简介这份2022年广州建筑轮廓GIS数据面向城市规划、建筑设计、土地利用及环境分析等领域的从业者与研究者提供覆盖广州全域的建筑物矢量轮廓信息。资源包共6个文件约80.59MB以shp矢量主文件为核心配套dbf属性表、prj空间参考、shx索引、cpg编码及xml元数据完整构成可直接在ArcGIS、QGIS等软件中加载分析的数据集。数据记录了建筑物的几何形状、位置及高度、用途、年代等属性可用于城市空间结构研究、日照与噪音环境影响评估、交通流量预测、市政设施规划以及历史建筑保护范围划定等场景。目前已有610人学习下载适合需要真实城市尺度的GIS数据开展空间分析、课程设计或项目验证的读者帮助快速搭建研究底图并支撑决策分析。1. 广州建筑轮廓GIS数据到底能拿来做什么如果你手头只有一份行政区划底图却要回答“珠江新城哪几个街区容积率最高”“老城区骑楼街巷的建筑密度到底有多夸张”光靠路网和POI是撑不起来的。2022年广州建筑轮廓GIS数据本质是一份把每栋建筑的外轮廓画成多边形、并挂上少量属性的矢量数据集常见格式是Shapefile或GeoJSON坐标系多为CGCS2000或WGS84。它解决的是“建筑在哪里、占地多大、什么形状”这三个基础问题适合做城市更新前期摸底、日照与通风模拟的底图、商业选址的密度分析以及GIS二次开发里的空间查询练习。拿到它不等于拿到楼层数和产权但作为空间骨架它比遥感影像更干净比手工描图快得多。下面按“数据长什么样→怎么读进来→怎么算指标→怎么避坑→怎么进阶”的顺序讲透。2. 先看清数据长什么样字段、坐标系与几何类型2.1 建筑轮廓数据的典型字段结构一份能用的建筑轮廓数据属性表通常不会太花哨但几个关键字段缺一不可。我见过不少网上流传的版本打开一看只有几何没有属性或者字段名是拼音缩写这种就得先做字段映射再谈分析。常见字段如下字段名类型含义是否必留OBJECTID / FID整型要素唯一编号是Shape_Area双精度多边形面积平方米建议保留Shape_Leng双精度周长米可选Height / 层数双精度/整型建筑高度或层数有则更好District文本所属行政区建议保留Source文本数据来源标记可选字段里的Shape_Area是投影坐标系下算出来的如果你把数据转成地理坐标系经纬度再读这个值会变成平方度完全没有参考意义。所以第一步永远是确认坐标系而不是急着做符号化。2.2 坐标系判断与投影转换的最小操作广州地区常见的是CGCS2000国家大地坐标系带号有EPSG:4490地理坐标和EPSG:45473度带投影中央经线114°E等。判断方法很简单看坐标数值。如果X是113开头、Y是23开头那是经纬度如果X是六位数、Y是七位数那是投影坐标。用Python的geopandas可以快速确认并转换import geopandas as gpd # 读取建筑轮廓数据注意路径不要带中文空格 gdf gpd.read_file(./guangzhou_building_2022.shp) # 打印当前坐标系和范围 print(当前CRS:, gdf.crs) print(范围:, gdf.total_bounds) # 如果是地理坐标系转为广州常用的投影坐标系 if gdf.crs and gdf.crs.is_geographic: gdf gdf.to_crs(epsg4547) # CGCS2000 3度带 114E print(转换后范围:, gdf.total_bounds) # 重新计算面积单位平方米 gdf[area_m2] gdf.geometry.area print(gdf[[area_m2]].describe())这段代码的逻辑是先读入再判断是否为地理坐标系如果是就转到投影坐标系最后用geometry.area算面积。参数上EPSG:4547对应中央经线114°E覆盖广州全域如果你只做南沙区也可以用EPSG:4548。注意to_crs会重算几何但不会自动更新原有面积字段所以必须重新算一列。这一步做完你才有资格谈“建筑密度”和“容积率”这类指标。2.3 几何有效性检查别让自相交多边形毁掉后续分析建筑轮廓数据在数字化过程中容易出现自相交、重复点、空几何等问题。直接拿去做叠加分析轻则结果偏小重则软件崩溃。用geopandas做一轮体检# 检查几何有效性 invalid gdf[~gdf.geometry.is_valid] print(无效几何数量:, len(invalid)) # 尝试修复buffer(0)是常用技巧 if len(invalid) 0: gdf[geometry] gdf.geometry.buffer(0) # 删除空几何和面积过小的碎多边形 gdf gdf[~gdf.geometry.is_empty] gdf gdf[gdf[area_m2] 10] # 小于10平米的通常是噪声 # 去重按几何WKT判断 gdf[wkt] gdf.geometry.apply(lambda g: g.wkt) gdf gdf.drop_duplicates(subsetwkt).drop(columnswkt) print(清洗后要素数:, len(gdf))buffer(0)的原理是把自相交的环重新整理成合法多边形对大多数建筑轮廓有效但会轻微改变边界。面积阈值10平米是我在广州项目里常用的经验值低于这个数基本是数字化噪声或附属棚架。去重那一步很关键有些数据版本会把同一栋楼重复采集两次不做去重直接统计建筑密度会虚高。3. 把建筑轮廓用起来密度、容积率与空间查询3.1 按行政区统计建筑密度和占地率建筑密度是建筑基底面积除以用地面积但如果你没有用地红线可以用行政区边界做近似统计。思路是把建筑轮廓与行政区面做空间连接再按区汇总面积。下面这段代码假设你已有一份广州行政区划面数据import pandas as pd # 读取行政区划 districts gpd.read_file(./guangzhou_districts.shp).to_crs(epsg4547) # 空间连接判断每栋建筑落在哪个区 joined gpd.sjoin(gdf, districts, howinner, predicatewithin) # 按区汇总建筑基底面积 summary joined.groupby(District)[area_m2].sum().reset_index() summary.columns [行政区, 建筑基底总面积_m2] # 计算各区行政区面积 districts[区面积_m2] districts.geometry.area area_table districts[[District, 区面积_m2]].copy() area_table.columns [行政区, 区面积_m2] # 合并并计算建筑密度 result pd.merge(summary, area_table, on行政区) result[建筑密度] result[建筑基底总面积_m2] / result[区面积_m2] print(result.sort_values(建筑密度, ascendingFalse))sjoin的predicate参数用within表示建筑完全落在区内如果建筑跨区可以用intersects再按面积比例分摊但那样代码会复杂不少。建筑密度这个指标对老城区特别敏感越秀、荔湾的数值通常明显高于天河、黄埔这跟骑楼密集、路网窄有关。算完之后建议用分位数看一下分布避免个别超大建筑拉偏均值。3.2 用字段计算器思路做建筑编号自动生成很多做GIS教程的读者会问“gis字段计算器自动编号”怎么实现。在QGIS或ArcGIS里字段计算器可以用表达式生成顺序号但更稳妥的做法是在Python里一次性算好避免保存时丢失。下面给建筑按面积从大到小编号# 按面积降序排列 gdf_sorted gdf.sort_values(area_m2, ascendingFalse).reset_index(dropTrue) # 生成编号格式为GZ-B-00001 gdf_sorted[bld_id] [GZ-B-{:05d}.format(i1) for i in range(len(gdf_sorted))] # 写回Shapefile或GeoJSON gdf_sorted.to_file(./guangzhou_building_2022_clean.geojson, driverGeoJSON) print(gdf_sorted[[bld_id, area_m2]].head())编号规则可以根据项目改比如按行政区前缀加序号。用Python做的好处是可复现下次数据更新重新跑一遍即可不用在字段计算器里反复调表达式。注意GeoJSON对字段名长度有限制中文字段名有时会出问题建议输出前把字段名改成英文。3.3 空间查询找出某点周边50米内的建筑商业选址或应急分析常需要“给定一个坐标查周边建筑”。用geopandas的buffer和sjoin可以快速实现from shapely.geometry import Point # 定义一个查询点例如广州塔附近 query_point Point(113.3245, 23.1065) query_gdf gpd.GeoDataFrame(geometry[query_point], crsEPSG:4326).to_crs(epsg4547) # 建立50米缓冲区 query_gdf[geometry] query_gdf.geometry.buffer(50) # 查询落在缓冲区内的建筑 nearby gpd.sjoin(gdf, query_gdf, howinner, predicateintersects) print(周边50米建筑数量:, len(nearby)) print(nearby[[bld_id, area_m2]].head())这里先把查询点从WGS84转到投影坐标系再buffer否则50米会变成50度。predicate用intersects只要建筑与缓冲区有交集就算。如果你要算“完全在50米内”改成within。这个套路可以扩展到学校、医院、地铁站的服务区分析把query_point换成设施点图层即可。4. 避坑与排查建筑轮廓数据最常见的5个翻车现场4.1 面积字段对不上投影没转就统计现象算出来的建筑总面积只有几百或者大得离谱。原因数据是经纬度坐标Shape_Area单位是平方度不是平方米。解决先to_crs到EPSG:4547或4548再用geometry.area重算不要直接信原字段。4.2 建筑轮廓重叠同一栋楼被采集两次现象地图上看着正常但按区汇总面积时数值偏高。原因数据合并时没有去重或者不同来源的楼块叠在一起。解决按几何WKT去重或者用overlay做相交检测对重叠部分做合并。我一般会先跑一遍dissolve看看合并后面积减少多少减少超过5%就说明重叠严重。4.3 坐标系误判4490当成4547用现象建筑位置整体偏移几百米或者跑到海里。原因把EPSG:4490地理坐标当成EPSG:4547投影坐标直接加载软件按数值硬套。解决看坐标范围广州纬度在22°N到24°N之间经度在112°E到114°E之间如果X是六位数才是投影坐标。不确定就用gpd.read_file后打印crs别靠猜。4.4 字段计算器编号重复排序不稳定导致现象在QGIS字段计算器里用$id或row_number编号保存后编号错乱。原因Shapefile没有固定顺序排序字段有重复值时顺序随机。解决在Python里先sort_values再生成编号或者用多个字段组合排序确保顺序唯一。4.5 大文件卡死一次性读入内存爆掉现象打开广州全域建筑轮廓时QGIS转圈Python报MemoryError。原因要素数可能上百万几何又复杂。解决用geopandas的bbox参数只读感兴趣区域或者用fiona分块读。QGIS里可以先建空间索引再按视图范围渲染。如果只是做统计用ogr2ogr先过滤出目标区别全量加载。5. 进阶用法把建筑轮廓接进自动化分析流水线5.1 用GeoPandasMatplotlib做快速出图验证数据清洗完先出一张图看看整体形态比直接进ArcGIS快得多。下面这段代码按面积分级设色能一眼看出高层建筑聚集区import matplotlib.pyplot as plt fig, ax plt.subplots(figsize(12, 12)) gdf.plot(columnarea_m2, cmapOrRd, schemequantiles, k5, linewidth0.1, edgecolorgrey, axax, legendTrue) ax.set_title(Guangzhou Building Footprint 2022 (by area)) ax.set_axis_off() plt.savefig(./building_area_map.png, dpi200, bbox_inchestight)schemequantiles把面积分成5档每档数量相近避免极值主导配色。如果要做建筑密度图可以先dissolve到网格再按网格统计面积占比。出图这一步不是为了好看而是为了发现异常——比如某片区域突然没有建筑很可能是数据缺失或坐标偏移。5.2 导出为轻量格式供前端或二次开发使用GIS二次开发添加shp数据时Shapefile的字段名限制和编码问题经常让人头疼。更稳的做法是转成GeoJSON或FlatGeobuf字段名用英文编码用UTF-8。下面用ogr2ogr做批量转换ogr2ogr -f GeoJSON \ -lco ENCODINGUTF-8 \ -select bld_id,area_m2,District \ guangzhou_building_2022.geojson \ guangzhou_building_2022_clean.shp-select只保留必要字段能显著减小文件体积。如果要做Web地图还可以用tippecanoe切成矢量瓦片但那是另一个话题了。我一般会保留一份完整Shapefile做归档再导一份精简GeoJSON给前端避免每次改样式都去动原始数据。5.3 一个我常犯的错忘了给数据留版本号最后说个血泪经验。建筑轮廓数据不是一劳永逸的2022版和2023版可能差几千栋楼。我早期做项目时文件名只写“guangzhou_building.shp”结果半年后自己都分不清哪份是哪份分析结果对不上排查了一整天。现在我的习惯是文件名带年份和坐标系例如“gz_bld_2022_epsg4547_v1.shp”同时在项目根目录放一个readme.txt写清楚数据来源、处理步骤和已知问题。这个习惯不值钱但能省下很多后悔药。希望帮到你。本文还有配套的精品资源点击获取
简介这份2022年广州建筑轮廓GIS数据面向城市规划、建筑设计、土地利用及环境分析等领域的从业者与研究者提供覆盖广州全域的建筑物矢量轮廓信息。资源包共6个文件约80.59MB以shp矢量主文件为核心配套dbf属性表、prj空间参考、shx索引、cpg编码及xml元数据完整构成可直接在ArcGIS、QGIS等软件中加载分析的数据集。数据记录了建筑物的几何形状、位置及高度、用途、年代等属性可用于城市空间结构研究、日照与噪音环境影响评估、交通流量预测、市政设施规划以及历史建筑保护范围划定等场景。目前已有610人学习下载适合需要真实城市尺度的GIS数据开展空间分析、课程设计或项目验证的读者帮助快速搭建研究底图并支撑决策分析。1. 广州建筑轮廓GIS数据到底能拿来做什么如果你手头只有一份行政区划底图却要回答“珠江新城哪几个街区容积率最高”“老城区骑楼街巷的建筑密度到底有多夸张”光靠路网和POI是撑不起来的。2022年广州建筑轮廓GIS数据本质是一份把每栋建筑的外轮廓画成多边形、并挂上少量属性的矢量数据集常见格式是Shapefile或GeoJSON坐标系多为CGCS2000或WGS84。它解决的是“建筑在哪里、占地多大、什么形状”这三个基础问题适合做城市更新前期摸底、日照与通风模拟的底图、商业选址的密度分析以及GIS二次开发里的空间查询练习。拿到它不等于拿到楼层数和产权但作为空间骨架它比遥感影像更干净比手工描图快得多。下面按“数据长什么样→怎么读进来→怎么算指标→怎么避坑→怎么进阶”的顺序讲透。2. 先看清数据长什么样字段、坐标系与几何类型2.1 建筑轮廓数据的典型字段结构一份能用的建筑轮廓数据属性表通常不会太花哨但几个关键字段缺一不可。我见过不少网上流传的版本打开一看只有几何没有属性或者字段名是拼音缩写这种就得先做字段映射再谈分析。常见字段如下字段名类型含义是否必留OBJECTID / FID整型要素唯一编号是Shape_Area双精度多边形面积平方米建议保留Shape_Leng双精度周长米可选Height / 层数双精度/整型建筑高度或层数有则更好District文本所属行政区建议保留Source文本数据来源标记可选字段里的Shape_Area是投影坐标系下算出来的如果你把数据转成地理坐标系经纬度再读这个值会变成平方度完全没有参考意义。所以第一步永远是确认坐标系而不是急着做符号化。2.2 坐标系判断与投影转换的最小操作广州地区常见的是CGCS2000国家大地坐标系带号有EPSG:4490地理坐标和EPSG:45473度带投影中央经线114°E等。判断方法很简单看坐标数值。如果X是113开头、Y是23开头那是经纬度如果X是六位数、Y是七位数那是投影坐标。用Python的geopandas可以快速确认并转换import geopandas as gpd # 读取建筑轮廓数据注意路径不要带中文空格 gdf gpd.read_file(./guangzhou_building_2022.shp) # 打印当前坐标系和范围 print(当前CRS:, gdf.crs) print(范围:, gdf.total_bounds) # 如果是地理坐标系转为广州常用的投影坐标系 if gdf.crs and gdf.crs.is_geographic: gdf gdf.to_crs(epsg4547) # CGCS2000 3度带 114E print(转换后范围:, gdf.total_bounds) # 重新计算面积单位平方米 gdf[area_m2] gdf.geometry.area print(gdf[[area_m2]].describe())这段代码的逻辑是先读入再判断是否为地理坐标系如果是就转到投影坐标系最后用geometry.area算面积。参数上EPSG:4547对应中央经线114°E覆盖广州全域如果你只做南沙区也可以用EPSG:4548。注意to_crs会重算几何但不会自动更新原有面积字段所以必须重新算一列。这一步做完你才有资格谈“建筑密度”和“容积率”这类指标。2.3 几何有效性检查别让自相交多边形毁掉后续分析建筑轮廓数据在数字化过程中容易出现自相交、重复点、空几何等问题。直接拿去做叠加分析轻则结果偏小重则软件崩溃。用geopandas做一轮体检# 检查几何有效性 invalid gdf[~gdf.geometry.is_valid] print(无效几何数量:, len(invalid)) # 尝试修复buffer(0)是常用技巧 if len(invalid) 0: gdf[geometry] gdf.geometry.buffer(0) # 删除空几何和面积过小的碎多边形 gdf gdf[~gdf.geometry.is_empty] gdf gdf[gdf[area_m2] 10] # 小于10平米的通常是噪声 # 去重按几何WKT判断 gdf[wkt] gdf.geometry.apply(lambda g: g.wkt) gdf gdf.drop_duplicates(subsetwkt).drop(columnswkt) print(清洗后要素数:, len(gdf))buffer(0)的原理是把自相交的环重新整理成合法多边形对大多数建筑轮廓有效但会轻微改变边界。面积阈值10平米是我在广州项目里常用的经验值低于这个数基本是数字化噪声或附属棚架。去重那一步很关键有些数据版本会把同一栋楼重复采集两次不做去重直接统计建筑密度会虚高。3. 把建筑轮廓用起来密度、容积率与空间查询3.1 按行政区统计建筑密度和占地率建筑密度是建筑基底面积除以用地面积但如果你没有用地红线可以用行政区边界做近似统计。思路是把建筑轮廓与行政区面做空间连接再按区汇总面积。下面这段代码假设你已有一份广州行政区划面数据import pandas as pd # 读取行政区划 districts gpd.read_file(./guangzhou_districts.shp).to_crs(epsg4547) # 空间连接判断每栋建筑落在哪个区 joined gpd.sjoin(gdf, districts, howinner, predicatewithin) # 按区汇总建筑基底面积 summary joined.groupby(District)[area_m2].sum().reset_index() summary.columns [行政区, 建筑基底总面积_m2] # 计算各区行政区面积 districts[区面积_m2] districts.geometry.area area_table districts[[District, 区面积_m2]].copy() area_table.columns [行政区, 区面积_m2] # 合并并计算建筑密度 result pd.merge(summary, area_table, on行政区) result[建筑密度] result[建筑基底总面积_m2] / result[区面积_m2] print(result.sort_values(建筑密度, ascendingFalse))sjoin的predicate参数用within表示建筑完全落在区内如果建筑跨区可以用intersects再按面积比例分摊但那样代码会复杂不少。建筑密度这个指标对老城区特别敏感越秀、荔湾的数值通常明显高于天河、黄埔这跟骑楼密集、路网窄有关。算完之后建议用分位数看一下分布避免个别超大建筑拉偏均值。3.2 用字段计算器思路做建筑编号自动生成很多做GIS教程的读者会问“gis字段计算器自动编号”怎么实现。在QGIS或ArcGIS里字段计算器可以用表达式生成顺序号但更稳妥的做法是在Python里一次性算好避免保存时丢失。下面给建筑按面积从大到小编号# 按面积降序排列 gdf_sorted gdf.sort_values(area_m2, ascendingFalse).reset_index(dropTrue) # 生成编号格式为GZ-B-00001 gdf_sorted[bld_id] [GZ-B-{:05d}.format(i1) for i in range(len(gdf_sorted))] # 写回Shapefile或GeoJSON gdf_sorted.to_file(./guangzhou_building_2022_clean.geojson, driverGeoJSON) print(gdf_sorted[[bld_id, area_m2]].head())编号规则可以根据项目改比如按行政区前缀加序号。用Python做的好处是可复现下次数据更新重新跑一遍即可不用在字段计算器里反复调表达式。注意GeoJSON对字段名长度有限制中文字段名有时会出问题建议输出前把字段名改成英文。3.3 空间查询找出某点周边50米内的建筑商业选址或应急分析常需要“给定一个坐标查周边建筑”。用geopandas的buffer和sjoin可以快速实现from shapely.geometry import Point # 定义一个查询点例如广州塔附近 query_point Point(113.3245, 23.1065) query_gdf gpd.GeoDataFrame(geometry[query_point], crsEPSG:4326).to_crs(epsg4547) # 建立50米缓冲区 query_gdf[geometry] query_gdf.geometry.buffer(50) # 查询落在缓冲区内的建筑 nearby gpd.sjoin(gdf, query_gdf, howinner, predicateintersects) print(周边50米建筑数量:, len(nearby)) print(nearby[[bld_id, area_m2]].head())这里先把查询点从WGS84转到投影坐标系再buffer否则50米会变成50度。predicate用intersects只要建筑与缓冲区有交集就算。如果你要算“完全在50米内”改成within。这个套路可以扩展到学校、医院、地铁站的服务区分析把query_point换成设施点图层即可。4. 避坑与排查建筑轮廓数据最常见的5个翻车现场4.1 面积字段对不上投影没转就统计现象算出来的建筑总面积只有几百或者大得离谱。原因数据是经纬度坐标Shape_Area单位是平方度不是平方米。解决先to_crs到EPSG:4547或4548再用geometry.area重算不要直接信原字段。4.2 建筑轮廓重叠同一栋楼被采集两次现象地图上看着正常但按区汇总面积时数值偏高。原因数据合并时没有去重或者不同来源的楼块叠在一起。解决按几何WKT去重或者用overlay做相交检测对重叠部分做合并。我一般会先跑一遍dissolve看看合并后面积减少多少减少超过5%就说明重叠严重。4.3 坐标系误判4490当成4547用现象建筑位置整体偏移几百米或者跑到海里。原因把EPSG:4490地理坐标当成EPSG:4547投影坐标直接加载软件按数值硬套。解决看坐标范围广州纬度在22°N到24°N之间经度在112°E到114°E之间如果X是六位数才是投影坐标。不确定就用gpd.read_file后打印crs别靠猜。4.4 字段计算器编号重复排序不稳定导致现象在QGIS字段计算器里用$id或row_number编号保存后编号错乱。原因Shapefile没有固定顺序排序字段有重复值时顺序随机。解决在Python里先sort_values再生成编号或者用多个字段组合排序确保顺序唯一。4.5 大文件卡死一次性读入内存爆掉现象打开广州全域建筑轮廓时QGIS转圈Python报MemoryError。原因要素数可能上百万几何又复杂。解决用geopandas的bbox参数只读感兴趣区域或者用fiona分块读。QGIS里可以先建空间索引再按视图范围渲染。如果只是做统计用ogr2ogr先过滤出目标区别全量加载。5. 进阶用法把建筑轮廓接进自动化分析流水线5.1 用GeoPandasMatplotlib做快速出图验证数据清洗完先出一张图看看整体形态比直接进ArcGIS快得多。下面这段代码按面积分级设色能一眼看出高层建筑聚集区import matplotlib.pyplot as plt fig, ax plt.subplots(figsize(12, 12)) gdf.plot(columnarea_m2, cmapOrRd, schemequantiles, k5, linewidth0.1, edgecolorgrey, axax, legendTrue) ax.set_title(Guangzhou Building Footprint 2022 (by area)) ax.set_axis_off() plt.savefig(./building_area_map.png, dpi200, bbox_inchestight)schemequantiles把面积分成5档每档数量相近避免极值主导配色。如果要做建筑密度图可以先dissolve到网格再按网格统计面积占比。出图这一步不是为了好看而是为了发现异常——比如某片区域突然没有建筑很可能是数据缺失或坐标偏移。5.2 导出为轻量格式供前端或二次开发使用GIS二次开发添加shp数据时Shapefile的字段名限制和编码问题经常让人头疼。更稳的做法是转成GeoJSON或FlatGeobuf字段名用英文编码用UTF-8。下面用ogr2ogr做批量转换ogr2ogr -f GeoJSON \ -lco ENCODINGUTF-8 \ -select bld_id,area_m2,District \ guangzhou_building_2022.geojson \ guangzhou_building_2022_clean.shp-select只保留必要字段能显著减小文件体积。如果要做Web地图还可以用tippecanoe切成矢量瓦片但那是另一个话题了。我一般会保留一份完整Shapefile做归档再导一份精简GeoJSON给前端避免每次改样式都去动原始数据。5.3 一个我常犯的错忘了给数据留版本号最后说个血泪经验。建筑轮廓数据不是一劳永逸的2022版和2023版可能差几千栋楼。我早期做项目时文件名只写“guangzhou_building.shp”结果半年后自己都分不清哪份是哪份分析结果对不上排查了一整天。现在我的习惯是文件名带年份和坐标系例如“gz_bld_2022_epsg4547_v1.shp”同时在项目根目录放一个readme.txt写清楚数据来源、处理步骤和已知问题。这个习惯不值钱但能省下很多后悔药。希望帮到你。本文还有配套的精品资源点击获取
