀掉多少”。我把90米厚度栅格跟坡度、降雨侵蚀力、植被覆盖因子叠加做敏感性分级，得到了一个很有意思的结果：同样是高坡度区域，基岩山区由于土层薄，侵蚀后恢复潜力低，生态脆弱等级明显高于土层厚的土石山区。这个判断只能靠厚度数据来区分，单看坡度数据是会误解的。

4.3 耕地质量与作物适宜性评价：厚度是硬指标

有效土层厚度是耕地质量评价、农用地分等的必查指标。很多省份的耕地质量等级标准里，土层厚度直接占权重，而且档位划分很细。用90米数据做县域耕地质量背景分析，比用统计数据或者经验赋值靠谱得多。把一个县的耕地地块边界叠加上来，统计每个地块内厚度的均值、最小值、变异系数，能很好地反映地力空间分布。这里要注意的是，地块尺度远小于90米时，单一像元可能覆盖多个地块，要用主导像元法或者面积加权法来提取，别直接用中心点取值。

4.4 水文模型和陆面过程模型的输入参数

SWAT、VEPO、DNDC这类模型通常需要土壤剖面参数，其中就包括土层厚度。90米分辨率对中小流域来说，正好可以代表HRU或网格单元的输入值。我试过把这份数据转成SWAT的土壤输入表，过程不算复杂：先按HRU边界做分区统计，再写出对应的参数表格。如果你的研究区在数据覆盖范围内，这一步比手动查土种志高效得多。

5. 真实使用中的坑与排查技巧

5.1 常见问题速查表

下面这些坑都是我在处理过程中真实遇到过的，整理成表方便大家对照排查：

5.2 三个让数据更稳的小技巧

第一个技巧：先提点再建模型。无论做回归、随机森林还是深度学习，拿这份栅格做特征变量时，先在你自己的实测点位上提取厚度值，做一次简单的相关分析和偏差图。如果偏差有空间结构（比如东部偏高西部偏低），说明这数据在你研究区可能有系统性偏差，用的时候最好做一个回归校正。

第二个技巧：存成COG格式。全国90米栅格大概在几百MB到1GB级别，普通tif打开和做局部计算都慢。用rio cogeo或者GDAL转成COG后，按需读取会快非常多，而且Web上直接发布也方便。

gdal_translate soil_depth_90m.tif soil_depth_cog.tif -co TILED=YES -co COPY_SRC_OVERVIEWS=YES -co COMPRESS=LZW gdaladdo -r average soil_depth_cog.tif 2 4 8 16 32

第三个技巧：同类数据交叉验证。土壤厚度不是唯一能反映土层深浅的数据，你可以拿地形湿度指数（TWI）、坡度、岩性图做交叉验证。正常情况下，陡坡和裸露基岩区的厚度应该低，冲积平原和高阶地厚度应该高。如果数据和这些常识冲突，那大概率是数据源问题，尽早排查，别等分析做完再回头看。

根据我个人经验，90米分辨率、全国覆盖的土壤厚度栅格，在当下国内公开数据里算得上“刚需级别”的优秀底图。它的合理性在于尺度选得聪明：比1公里精细得多，比30米少了很多噪声和覆盖缺失，能稳稳支撑起县域到国家尺度的研究与生产任务。四五年下来，我拿它做过碳储量估算、耕地质量背景分析、侵蚀风险分区、水文模型参数化，每一次都是作为主力底图使用。只要把NoData、投影和重采样这三个基础功夫做扎实，这份数据能给你省下的时间，远比你想象的要多。