中国高分辨率土壤信息网格数据实操指南：1km栅格与16项属性解析

拿到这份“中国高分辨率国家土壤信息网格基本属性数据集（2010–2018年）”的时候，我的第一反应是：终于有一套能直接用、不用自己吭哧吭哧去翻土壤普查报告的数字土壤底图了。1km栅格、16项精细属性、TIFF格式，这几个关键词往那一摆，基本就是把“科研、农业区划、环境建模都能直接上手”写在了脸上。

这数据能干什么？往大了说，你可以拿它做全国尺度的耕地质量评价、土壤侵蚀风险评估、流域水文模拟的输入参数；往小了说，哪怕你只是想快速查某个县、某条流域的土壤质地空间分布，或者给毕业论文配一张像样的土壤属性图，它都能直接顶上。适合谁来用？GIS专业的本硕博学生、做环境/农业/生态方向的研究人员、土地规划和农业相关的从业者，以及所有对栅格数据操作有一点基础、想省去数据预处理功夫的人。

这篇东西我不打算写成数据集说明书，因为官方文档里那些元信息你都能自己查到。我更想从一个实际用过它、踩过不少坑的从业者角度，把这套数据从“下载下来”到“真正敢拿它出图、做分析”的完整链路捋一遍。包括它的属性到底怎么分组、坐标系和分辨率意味着什么、在QGIS和Python里怎么快速验证数据完整性、遇到空值或范围对不齐该怎么办，这些才是真正卡住人的地方。

1. 数据摸底：这套土壤信息网格到底包含了什么

1.1 从标题拆解核心信息

先把标题里的每个关键词拆开看，这是理解数据集的捷径。

“2010–2018年”：这指的是数据的时间跨度，它不是一个时间序列的逐年数据，而是基于这个时间段内多源土壤调查与专题数据整合生成的统一底图。本质上，它反映的是这个时间段内我国土壤属性的“平均状态”或“基准状态”，做静态的空间分析完全够用。需要特别注意，它不能用来做逐年变化趋势分析，因为每个属性的时间语义并不完全一致，这一点后文会详细说。

“1km栅格”：空间分辨率是1公里。这意味着每个像元代表的实地面积约1平方公里（严格说是约0.86~1平方公里，取决于纬度）。在栅格数据里，1km属于中分辨率，它在“全国尺度快速出图”和“区域尺度宏观分析”之间找到了一个很好的平衡点。相比30弧秒（约1km）的全球数据集，它针对中国区域做了更细的本地化校正。

“16项精细属性”：这是整套数据的核心卖点。16项属性不是乱列的，它们基本覆盖了土壤肥力评价、作物生长模拟、水文模型、工程建设等领域最常用的参数。后面我会专门用一章来拆这16项属性分别是什么、怎么用、以及在应用时各自的注意事项。

“TIFF格式”：GeoTIFF，每个属性一个独立的TIFF文件，文件内嵌地理参考信息。这个选择非常实用，因为TIFF是几乎所有GIS软件和遥感处理库都能直接读取的格式，不需要额外转换。你拿到手就能拖进ArcGIS、QGIS，或者用Python的rasterio库直接读取。

1.2 数据组织方式与文件结构

这套数据集的目录组织相对规整，通常按照属性类别分成几个子文件夹，比如物理属性、化学属性等。每个子文件夹下是单独的TIFF文件，命名规则一般包含属性名称、分辨率、年份范围等信息。以我拿到的版本为例，大致是这样的结构：

soil_properties/ ├── physical/ │ ├── BD_1km_2010_2018.tif │ ├── SAND_1km_2010_2018.tif │ ├── SILT_1km_2010_2018.tif │ └── CLAY_1km_2010_2018.tif ├── chemical/ │ ├── PH_1km_2010_2018.tif │ ├── SOC_1km_2010_2018.tif │ └── TN_1km_2010_2018.tif └── thickness/ └── DEPTH_1km_2010_2018.tif

文件命名不一定完全统一，有些版本可能用大写，有些用缩写，但基本都能一眼看出是什么属性。建议你拿到数据后先做一件事：把所有TIFF文件放到同一个目录下，批量检查它们的投影信息、范围和分辨率是否完全一致。这一步看似基础，却是后续所有空间分析的地基。

2. 栅格坐标系与分辨率：为什么1km是“够用”的选择

2.1 坐标系和投影到底是什么

很多初学者拿到TIFF文件后，直接拖进软件就出图，完全不看坐标系。这在做全国尺度可视化时问题不大，但一旦涉及面积量算、距离分析或者与矢量数据叠加，坐标系不统一就会带来很大的麻烦。

这套数据集采用的是地理坐标系，也就是以经纬度为单位，参考椭球通常是WGS84或CGCS2000。每一份TIFF文件的投影信息都内嵌在文件头里，你可以随时读取。在QGIS里打开图层属性就能看到，在Python里用rasterio也能快速查询。

import rasterio dataset = rasterio.open("BD_1km_2010_2018.tif") print(dataset.crs) # 坐标系 print(dataset.transform) # 仿射变换参数 print(dataset.width, dataset.height) # 像素宽高 print(dataset.bounds) # 空间范围

这份代码可以帮你快速确认数据的“底细”。我建议拿到任何栅格数据后，第一步就做这个检查，养成习惯。很多时候数据“看起来正常”但分析结果很怪，根源就是坐标系或范围不对。

2.2 1km分辨率的使用边界

1km栅格在空间分辨率上属于中尺度。这个尺度意味着：

• 适合：全国或大区域尺度的土壤属性制图、农业气候区划、生态分区、流域水文模拟的粗略参数设置。
• 勉强可用：省级尺度的趋势分析，但需要谨慎，因为是省级但地形复杂区域，1km内土壤属性差异可能很大。
• 不适合：县域尺度内的精准农业管理、田块尺度的土壤采样设计、小流域的精细水文建模。

这也是为什么很多人在做研究时会把这类数据当作“背景图层”或“辅助数据”，而不是唯一的数据源。如果你需要更高精度的土壤数据，可以考虑结合局部地区的土壤采样点做回归克里金或随机森林降尺度，这套1km数据正好可以作为协变量使用。这也是它的一大价值所在：作为降尺度建模的基础输入。

关于“高分辨率”这个说法，很多人会质疑：1km也叫高分辨率？这里的高分辨率是相对于以往我国缺乏统一的、可公开获取的高精度土壤属性栅格而言的。过去大家常用的国外全球土壤数据集，如SoilGrids，虽然分辨率更高（250m），但它是基于全球样本的预测结果，在中国的局部精度并不理想。这套国家土壤信息网格基于国内大量土壤剖面调查数据，经过本地化建模，虽然在像元尺寸上不如250m精细，但在中国区域内的属性准确性往往更好。从这个意义上说，它是“数据质量上的高分辨率”，不只是“像素上的高分辨率”。

2.3 栅格代数运算前的必修课：确保像元对齐

做栅格分析时，最让人头疼的问题之一就是不同栅格数据之间的像元没有对齐。如果你想把土壤有机碳含量和黏粒含量做叠加分析，但两个栅格的原点坐标、像元大小或范围不一样，计算出来的结果就是错的。

这套数据集的16个属性在理想情况下应该保持完全一致的网格定义。但如果你是从不同渠道整合的数据，或者其中某个文件被重采样过，就可能出现细微偏差。因此，遇到“两个栅格与网格原点、范围、分辨率逐格对应”问题的时候，我建议直接用下面的方法检查：

import rasterio files = ["BD_1km_2010_2018.tif", "SOC_1km_2010_2018.tif"] for f in files: with rasterio.open(f) as src: print(f) print("CRS:", src.crs) print("Transform:", src.transform) print("Size:", src.width, src.height)

如果发现两个文件的分辨率或范围不一致，就要做重采样。常用的做法是统一到一个参考文件上：

import rasterio from rasterio.warp import reproject, Resampling with rasterio.open("BD_1km_2010_2018.tif") as ref: transform = ref.transform crs = ref.crs width = ref.width height = ref.height profile = ref.profile with rasterio.open("SOC_1km_2010_2018.tif") as src: data = src.read(1) with rasterio.open("SOC_aligned.tif", "w", **profile) as dst: dst.write(data, 1)

这段代码的实质是用容重文件的网格定义作为标准，把有机碳文件重采样到完全一致的网格上。这一步做完，后续的栅格计算器、地图代数操作才真正可靠。

3. 16项精细属性逐一拆解：不只是知道名字，还要知道怎么用

3.1 物理属性组：密度与质地

16项属性里，物理属性组的出场率最高，因为它们直接决定了土壤的通气、透水、保水保肥能力。

容重（Bulk Density，单位g/cm³），也叫土壤密度。它的核心用途有三个：一是计算土壤碳储量，公式是“有机碳含量 × 容重 × 土层厚度”，没有容重数据你就没法算储量；二是判断土壤紧实程度，容重过大说明土壤通透性差，作物根系生长受限；三是作为水文模型的输入参数，它直接影响土壤饱和导水率计算。

质地三剑客是砂粒（Sand）、粉粒（Silt）、黏粒（Clay），单位是百分比（%）。这三个属性必须组合起来看，单独看任何一个都没有意义。它们共同决定了土壤质地类型，比如砂质土、壤土、黏土，进而影响农业适宜性评价、土壤侵蚀敏感性分析和渗透速率估算。在使用时，你需要检查同一像元上三者之和是否约等于100，这是数据质量检查的常用方法。

3.2 化学属性组：肥力核心指标

化学属性组在农业和生态研究中非常重要，也是16项属性里相当大的一部分。

pH值是土壤酸碱度的直接指标，和作物适宜性、重金属有效性、微生物活性都密切相关。但这里要注意，用栅格数据做pH分析时，一个像元代表1km²范围内的平均值。在这个范围内，实际pH值可能因为局部地形、施肥等因素存在较大波动，所以做精细管理时只能作为参考。

**有机碳（SOC，单位g/kg或%）**是最常用的土壤质量指标，也是全球碳循环研究的焦点。它能反映土壤肥力水平，是评估土壤固碳潜力的核心参数。使用时它的单位很容易搞错，有的是g/kg，有的是%，要看清楚元数据说明。这看起来是个小问题，但栽跟头的人不少。

全氮（TN，单位g/kg）、全磷（TP，单位g/kg）、全钾（TK，单位g/kg），这三个是土壤养分的基础指标。对于大尺度农业区划和土壤肥力评价，它们是必备参数。不过需要注意的是，“全量”不等于“有效态”，全磷很高的土壤，有效磷未必充足，因为磷容易被固定。所以在做作物养分管理时，全量数据更适合做背景参考，不能直接指导施肥。

3.3 厚度与深度信息：经常被忽视的性质

**土壤厚度或土层深度（单位cm）**是16项属性里极为重要却容易被忽视的一项。它代表的是土壤剖面的有效深度，直接决定了土壤的蓄水容量、根系可延伸深度和工程承载力。

在水文模型中，土壤深度是一个关键参数；在滑坡灾害评估中，土层厚度决定了浅层滑坡的滑动面位置；在农业评价中，有效土层厚度是耕地质量等级划分的重要指标。所以千万别因为它名字朴素就轻视它，有时候整个分析结果的成败就系于此属性。

3.4 16项属性的分组速查表

这张表只是一个框架，因为不同发布版本的16项属性在具体构成上可能会略有差异，有的会包含阳离子交换量（CEC）、土壤盐分、砾石含量等。拿到数据后，我建议你花十分钟把所有TIFF的波段说明读一遍，把每个文件的单位、数据类型、有效值范围整理成一张自己的属性速查表。这份自制的元数据表，在写论文方法和做数据质控时能省下大量时间。

4. 实操全流程：从打开TIFF到出图的全过程

4.1 在QGIS中快速加载与可视化

QGIS是一个免费开源软件，在GIS圈子里早已不是小众选择。用它打开这套TIFF数据非常简单：直接把文件拖进QGIS窗口即可。加载后默认会用灰度渐变显示，配色往往不适合直接出图。

我建议的操作流程是：

1. 右键图层，选择“属性”，进入“符号化”选项卡。
2. 将渲染类型改为“单波段伪彩色”。
3. 颜色渐变选择“RdYlBu”（红黄蓝）或“Spectral”，这是一个在土壤属性可视化中视觉效果较好的方案。
4. 在“色带”选项卡里，根据属性的分布范围设置最小值和最大值。通常可以勾选“拉伸到当前数据集范围”或“最小/最大”，并选择2%裁剪，避免个别极端值压扁整体色阶。
5. 设置颜色分类数，一般5到8类就足够，太多反而难读。

完成之后，再添加一个行政区划边界矢量图层做叠加，一张可以放进汇报PPT或论文中的初步专题图基本就出来了。

4.2 理解栅格数值背后的统计意义

在开始任何分析之前，需要先花几分钟理解你正在处理的栅格数据的数值分布。这里有一个快速的操作：在QGIS的图层属性里查看“直方图”选项卡，或者用Python的numpy做描述性统计。

import rasterio import numpy as np with rasterio.open("SOC_1km_2010_2018.tif") as src: data = src.read(1) # 注意：栅格中常包含NoData值，它通常以极大或极小的特殊值表示 valid = data[data > 0] # 根据实际情况调整过滤条件 print("Min:", np.nanmin(valid)) print("Max:", np.nanmax(valid)) print("Mean:", np.nanmean(valid)) print("Std:", np.nanstd(valid)) print("NoData值:", src.nodata)

这里的逻辑很简单：先了解数值范围，确认NoData的填充值，再做统计。这一步能帮你提前发现数据是否正常、单位是否正确、是否有异常离群值。

4.3 栅格重分类与栅格转面的实用场景

在实际应用中，你可能需要把连续的土壤属性栅格变成分级后的结果。比如，做土壤有机碳储量等级评价时，要把连续的有机碳含量分为“低、中、高”三个等级。这时候就用到了栅格重分类。

在QGIS中，可以用“栅格计算器”（Raster Calculator）实现简单的分级。例如，把有机碳含量划分为3级：

("SOC_1km_2010_2018.tif" <= 10) * 1 + (("SOC_1km_2010_2018.tif" > 10) AND ("SOC_1km_2010_2018.tif" <= 20)) * 2 + ("SOC_1km_2010_2018.tif" > 20) * 3

这种计算结果的输出是等级值为1、2、3的分类栅格。如果你需要把结果转成面要素，比如统计各等级的面积，就需要用到“栅格转面”（Polygonize）功能。

栅格转面在QGIS里的具体路径是：工具箱 → “栅格转换” → “栅格化（矢量转换为栅格）”的反向操作，通常在“矢量化”或“栅格工具”下找到“栅格转面”。转换后需要做两件事：一是检查每个等级的像元数量，乘以像元面积得到各等级的面积统计；二是在转面结果上添加一个面积字段，但QGIS默认生成的面积字段单位是平方度或其他地图单位，需要手动计算实际面积。

如果直接用“栅格计算器”中的$area或字段计算器的“面积”计算，可能得到的是投影坐标系下的平方米。因为数据是地理坐标系的，所以最好先投影到等积投影（如Albers等积圆锥投影）再做面积统计。这也是实操中容易忽略但影响结果严谨性的细节。

4.4 Python批量处理：一次搞定16个图层

当需要批量处理16个属性时，再在QGIS里手动操作就很痛苦了。Python是更高效的选择。这里给出一个批量读取、统计并输出摘要信息的模板。

import rasterio import numpy as np import pandas as pd files = [ "BD_1km_2010_2018.tif", "SAND_1km_2010_2018.tif", "SILT_1km_2010_2018.tif", "CLAY_1km_2010_2018.tif", "SOC_1km_2010_2018.tif", # 把16个文件名都列进来 ] rows = [] for f in files: with rasterio.open(f) as src: data = src.read(1) nodata = src.nodata valid = data[data != nodata] rows.append({ "file": f, "min": float(np.nanmin(valid)), "max": float(np.nanmax(valid)), "mean": float(np.nanmean(valid)), "std": float(np.nanstd(valid)), "nodata": nodata, }) df = pd.DataFrame(rows) print(df)

用这个脚本，你能快速掌握16个属性的基本统计特征，并横向对比它们的数值范围和NoData设置。这个表可以成为你后续所有工作的重要参考，建议导出保存。

5. 常见问题与排查技巧实录

5.1 NoData值导致的“黑洞”区域

拿到数据后在QGIS中打开，你可能会发现某些区域显示为黑色、透明或明显突兀的空白。这通常不是数据缺失，而是NoData掩膜在起作用。

排查思路是：先查看栅格属性中的NoData值是多少。常见的有-9999、0、255等。如果NoData值设置不正确，就会导致有效数据被当成NoData，或者相反。

一个实操中很实用的小技巧是：如果NoData值设置得不对，可以在QGIS中通过“栅格计算器”或“平移/重投影”工具重新指定NoData值，或者在Python中用rasterio重写NoData元数据。但更推荐的做法是，先确认原始文件标注的NoData值是什么，不要把有效的小值误伤。

5.2 投影或范围不一致导致无法叠加分析

如果你发现两个栅格在QGIS中叠加时，位置明显错位，或者做栅格计算器操作时提示“范围不匹配”，这就是坐标参考或像元对齐出问题了。

排查步骤是：

1. 用前一节的Python脚本检查每个文件的CRS、Transform和Size。
2. 如果CRS不一致，用“重投影”（Warp）工具统一到同一CRS。
3. 如果CRS一致但Transform和Size不同，用“重采样”统一到同一个网格。

这里要特别提醒：在QGIS中虽然打开多个CRS不同的图层可以自动动态投影显示，看上去位置是“对齐”的，但这只是视觉上的对齐，底层数据仍然是原始坐标系。栅格计算器处理时，QGIS会对不同CRS的栅格做动态重投影，但如果你用Python或ArcGIS直接做运算，很可能被“范围不匹配”之类的问题卡住。

5.3 单位混淆和数据解读误区

这是土壤栅格数据使用中非常常见、也比较难排查的问题。同一类属性在不同版本的数据集里可能使用不同的单位。比如有机碳有的用g/kg，有的用%，还有的用t/ha或kg/m²。数值相差10倍、100倍是很常见的。

我的经验是：养成先从元数据文件读取单位信息的习惯。如果没有元数据，可以参考属性值的量级做初步判断。比如有机碳含量g/kg在中国的表层土壤中常见范围大约是2~60，如果是0.2~6，那很可能单位是%；如果是2000~60000，那可能是kg/ha之类的载量单位。

5.4 问题排查速查表

这六类问题是实际使用中最常遇到的，也是我的老读者们问得比较多的问题。建议收藏这张表，遇到问题先对照排查。

6. 应用场景拓展：除了出图你还能拿它做什么

6.1 农业适宜性评价与种植区划

16项属性里包含的养分指标、pH和质地信息，是做农业适宜性评价的基础输入。你可以对pH、有机碳、全氮、有效土层厚度等指标赋予不同权重，加权叠加后得到“土壤综合肥力指数”，再结合气候、地形等数据，就能做出大尺度的种植适宜性区划。

这里有一个实操建议：在做加权叠加之前，先把各指标标准化到统一量纲（如0~1或0~100）。标准化的方法根据数据分布选择，有机碳这类近似正态分布的可直接用极差标准化，pH这类有明确生态适宜范围的指标则可以用隶属度函数。这两者的差异很大，不要简单粗暴地做线性归一。

6.2 土壤碳储量估算与变化研究

这块是当前的研究热点。估算区域土壤碳储量的公式为：碳储量 = 有机碳含量 × 容重 × 土层厚度 × 面积 × 系数。

实际操作时，你可以在栅格计算器里一次性完成这个连乘运算。需要注意的是，确保参与运算的栅格已经做了像元对齐，否则“栅格计算器报错”或“输出只有部分区域有数值”都是运行前就能预判到的问题。

6.3 水文模型与面源污染模拟

在分布式水文模型（如SWAT、HSPF）中，土壤属性数据是必需的参数表，包括容重、有效含水率、饱和导水率、有机碳含量和土层厚度。这套数据集可以直接用来构建模型所需的土壤参数库。

一个实用技巧是：利用AI或土壤转换函数（PTF，Pedotransfer Functions），把容重和质地数据转换为水力参数。比如Rawls和Brakensiek提出的经验公式就可以从砂粒、粉粒、黏粒含量推算出田间持水量和凋萎系数。这样你就不用依赖不完整的实测土壤物理参数，只需要把TIFF栅格转成模型所需的属性表格式，就能灌入SWAT模型使用。

6.4 耕地质量评价与国土空间规划

省级或市级的耕地质量评价工作中，土壤属性栅格数据可以与土地利用现状矢量叠加，通过分区统计计算出不同土地利用类型下的平均土壤属性值。这比传统逐县收集土壤普查资料要高效得多。

具体操作可以通过QGIS的“分区统计”（Zonal Statistics）工具完成：一个输入是土地利用矢量，一个输入是土壤属性栅格，输出结果是一个包含各分区均值、最大、最小等统计信息的属性表。用这个表就能支撑你写国土空间规划文本里的“土壤资源本底”章节。

7. 数据使用的边界与自我检查清单

这部分是我特别想写进来的。很多人在拿到“国家”级别数据后，容易陷入“万能数据”的幻觉，什么分析都往上叠。这里有必要把边界条件说清楚。

第一，时间尺度问题。它的时间语义是2010–2018年的综合基准，不代表某一年实测。如果你要做年际对比，不能拿它和以前的第二次土壤普查数据直接做差值。因为数据构建方法不同、样本密度不同、制图模型不同，差值里混入了大量非土壤真实变化信号。

第二，空间尺度问题。1km分辨率意味着在复杂地形区，一个像元内可能包含多种土壤类型。山地、丘陵地区做小流域分析时，建议只把这个数据当作背景，实际采样验证是必要的，别拿模型预测结果直接当实测值用。

第三，数据源与版权问题。使用时请查阅数据发布单位的使用条款，论文中引用时规范标注来源，以尊重数据生产者的劳动。具体的引用格式应以官网登记信息为准。

我在实际动手前，通常会把以下内容填成一张自我检查表：

• 是否记录了数据来源和引用方式？
• 是否核对了每个图层的单位与NoData设置？
• 是否确认了所有参与分析的栅格像元已对齐？
• 是否了解数据的时间语义和空间分辨率限制？
• 是否在论文方法部分写明了重采样和投影方法？
• 结果空间格局是否符合区域基本常识？（这一步是最后的守门员）

这张表看起来简单，但它能拦住绝大多数因数据使用不当而导致的返工。

最后再分享一点个人体会。栅格数据集这东西，看起来不过是“一张带坐标的图片”，但真正用起来，决定成败的往往不是数据本身，而是你对待元数据的态度。花十五分钟把投影、单位、NoData、像元对齐这些“底细”摸清楚，后面出图、分析、建模都会顺畅得多；反过来，跳过这些，等到结果算完才发现坐标系错了，那就不只是改个参数那么简单了。这套土壤信息网格数据，是目前国内公开数据里性价比相当高的那一档，但前提是——你要先把它“驯服”，再让它为你干活。