GeoMaster 地理空间技能代码示例全解析：100 个 Python / R / Julia / JavaScript 实战模板速查-平芜编程栈

GeoMaster 地理空间技能代码示例全解析：100 个 Python / R / Julia / JavaScript 实战模板速查

【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000+ scientists worldwide. 165 ready-to-use validated skills plus 100+ scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills

本指南以 scientific-agent-skills 仓库中 code-examples.md 为主体，完整收录并详解 GeoMaster 地理空间技能沉淀的 100 个代码示例，覆盖矢量/栅格核心操作、多语言（Python、R、Julia、JavaScript）实现、遥感（Sentinel-2、Landsat、SAR）、空间机器学习、网络分析、地形水文分析与完整端到端工作流。读者阅读后可直接按分类复制运行，快速搭建从数据读取、处理、分析到可视化与机器学习分类的完整地理空间处理管线，并理解每个 API 背后的坐标系统与性能最佳实践。

背景：GeoMaster 与示例库的定位

GeoMaster 是一个面向 GIS、遥感、空间分析与地学机器学习的综合技能（Skill），主文档 SKILL.md 声明其覆盖 70+ 主题，并提供 8 种编程语言（Python、R、Julia、JavaScript、C++、Java、Go、Rust）的 500+ 代码示例。README.md 进一步将其组织为 70+ 章节、300+ 地理空间库与工具，横跨遥感、GIS、空间统计与地球观测 ML/AI 四大领域。

本文解析的 code-examples.md 正是这套示例体系的核心清单：按"分类 × 语言"编排，从最基础的矢量/栅格读写到完整的土地覆盖分类、洪水制图、地形分析工作流，再到空间统计、插值、水文提取等高级主题。它同时与仓库内其他参考文档相互呼应：

坐标系统理论见 coordinate-systems.md；
底层库原理见 core-libraries.md；
遥感处理专篇见 remote-sensing.md；
空间机器学习见 machine-learning.md；
多语言生态见 programming-languages.md。

运行环境准备

在运行下述示例前，先按 SKILL.md 的安装指引搭好环境。核心 Python 栈建议使用 conda-forge 安装（GDAL 等二进制依赖在 conda 下最稳妥）：

# Core Python stack（conda 推荐） conda install -c conda-forge gdal rasterio fiona shapely pyproj geopandas # 遥感与 ML uv pip install rsgislib torchgeo earthengine-api uv pip install scikit-learn xgboost torch-geometric # 网络与可视化 uv pip install osmnx networkx folium keplergl uv pip install cartopy contextily mapclassify # 大数据与云原生 uv pip install xarray rioxarray dask-geopandas uv pip install pystac-client planetary-computer # 点云 uv pip install laspy pylas open3d pdal # 空间数据库 conda install -c conda-forge postgis spatialite

示例中还会用到rtree、rasterstats、geopy、scipy、sklearn、pykrige、skgstat、esda、libpysal、richdem、mercantile、Pillow等，可按需pip install。所有与面积、距离、缓冲区相关的运算都必须先转到投影坐标系（如 UTM），这是示例反复强调的核心约束。

一、Python 核心操作：矢量数据

GeoPandas 是矢量数据的主力接口，底层封装 Fiona（I/O）与 Shapely（几何运算）。以下 10 个操作构成日常 GIS 处理的原子能力。

1-3. 读取三种主流矢量格式

import geopandas as gpd # 1. Read GeoJSON gdf = gpd.read_file('data.geojson') # 2. Read Shapefile（中文属性建议显式指定编码） gdf = gpd.read_file('data.shp') # 3. Read GeoPackage（可指定图层） gdf = gpd.read_file('data.gpkg', layer='layer_name')

读取后第一件事是检查gdf.crs。如为None，需用gdf.set_crs("EPSG:4326")手动指定；多数据源叠加前务必保证 CRS 一致，coordinate-systems.md 给出了ensure_same_crs辅助函数作为规范写法。

4-5. 重投影与缓冲区

# 4. Reproject（EPSG:32633 为 UTM Zone 33N，米制） gdf_utm = gdf.to_crs('EPSG:32633') # 5. Buffer（必须在投影坐标系下执行，单位是米） gdf['buffer_1km'] = gdf.geometry.buffer(1000)

关键约束：在 EPSG:4326（经纬度）下直接buffer(1000)表示 1000 度，结果完全错误。规范做法是先gdf.to_crs(gdf.estimate_utm_crs())再缓冲。estimate_utm_crs()会根据数据范围自动推断最合适的 UTM 分区（参见 coordinate-systems.md 的自动检测章节）。

6. 空间连接（Spatial Join）

# 6. Spatial join（how 决定保留哪些记录，predicate 决定空间关系） joined = gpd.sjoin(points, polygons, how='inner', predicate='within')

predicate可选'intersects'、'within'、'contains'、'touches'、'crosses'、'overlaps'等；how='inner'只保留空间上匹配到的记录，how='left'保留左侧全部。GeoPandas 会自动使用空间索引加速匹配（SKILL.md 性能提示称可带来 10-100 倍查询加速）。

7-8. 融合与裁剪

# 7. Dissolve（按属性字段聚合几何） dissolved = gdf.dissolve(by='category') # 8. Clip（用 mask 多边形裁剪矢量） clipped = gpd.clip(gdf, mask)

dissolve支持aggfunc参数对属性做聚合统计（如aggfunc='sum'）；gpd.clip是 0.7+ 版本提供的顶层便捷函数，等价于逐要素相交后合并。

9-10. 面积与长度计算

# 9. Calculate area（投影坐标系下单位为平方米） gdf['area_km2'] = gdf.geometry.area / 1e6 # 10. Calculate length（米 → 千米） gdf['length_km'] = gdf.geometry.length / 1000

geometry.area/geometry.length返回的结果单位取决于当前 CRS。在 EPSG:4326 下会得到"平方度/度"，因此这两行代码同样必须在投影后执行。完整的正确写法见 coordinate-systems.md 的"面积单位陷阱"一节。

二、栅格数据处理（Rasterio）

Rasterio 提供对 GDAL 更友好的 Python 接口，负责 GeoTIFF 等栅格格式的读写。以下 7 个示例覆盖栅格全生命周期。

11-13. 读取栅格、单波段与窗口读取

import rasterio # 11. Read raster（返回所有波段、元数据与 CRS） with rasterio.open('raster.tif') as src: data = src.read() profile = src.profile crs = src.crs # 12. Read single band with rasterio.open('raster.tif') as src: band1 = src.read(1) # band 从 1 开始计数 # 13. Read with window（大文件按窗口局部读取，内存友好） with rasterio.open('large.tif') as src: window = ((0, 1000), (0, 1000)) # ((row_start, row_stop), (col_start, col_stop)) subset = src.read(1, window=window)

窗口读取是处理超大影像的核心手段。SKILL.md 性能章节还提供了基于src.block_windows(1)的分块遍历模式，配合gdal.SetCacheMax(2**30)可显著提升大栅格处理效率。

14-15. 写入栅格与 NDVI 计算

# 14. Write raster（复用源 profile 保证元数据一致） with rasterio.open('output.tif', 'w', **profile) as dst: dst.write(data) # 15. Calculate NDVI（Sentinel-2：band4=Red, band8=NIR） red = src.read(4) nir = src.read(8) ndvi = (nir - red) / (nir + red + 1e-8) # 1e-8 防止除零

NDVI 公式即归一化植被指数，1e-8 的 epsilon 用于避免分母为零。更完整的写法可参考 SKILL.md 的 Quick Start：src.read(4).astype(float)并配合profile.update(count=1, dtype=rasterio.float32)后写出，同时处理 NaN。索引族（NDVI/EVI/SAVI/NDWI/NBR/NDBI）的批量计算实现见 remote-sensing.md。

16-17. 多边形掩膜与栅格重投影

# 16. Mask raster with polygon（crop=True 裁剪到要素范围） from rasterio.mask import mask masked, transform = mask(src, [polygon.geometry], crop=True) # 17. Reproject raster（自动计算目标变换与尺寸） from rasterio.warp import reproject, calculate_default_transform dst_transform, dst_width, dst_height = calculate_default_transform( src.crs, 'EPSG:32633', src.width, src.height, *src.bounds)

掩膜常用于按研究区 AOI 裁剪影像；calculate_default_transform根据源 CRS、目标 CRS 与边界自动推导输出仿射变换和尺寸，是栅格重投影的标准第一步。

三、可视化：从静态到交互

18-20. GeoPandas 静态制图与 Folium 交互

# 18. Static plot with GeoPandas（column 指定着色字段） gdf.plot(column='value', cmap='YlOrRd', legend=True, figsize=(12, 8)) # 19. Interactive map with Folium import folium m = folium.Map(location=[37.7, -122.4], zoom_start=12) folium.GeoJson(gdf).add_to(m) # 20. Choropleth（分级设色图，stats 为属性 DataFrame） folium.Choropleth(gdf, data=stats, columns=['id', 'value'], key_on='feature.properties.id').add_to(m)

key_on用于将外部统计表stats的字段与 GeoJSON 要素的properties.id关联，是 Choropleth 正确配色的关键。

21-25. 标记、底图与多维可视化

# 21. Add markers（逐行添加点标记） for _, row in points.iterrows(): folium.Marker([row.lat, row.lon]).add_to(m) # 22. Map with Contextily（叠加在线底图，需传入 crs） import contextily as ctx ax = gdf.plot(alpha=0.5) ctx.add_basemap(ax, crs=gdf.crs) # 23. Multi-layer map（多层叠加到同一坐标轴） import matplotlib.pyplot as plt fig, ax = plt.subplots() gdf1.plot(ax=ax, color='blue') gdf2.plot(ax=ax, color='red') # 24. 3D plot with PyDeck import pydeck as pdk pdk.Deck(layers=[pdk.Layer('ScatterplotLayer', data=df)], map_style='mapbox://styles/mapbox/dark-v9') # 25. Time series map with hvplot（支持 OSM 瓦片底图） import hvplot.geopandas gdf.hvplot(c='value', geo=True, tiles='OSM', frame_width=600)

示例 22 中crs=gdf.crs必须与底图坐标系一致（通常为 EPSG:3857，add_basemap会自动处理重投影）。示例 25 的hvplot可直接对带时间维的 GeoDataFrame 生成滑动条动画地图。

四、R 语言示例（sf 包）

R 侧的地理空间生态以sf（Simple Features）为核心。programming-languages.md 还展示了terra栅格包、ggplot2绘图与完整的 R 土地覆盖分类工作流（randomForest+caret）。以下 10 个示例与 Python 侧一一对应。

# 26. Load sf package library(sf) # 27. Read shapefile roads <- st_read("roads.shp") # 28. Read GeoJSON zones <- st_read("zones.geojson") # 29. Check CRS st_crs(roads) # 30. Reproject（32610 = UTM Zone 10N，米制） roads_utm <- st_transform(roads, 32610) # 31. Buffer（dist 单位为 CRS 单位，投影后为米） roads_buffer <- st_buffer(roads, dist = 100) # 32. Spatial join（默认 st_intersects 谓词） joined <- st_join(roads, zones, join = st_intersects) # 33. Calculate area（返回单位对象，可 /1e6 转平方千米） zones$area <- st_area(zones) # 34. Dissolve（按几何合并） dissolved <- st_union(zones) # 35. Plot plot(zones$geometry)

st_area在 R 中返回带单位的units对象（自动感知 CRS 单位），这是与 GeoPandas 的区别之一；st_transform(roads, 32610)的第二个参数可传 EPSG 数字或完整 WKT/Proj4 字符串。

五、Julia 语言示例（ArchGDAL / GeoInterface）

Julia 侧通过ArchGDAL直接绑定 GDAL，GeoInterface提供跨库统一的几何抽象（programming-languages.md 中还包含GeoStats.jl的地统计插值、克里金与模拟示例）。

# 36. Load ArchGDAL using ArchGDAL # 37. Read shapefile（do-block 自动管理资源） data = ArchGDAL.read("countries.shp") do dataset layer = dataset[1] features = [] for feature in layer push!(features, ArchGDAL.getgeom(feature)) end features end # 38. Create point using GeoInterface point = GeoInterface.Point(-122.4, 37.7) # 39. Buffer buffered = GeoInterface.buffer(point, 1000) # 40. Intersection intersection = GeoInterface.intersection(poly1, poly2)

ArchGDAL.read(f) do dataset ... end是 Julia 的资源管理惯用法，确保数据集在使用后自动关闭。GeoInterface 让同一套几何操作代码在不同几何后端（ArchGDAL、GeoJSON.jl 等）间复用。

六、JavaScript 示例（Turf.js）

Turf.js 是浏览器与 Node.js 通用的空间分析库，适合 Web 端轻量分析。programming-languages.md 还补充了 Leaflet 的 Web 地图加载、GeoJSON 图层、弹窗与圆形标记示例。以下 10 个示例覆盖常见空间操作。

// 41. Turf.js point const pt1 = turf.point([-122.4, 37.7]); // 42. Distance（默认公里，可选 miles/kilometers/degrees） const distance = turf.distance(pt1, pt2, {units: 'kilometers'}); // 43. Buffer const buffered = turf.buffer(pt1, 5, {units: 'kilometers'}); // 44. Within（点落在多边形内的集合） const ptsWithin = turf.pointsWithinPolygon(points, polygon); // 45. Bounding box const bbox = turf.bbox(feature); // 46. Area（返回平方米） const area = turf.area(polygon); // square meters // 47. Along（沿线按距离取点） const along = turf.along(line, 2, {units: 'kilometers'}); // 48. Nearest point（最近点查询） const nearest = turf.nearestPoint(pt, points); // 49. Interpolate（沿线插值） const interpolated = turf.interpolate(line, 100); // 50. Center（要素集合的几何中心） const center = turf.center(features);

注意 Turf.js 默认假设平面坐标，distance/area在低纬度小范围内足够精确，跨大洲分析时建议先投影。安装方式为npm install @turf/turf。

七、领域特定示例

遥感：Sentinel-2 NDVI 时间序列与云掩膜

以下 5 个示例基于 Google Earth Engine，展示云原生遥感处理的典型链式调用（remote-sensing.md 提供了更完整的波段指数函数族与 Landsat Collection 2 定标处理）。

import ee # 51. Sentinel-2 NDVI time series（SR = 地表反射率，HARMONIZED 为统一数据集） s2 = ee.ImageCollection('COPERNICUS/S2_SR_HARMONIZED') def add_ndvi(img): return img.addBands(img.normalizedDifference(['B8', 'B4']).rename('NDVI')) s2_ndvi = s2.map(add_ndvi) # 52. Landsat collection（LC08 = Landsat 8, C02/T1_L2 = Collection 2 Level 2） landsat = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2') landsat = landsat.filter(ee.Filter.lt('CLOUD_COVER', 20)) # 53. Cloud masking（QA60 第 10/11 位为云标志） def mask_clouds(image): qa = image.select('QA60') mask = qa.bitwiseAnd(1 << 10).eq(0) return image.updateMask(mask) # 54. Composite（中值合成去除残余云噪声） median = s2.median() # 55. Export（导出到 Google Drive，scale=10m） task = ee.batch.Export.image.toDrive(image, 'description', scale=10)

normalizedDifference(['B8', 'B4'])即 NDVI 的 EE 内置实现；map()对集合内每景影像应用函数，是 EE 批量处理的函数式范式。完整的 EE 时间序列提取流程（reduceRegion+ 构建 pandas DataFrame）见 SKILL.md 的 Google Earth Engine 章节。

机器学习：从随机森林到 CNN

# 56-58. 随机森林训练、预测与特征重要性 from sklearn.ensemble import RandomForestClassifier rf = RandomForestClassifier(n_estimators=100, max_depth=20) rf.fit(X_train, y_train) prediction = rf.predict(X_test) importances = pd.DataFrame({'feature': features, 'importance': rf.feature_importances_}) # 59-60. CNN 模型定义与训练循环 import torch.nn as nn class CNN(nn.Module): def __init__(self): super().__init__() self.conv1 = nn.Conv2d(4, 32, 3) # 输入 4 波段 self.conv2 = nn.Conv2d(32, 64, 3) self.fc = nn.Linear(64 * 28 * 28, 10) # 输出 10 类 for epoch in range(epochs): outputs = model(images) loss = criterion(outputs, labels) loss.backward() optimizer.step()

machine-learning.md 对这块做了大幅深化：随机森林的完整版本含train_test_split、分层采样、class_weight='balanced'与分类报告评估；CNN 扩展为带BatchNorm2d与转置卷积解码器的 U-Net 语义分割结构；还给出图神经网络（PyTorch Geometric GCN）、Siamese 变化检测网络与 SHAP 空间可解释性实现，可直接作为进阶参考。

网络分析：OSMnx 路网

import osmnx as ox # 61. 按地名下载路网（network_type 可选 drive/walk/bike/all） G = ox.graph_from_place('City', network_type='drive') # 62. 最短路径（weight 可选 length/travel_time） route = ox.shortest_path(G, orig_node, dest_node, weight='length') # 63. 添加边属性（速度 → 通行时间） G = ox.add_edge_speeds(G) G = ox.add_edge_travel_times(G) # 64. 最近节点（坐标 → 路网节点） node = ox.distance.nearest_nodes(G, X, Y) # 65. 绘制路径 ox.plot_graph_route(G, route)

示例 63 中add_edge_speeds依据道路等级推断限速，add_edge_travel_times再由速度与长度计算通行时间，二者搭配即可将最短路径问题升级为最省时路径（SKILL.md 中的网络分析示例即以weight='travel_time'做路径规划）。

八、完整工作流

土地覆盖分类（栅格 + 矢量训练样本 + 随机森林）

# 66. Complete classification workflow def classify_imagery(image_path, training_gdf, output_path): from sklearn.ensemble import RandomForestClassifier import rasterio from rasterio.features import rasterize # Load imagery with rasterio.open(image_path) as src: image = src.read() profile = src.profile # Extract training data（用训练多边形栅格化提取样本像素） X, y = [], [] for _, row in training_gdf.iterrows(): mask = rasterize([(row.geometry, 1)], out_shape=image.shape[1:]) pixels = image[:, mask > 0].T X.extend(pixels) y.extend([row['class']] * len(pixels)) # Train rf = RandomForestClassifier(n_estimators=100) rf.fit(X, y) # Predict（整幅影像逐像素分类） image_flat = image.reshape(image.shape[0], -1).T prediction = rf.predict(image_flat) prediction = prediction.reshape(image.shape[1], image.shape[2]) # Save profile.update(dtype=rasterio.uint8, count=1) with rasterio.open(output_path, 'w', **profile) as dst: dst.write(prediction.astype(rasterio.uint8), 1)

这是遥感分类的标准范式：训练样本栅格化 → 按掩膜提取像素特征 → 随机森林拟合 → 全图预测 → 写回 GeoTIFF。machine-learning.md 对该工作流的完善版本额外传入了transform参数以保证栅格化坐标正确（out_shape+transform+fill=0），并加入验证集评估与特征重要性输出。

洪水制图（DEM 淹没分析）

# 67. Flood inundation from DEM def map_flood(dem_path, flood_level, output_path): import rasterio import numpy as np with rasterio.open(dem_path) as src: dem = src.read(1) profile = src.profile # Identify flooded cells（低于水位的像元即被淹没） flooded = dem < flood_level # Calculate depth（淹没深度 = 水位 - 地面高程） depth = np.where(flooded, flood_level - dem, 0) # Save with rasterio.open(output_path, 'w', **profile) as dst: dst.write(depth.astype(rasterio.float32), 1)

该示例演示了基于 DEM 的静态淹没模拟：flood_level为假定水位（单位与 DEM 高程一致），输出淹没范围与水深栅格。实际洪水研究中通常还需结合流向累积（见示例 96 的FlowAccumulation）做连通性约束。

地形分析（坡度与坡向）

# 68. Slope and aspect from DEM def terrain_analysis(dem_path): import numpy as np from scipy import ndimage with rasterio.open(dem_path) as src: dem = src.read(1) # Calculate gradients dy, dx = np.gradient(dem) # Slope in degrees（坡度角 = arctan(梯度模长)） slope = np.arctan(np.sqrt(dx**2 + dy**2)) * 180 / np.pi # Aspect（坡向，0°=北，顺时针） aspect = np.arctan2(-dy, dx) * 180 / np.pi aspect = (90 - aspect) % 360 return slope, aspect

SKILL.md 的地形分析章节在坡度/坡向基础上补充了山体阴影（hillshade）计算，代码几乎逐行对应示例 97 的公式，可作为本示例的直接延伸。

九、扩展示例（69-100）：空间统计、插值与水文分析

几何与空间关系（69-71）

# 69. Point in polygon test point.within(polygon) # 70. Nearest neighbor（BallTree 加速最近邻查询） from sklearn.neighbors import BallTree tree = BallTree(coords) distances, indices = tree.query(point) # 71. Spatial index（R-tree 批量插入几何） from rtree import index idx = index.Index() for i, geom in enumerate(geometries): idx.insert(i, geom.bounds)

示例 70-71 是空间加速的两类典型：BallTree用于点的近邻检索，R-tree（rtree库）用于几何包围盒（bounds）的快速相交预筛选，后者正是 GeoPandassindex的底层机制。

栅格进阶（72-77）

# 72. Clip raster（crop=True 裁剪到多边形范围） from rasterio.mask import mask clipped, transform = mask(src, [polygon], crop=True) # 73. Merge rasters（多幅拼接，自动统一变换） from rasterio.merge import merge merged, transform = merge([src1, src2, src3]) # 74. Reproject image from rasterio.warp import reproject reproject(source, destination, src_transform=transform, src_crs=crs) # 75. Zonal statistics（按分区统计栅格：mean/sum 等） from rasterstats import zonal_stats stats = zonal_stats(zones, raster, stats=['mean', 'sum']) # 76. Extract values at points（栅格在指定坐标处采样） from rasterio.sample import sample_gen values = list(sample_gen(src, [(x, y), (x2, y2)])) # 77. Resample raster（双线性重采样放大 2 倍） import rasterio from rasterio.enums import Resampling resampled = dst.read(out_shape=(src.height * 2, src.width * 2), resampling=Resampling.bilinear)

zonal_stats是区域统计的标准工具（返回每个分区内的均值、总和、计数等），配合sample_gen可在点位置直接采样栅格值，二者是"矢量 × 栅格"联动的高频操作。

网格与地理编码（78-83）

# 78. Create regular grid（规则格网生成） from shapely.geometry import box grid = [box(xmin, ymin, xmin+dx, ymin+dy) for xmin in np.arange(minx, maxx, dx) for ymin in np.arange(miny, maxy, dy)] # 79. Geocoding with geopy（地址 → 坐标） from geopy.geocoders import Nominatim geolocator = Nominatim(user_agent="geo_app") location = geolocator.geocode("Golden Gate Bridge") # 80. Reverse geocoding（坐标 → 地址） location = geolocator.reverse("37.8, -122.4") # 81. Calculate bearing（两点初始方位角） from geopy import distance bearing = distance.geodesic(point1, point2).initial_bearing # 82. Great circle distance（大圆距离，单位 km） from geopy.distance import geodesic d = geodesic(point1, point2).km # 83. Create bounding box from shapely.geometry import box bbox = box(minx, miny, maxx, maxy)

注意Nominatim必须提供合法user_agent，且大量请求需遵守 OSM 使用政策（限速）。

空间分布与空间统计（84-90）

# 84. Convex hull（凸包） hull = points.geometry.unary_union.convex_hull # 85. Voronoi diagram（泰森多边形） from scipy.spatial import Voronoi vor = Voronoi(coords) # 86. Kernel density estimation（核密度估计） from scipy.stats import gaussian_kde kde = gaussian_kde(points) density = kde(np.mgrid[xmin:xmax:100j, ymin:ymax:100j]) # 87. Hotspot analysis（局部 Getis-Ord G* 热点分析） from esda.getisord import G_Local g_local = G_Local(values, weights) # 88. Moran's I（全局空间自相关） from esda.moran import Moran moran = Moran(values, weights) # 89. Geary's C（另一全局自相关指标） from esda.geary import Geary geary = Geary(values, weights) # 90. Semi-variogram（半变异函数拟合） from skgstat import Variogram vario = Variogram(coords, values)

示例 87-89 使用esda（PySAL 家族）做探索性空间数据分析：Moran's I 衡量全局聚集程度，Getis-Ord G* 定位局部热点，weights为空间权重矩阵（可由libpysal.weights构建）。Variogram则为后续克里金插值提供经验变异函数。

空间插值（91-94）

# 91. Kriging（普通克里金，球状变异函数模型） from pykrige.ok import OrdinaryKriging OK = OrdinaryKriging(X, Y, Z, variogram_model='spherical') # 92. IDW interpolation（反距离加权，method 可选 linear/cubic/nearest） from scipy.interpolate import griddata grid_z = griddata(points, values, (xi, yi), method='linear') # 93. Natural neighbor interpolation（自然邻域法） from scipy.interpolate import NearestNDInterpolator interp = NearestNDInterpolator(points, values) # 94. Spline interpolation（径向基函数样条） from scipy.interpolate import Rbf rbf = Rbf(x, y, z, function='multiquadric')

四种插值各有适用场景：克里金带误差估计且需变异函数模型；IDW 简单快速但对参数敏感；NearestNDInterpolator即自然邻域思想的离散近似；RBF 适合平滑连续场。Julia 侧的克里金与模拟实现见 programming-languages.md 的 GeoStats.jl 示例。

水文与地形渲染（95-100）

# 95. Watershed delineation（流域分割，标记 + 分水岭算法） from scipy.ndimage import label, watershed markers = label(local_minima) labels = watershed(elevation, markers) # 96. Stream extraction（流向累积提取河网） import richdem as rd rd.FillDepressions(dem, in_place=True) # 填洼 flow = rd.FlowAccumulation(dem, method='D8') # D8 流向累积 streams = flow > 1000 # 阈值提取河网 # 97. Hillshade（山体阴影公式，alt 为太阳高度角、az 为方位角） from scipy import ndimage hillshade = np.sin(alt) * np.sin(slope) + np.cos(alt) * np.cos(slope) * np.cos(az - aspect) # 98. Viewshed（通视分析骨架：从观测点逐角度发射视线） def viewshed(dem, observer): # Line of sight calculation visible = np.ones_like(dem, dtype=bool) for angle in np.linspace(0, 2*np.pi, 360): # Cast ray and check visibility pass return visible # 99. Shaded relief（基于 matplotlib LightSource 的立体渲染） from matplotlib.colors import LightSource ls = LightSource(azdeg=315, altdeg=45) shaded = ls.hillshade(elevation, vert_exaggeration=1) # 100. Export to web tiles（按 XYZ 瓦片切片导出） from mercantile import tiles from PIL import Image for tile in tiles(w, s, z): # Render tile pass

示例 96 是标准水文流程：填洼 → 流向累积 → 阈值提取；示例 97 与 SKILL.md 中的 hillshade 公式一致（太阳默认方位 315°、高度 45°），示例 99 则用LightSource一行实现同样效果并支持垂直夸张（vert_exaggeration）。示例 100 展示了将栅格切成 Web 墨卡托 XYZ 瓦片（Web Mercator，即 EPSG:3857）的导出思路。

十、示例库的使用策略与进阶路径

这份 100 例清单的设计遵循清晰的分层逻辑，可按需取用：

按语言选择：Python 覆盖最全（约 80 例），适合作为主力；R（sf）、Julia（ArchGDAL）、JavaScript（Turf.js）适合团队既有技术栈或 Web 端轻量分析。C++、Java、Go、Rust 的对应实现见 programming-languages.md。
按任务组装：典型的地表覆盖制图任务 = 示例 11（读栅格）+ 示例 1（读矢量样本）+ 示例 66（分类工作流）+ 示例 19（可视化）；洪水风险分析 = 示例 67（淹没模拟）+ 示例 96（河网提取）+ 示例 75（分区统计）。
始终遵守两条铁律：面积/距离/缓冲区运算前先投影（示例 4-5、9-10）；多数据源操作前校验 CRS 一致。完整 CRS 理论、UTM 分区与变换 API 见 coordinate-systems.md。

若示例运行报错，troubleshooting.md 提供了常见问题定位；想要更大规模数据与云原生流程（STAC + COG + Planetary Computer），SKILL.md 的现代云工作流章节给出了从 STAC 检索到 xarray 加载的完整链式代码。示例库的剩余部分（按语言与分类组织的 500+ 例）位于 code-examples.md 所在目录的其他参考文档中，可对照 README.md 的目录索引继续深入。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考