简介这份银川市建筑轮廓带高度属性矢量SHP数据合集面向城市规划、建筑设计、GIS空间分析与环境模拟等领域的从业者及研究人员用于支撑城市天际线设计、光照与阴影分析、通风建模及灾害预防等场景。资源包共9个文件约2.7MB以shp、shx、dbf、prj等Shapefile核心组件为主分别承载几何轮廓、索引、属性表与WGS84投影信息另附cpg、sbn、sbx及xml元数据文件便于在ArcGIS等软件中直接导入、查询与编辑。数据独立采集制作非OSM来源每栋建筑均带独立轮廓与高度属性兼容性与通用性良好。目前已有55人学习关注适合需要精确城市物理形态数据的中高级GIS用户参考使用。1. 拿到一份带高度的建筑轮廓 SHP先搞清楚它到底能干什么很多人第一次接触「银川市建筑轮廓带高度属性矢量SHP数据合集wgs84坐标系非OSM」这类数据时第一反应是把它丢进 GIS 软件里看一眼形状然后就没有然后了。真正让这份数据有价值的是「带高度属性」和「wgs84坐标系」这两个限定词——前者意味着每栋建筑的轮廓多边形上挂着层数或米制高度字段后者意味着它可以直接和 GPS 轨迹、卫星底图、在线地图瓦片对齐不需要做额外的基准转换。它解决的核心问题是在没有本地测绘成果、没有 LiDAR 点云、也拿不到规划部门内部数据的情况下快速搭出一套可用于日照分析、天际线建模、风环境 CFD 前处理、三维城市白模的基础几何。适合谁用做城市微气候模拟的研究生、做三维可视化 Demo 的前端、做应急疏散推演的工程师、以及需要批量统计容积率或建筑密度的规划从业者。但要注意这类数据不是 OSM 导出字段结构、高度语义、坐标系定义都和 OSM 那套 tagging 体系不一样直接套用 OSM 的处理脚本大概率翻车。下面按「先验证数据、再清洗字段、再落地建模」的顺序拆开讲。2. 先验证再动手SHP 字段结构、坐标系与高度语义的核对方法拿到压缩包解压后你会看到一组同名文件.shp、.shx、.dbf、.prj可能还有.cpg。这四个是 ESRI Shapefile 的最小集合缺一个都打不开。很多人只复制.shp就发给同事结果对方打开是空图层——这是最经典的血泪经验。先别急着写代码用命令行把元数据摸清楚比在 GUI 里点来点去可靠得多。2.1 用 ogrinfo 一次性看清图层名、要素数和字段类型GDAL 的ogrinfo是验证 SHP 的第一把工具不需要打开桌面软件输出直接可读。# 查看图层概要图层名、几何类型、要素数量、坐标系 ogrinfo -so -al yinchuan_buildings.shp # 只看字段定义确认高度字段叫什么、是整数还是浮点 ogrinfo -so -al yinchuan_buildings.shp | grep -A 30 Layer name-so表示 summary only不输出每个要素-al表示所有图层。输出里重点看三处Geometry: Polygon确认是面不是线Feature Count确认数量级是否符合预期银川主城区建筑通常几万到几十万条Layer SRS WKT里是否写着WGS 84和EPSG:4326。如果.prj文件缺失ogrinfo会显示(unknown)这时候不能假设它是 wgs84必须找原始说明或做控制点比对。字段部分带高度属性的数据通常会有height、H、floors、layer、Floor这类命名。整数型字段多半是层数浮点型多半是米制高度。如果两个字段都有优先用米制高度做三维拉伸层数用来做统计校核。2.2 高度字段的三种常见语义与换算陷阱字段名示例类型常见语义换算注意heightReal建筑总高米直接用于拉伸floorsInteger地上层数乘 3.03.3 得近似高度layerInteger层数含地下需确认是否含地下否则偏高HReal檐口高度或总高看数据说明两者差女儿墙换算陷阱在于层数乘层高时住宅和商业的层高不一样住宅常见 2.83.0 米商业裙房可能 4.56 米。如果整片区域统一乘 3.0商业建筑会明显偏矮。稳妥做法是先用height字段没有再用floors乘系数并且把系数写成可配置参数方便后面调。2.3 坐标系核对wgs84 与投影坐标的混用排查wgs84 是地理坐标系单位是度直接拿来做面积计算或距离量测会得到荒谬结果。验证方法很简单from osgeo import ogr, osr ds ogr.Open(yinchuan_buildings.shp) layer ds.GetLayer(0) srs layer.GetSpatialRef() print(srs.ExportToWkt()) # 看是否是 EPSG:4326 print(srs.IsGeographic()) # True 表示单位是度如果IsGeographic()返回 True而你要算建筑面积必须先投影到合适的投影坐标系。银川位于东经 106 度附近常用 CGCS2000 3 度带第 35 带或 UTM 48N。投影后再算面积误差才能控制在可接受范围。这一步不做后面所有面积统计都是错的而且错得很隐蔽。3. 从 SHP 到可用三维模型字段清洗、高度补全与批量拉伸验证通过后数据往往还是「脏」的高度字段有空值、有 0、有异常大值多边形有自相交、有重复、有微小碎片。直接拉伸会得到一堆破面或者高度离谱的柱子。这一章按「清洗字段 → 补全高度 → 批量拉伸导出」三步走每步都给可复现的代码。3.1 用 GeoPandas 做字段体检与异常值标记GeoPandas 读 SHP 比 ogr 更顺手适合做表格化统计。import geopandas as gpd import numpy as np gdf gpd.read_file(yinchuan_buildings.shp) # 基本体检 print(要素总数:, len(gdf)) print(坐标系:, gdf.crs) print(高度字段统计:) print(gdf[height].describe()) # 标记异常空值、0、超过 300 米银川超高层极少 gdf[height_flag] ok gdf.loc[gdf[height].isna(), height_flag] null gdf.loc[gdf[height] 0, height_flag] zero gdf.loc[gdf[height] 300, height_flag] too_high print(gdf[height_flag].value_counts())describe()会给出均值、四分位数、最大最小值。如果最大值出现 9999 或 999基本是占位符要当空值处理。height_flag这一列不参与建模只用来筛选和人工抽查。标记完先别删导出成一份 CSV 对照原始 FID方便回溯。3.2 高度补全策略层数换算、邻域均值与分层回退补全顺序建议有米制高度直接用 → 没有则用层数乘系数 → 层数也没有则用同街区邻域中位数 → 最后才用全局中位数兜底。# 第一步层数换算系数按建筑类型可调 FLOOR_HEIGHT 3.0 mask_floors gdf[height].isna() gdf[floors].notna() gdf.loc[mask_floors, height] gdf.loc[mask_floors, floors] * FLOOR_HEIGHT # 第二步邻域中位数补全按 500 米网格分组 gdf[height] gdf[height].replace(0, np.nan) gdf[grid_x] (gdf.geometry.centroid.x // 0.005).astype(int) gdf[grid_y] (gdf.geometry.centroid.y // 0.005).astype(int) gdf[height] gdf.groupby([grid_x, grid_y])[height].transform( lambda s: s.fillna(s.median()) ) # 第三步全局中位数兜底 gdf[height] gdf[height].fillna(gdf[height].median())0.005 度大约对应银川纬度上 500 米左右这个网格大小可以根据建筑密度调整。邻域中位数比全局均值合理因为同一街区的建筑高度通常接近。注意centroid对凹多边形可能落在面外但用于分组足够。3.3 批量拉伸导出从二维面到三维多面体拉伸可以用 GeoPandas 配合 Shapely 手动构造也可以直接用 GDAL 的gdal_polygonize反向操作。更稳的方式是导出为 GeoJSON 后交给三维引擎处理但如果你要的是三维 SHP 或 CityGML 白模下面这段用 Shapely 构造侧面。from shapely.geometry import Polygon, MultiPolygon from shapely.ops import unary_union def extrude_footprint(poly, height): 把底面多边形拉伸成三维多面体仅几何不含纹理 if height 0: return None # 底面和顶面 base [(x, y, 0) for x, y in poly.exterior.coords] top [(x, y, height) for x, y in poly.exterior.coords] # 侧面四边形 walls [] for i in range(len(base) - 1): walls.append(Polygon([base[i], base[i1], top[i1], top[i]])) return walls # 对前 100 条做演示全量时注意内存 sample gdf.head(100) all_walls [] for _, row in sample.iterrows(): walls extrude_footprint(row.geometry, row[height]) if walls: all_walls.extend(walls) print(生成侧面数量:, len(all_walls))这段代码只生成侧面顶面和底面按需补。全量数据建议分块处理或者直接用三维引擎的extrude函数性能更好。导出时注意坐标系如果后续要在 Cesium 或 Three.js 里用保持 wgs84 经纬度加高度如果要在本地做 CFD投影到米制坐标再拉伸。4. 避坑与排查高度字段、坐标系、几何质量里最容易翻车的 5 个点这一章全是踩过的坑每条按「现象 → 原因 → 解决」写不绕弯子。现象一打开图层是空的属性表有数据但地图上什么都没有。原因只复制了.shp缺.shx或.dbf或者坐标系被误设为投影坐标而数据实际是经纬度导致显示范围跑到几千公里外。 解决确认四个同名文件齐全用ogrinfo看 SRS如果是(unknown)手动指定EPSG:4326再加载。现象二高度字段全是 0 或空但明明说是「带高度属性」。原因高度存在另一个字段里比如Floor而不是height或者数据分图层存放你打开的图层恰好没有高度。 解决用ogrinfo -al列出所有字段名逐个看统计值检查是否有多个.shp文件换图层再试。现象三拉伸后建筑高度看起来正常但整体位置偏移了几百米。原因wgs84 数据被误当成投影坐标做了平移或者投影转换时带号选错。 解决找一栋地标建筑用在线底图比对轮廓位置确认.prj内容投影转换时明确源坐标系和目标坐标系不要用「自动判断」。现象四面积统计结果大得离谱一栋楼几百万平方米。原因在经纬度坐标系下直接算面积单位是「平方度」。 解决先投影到米制坐标系再算面积银川用 CGCS2000 3 度带或 UTM 48N 均可。现象五多边形自相交导致拉伸破面三维引擎里出现黑色碎片。原因原始数据采集时边界线交叉或者多个多边形重叠。 解决用gdf.geometry.is_valid检查对无效几何做buffer(0)修复重叠部分用unary_union合并后再拉伸。注意buffer(0)是修复自相交的常用技巧但对某些极端几何会失效修复后要重新检查is_valid。5. 进阶用法用高度属性做天际线分析与体量统计的实操技巧数据清洗完、模型能拉伸之后真正拉开差距的是怎么用高度字段做分析。这里给两个具体方向天际线剖面和体量指标统计。天际线分析的核心是沿一条视线方向提取建筑顶面轮廓体量统计则是算总建筑面积、容积率、建筑密度这些规划指标。先做天际线。思路是选一条观察线比如沿某条主干道每隔 50 米取一个采样点然后在该点垂直于道路方向做剖面取剖面附近建筑的最高点。import numpy as np from shapely.geometry import LineString, Point def skyline_profile(gdf, start_point, end_point, sample_n100): 沿一条线采样返回每个采样点附近建筑的最高高度 line LineString([start_point, end_point]) distances np.linspace(0, line.length, sample_n) profile [] for d in distances: pt line.interpolate(d) # 取 30 米缓冲内的建筑 buf pt.buffer(0.0003) # 约 30 米 nearby gdf[gdf.intersects(buf)] if len(nearby) 0: profile.append(nearby[height].max()) else: profile.append(0) return distances, profile0.0003度在银川纬度约 30 米这个缓冲半径决定剖面的平滑程度太小会跳变太大会丢失细节。采样数 100 适合几百米的观察线更长的话要增加。得到 profile 后可以直接画折线图或者导出 CSV 给规划同事。再做体量统计。这一步必须在投影坐标系下做否则面积全错。# 投影到 UTM 48N银川适用 gdf_proj gdf.to_crs(epsg32648) # 单栋建筑面积底面 gdf_proj[footprint_area] gdf_proj.geometry.area # 总建筑面积估算 底面面积 × 层数或高度/层高 gdf_proj[floor_area] gdf_proj[footprint_area] * (gdf_proj[height] / 3.0) # 按网格统计容积率 gdf_proj[grid] (gdf_proj.geometry.centroid.x // 500).astype(int).astype(str) _ \ (gdf_proj.geometry.centroid.y // 500).astype(int).astype(str) stats gdf_proj.groupby(grid).agg( total_floor_area(floor_area, sum), building_count(footprint_area, count), avg_height(height, mean) ) print(stats.head())epsg:32648是 UTM 48N覆盖银川没问题。floor_area用高度除以 3.0 是粗略估算如果有层数字段直接用层数更准。按 500 米网格统计容积率时网格边界处的建筑会被归到某一格这是可接受的近似。如果要更精确用渔网和建筑做空间连接按面积加权。最后说一个我自己的习惯每次拿到新的建筑轮廓数据先抽 20 栋楼用在线地图的卫星影像比对轮廓和高度确认无误再跑全量。这个动作花不了十分钟但能避免后面几小时的返工。高度字段的语义、坐标系的定义、几何的质量这三样只要有一个不对后面全是白干。希望帮到你。本文还有配套的精品资源点击获取