数字高程模型（Digital Elevation Model)，简称DEM，是通过有限的地形高程数据实现对地面地形的数字化模拟。
这次分享的数据是全国34个省份的DEM裁剪数据，一共有6期数据。
分享的数据效果如上图所示。
首先，自己的百度云盘堆满了各种DEM数据，但都是单景，每一次使用都需要进行按区域裁剪、镶嵌。做得多也就烦了。
正好，前段时间研究了一下GDAL与Geopandas结合到一起，进行栅格的批量裁剪与转换。我就一次性地把DEM都裁剪到了省。
人数多了，就想要更多人数。
因此我写了这篇推文，阐述批量裁剪DEM的流程，以及分享各省的裁剪DEM资源。
总体思路是：DEM数据转换、按省份裁剪DEM、切片镶嵌，结果数据后处理。
首先是下载数据，数据量加在一起是60G大小。
待下载好之后，检查数据，统一所有数据格式为TIFF。例如NASA_30mDEM数据为1300张hgt格式的影像，需全部转为tiff文件，
这步使用arcgis的栅格批量转换功能。
使用python的RasterIO模块进行单景的DEM读取，使用Geooandas模块操作省份矢量裁剪。考虑到这条推文的阅读性，所有脚本代码我会在github上公开（https://github.com/KUAIDUOBAO），这里暂时只放重要的裁剪脚本：
#裁剪函数def clip(pathDir,shpdata,rasterfile): for i in tqdm(range(len(pathDir))): # 读入栅格文件 rasterfile = files_path+"\"+pathDir[i] rasterdata = rio.open(rasterfile) #获取栅格信息 profile = rasterdata.profile #标识符 note = pathDir[i] # 投影变换，使矢量数据与栅格数据投影参数一致 shpdata = shpdata.to_crs(rasterdata.crs) # 按照所有矢量进行循环裁剪 for j in range(0, len(shpdata)): try: # 获取矢量数据的features geo = shpdata.geometry[j] #获取该要素的属性信息 data_shp_name=shpdata.全称[j] #文件保存位置的文件夹 各省 data_filepath=str(data_shp_name) feature = [geo.__geo_interface__] # 通过feature裁剪栅格影像 out_image, out_transform = rio.mask.mask(rasterdata, feature, all_touched=True, crop=True, nodata=0) profile.update( height=out_image.shape[1], width=out_image.shape[2], shape=(out_image.shape[1],out_image.shape[2]), nodata=0, bounds=[], transform=out_transform, ) # 定义要创建的目录 mkpath = "目录名" # 检测目录是否存在 mkdir(mkpath) # 文件名字 name="文件名" with rasterio.open(name, mode='w', **profile) as dst: dst.write(out_image) except: pass使用上述脚本，可以得到省级行政图裁剪每一张影像后的裁剪结果。
这些影像都是按照省级轮廓裁剪后的结果，单张只能覆盖一部分区域，因此需要对所有子集影像进行镶嵌。
需要遍历34个省份的文件夹，镶嵌使用gdal库的Warp函数。
3.3 数据后处理主要是使用python脚本，对每一个省份文件夹中的结果影像进行重命名，并删除多余的切片文件。这一步需要添加一个判定函数，判定是否为镶嵌文件，
是则保留，不是则删除。
除了上述处理过程，中间也写了数个辅助脚本，用以批量归类DEM文件、多线程处理、批量删除与重命名、匹配文件等。这部分脚本我会上传到github中，不再多做介绍。
当然，进行DEM分省裁剪最大的困难从不是算法问题，而是巨大的数据量，单类全国30m的DEM数据解压后差不多40G。长时间的跑数据，我的笔记本电脑cpu真的可以烤肉了（跑数据过程中，温度长期稳定在80度）。
总得来说，工作量很大，下班后都没时间碰"云顶之弈"这个游戏了。
裁剪得到了34个省份的DEM，各有6张影像，三种30米分辨率、一种90米分辨率、一种250米分辨率以及一种1000米分辨率。总共166G文件，已经上传到百度云。
使用gdal、geopandas可以很方面地使用矢量裁剪栅格。
而针对全国的DEM数据裁剪，算法不是问题，唯一的问题是数据量很大，需要足够的算力。
考虑到我的台式电脑即将组装完毕，而它的优点就是散热能力更强。因此，在工作的闲暇之余，接下来会做：
1.使用更高精度的12.5米分辨率的ALOS PALSAR数据和15米分辨率的SRTM-X-DLR，进行一个行政区划的裁剪；
2.从34个省份的DEM裁剪，扩展到全国400个地级市、2700多个县，并进行归类。
可以前往“地信遥感数据汇”（https://www.gisrsdata.com/）获取更多数据。