简介全球柯本气候区划数据是一套面向地理信息系统研究人员、气候与环境科学工作者以及农业、城市规划等领域规划决策者的矢量气候分区数据包能够解决气候带边界提取、空间叠加分析与气候变化研究等需求也可与行政区划叠加辅助农业与基础设施规划。压缩包共 43 个文件约 7.15MB包含核心 SHP 矢量文件、世界柯本栅格影像、可直接打开的地图文档与图层包并附有说明文档和世界气候区划预览图。数据基于柯本气候分类系统覆盖热带、干燥、暖温带、寒冷和极地五大气候类型及亚类并细分至热带雨林、地中海等常见气候亚类。已有 2401 人学习下载。用户可在常用地理信息系统软件中直接加载进行气候区划可视化、统计制图或与地形、人口等数据叠加分析配套的工程和图层文件降低了入门门槛适合教学演示与区域环境研究使用。 做区域气候、植被生态这类分析项目时全世界用得最多的底图之一就是全球柯本气候区划 shp 数据。柯本分类Köppen climate classification虽然是一百多年前提出的方案至今仍是气候区划最通用的标准框架。我刚接触这套 shp 时以为只是叠个底图出张图实际一用才发现字段解释、坐标参考、数据版本、格式转换每一步都有讲究。这篇就按照我的实操经验把从数据理解、渠道获取到转换应用的完整链路拆开讲清楚。1. 柯本气候区划 shp 数据到底是什么——先搞懂这层底层逻辑其实这套数据说穿了就是一张矢量面图层每个面块代表一个气候区属性表里用两到三位字母代码标记具体气候类型。真正让它有分量的是背后的分类体系本身。1.1 温度和降水的十字组合只看两个变量柯本分类的底层逻辑非常简单就是用月均温度和降水数据组合判定气候带。它不关心土壤、植被、海拔这些复杂变量而是用五个主气候带打底主带代码名称核心判定逻辑A热带最冷月均温 ≥ 18℃B干旱带年降水与潜在蒸散量关系判定C温暖带最冷月 -3℃ ~ 18℃至少一个月 ≥ 10℃D冷温带最冷月 -3℃最热月 ≥ 10℃E极地带最热月均温 10℃第二、三位字母则是精细化修饰比如 s夏季干、w冬季干、f全年湿润表示降水格局a、b、c、d 表示夏季高温的持续程度。我常用一个类比来跟人解释这套分类像个筛子先用温度把地球切成五层再用降水往下细筛最终分成三十几种二级气候类型。1.2 为什么 shp 矢量版本比栅格更实用全球柯本数据最早常见的是栅格形式比如 0.0083 度分辨率的 GeoTIFF。栅格胜在连续、好算但做区划图和区域统计时有一个痛点——没有明确的行政或自然边界只能靠像元重分类。矢量 shp 的好处是面块独立、边界清晰、属性表干净可以直接用来裁剪、统计面积、做专题制图。我做过的实际项目中矢量版本最大的价值有四个一是叠加到遥感反演结果上做分区统计二是作为抽样分层依据比如每个气候带均匀布点三是做生态区划的基础底图四是制图输出时能直接在图例里标明气候类型不用再逐个栅格赋色。换句话说栅格适合做科学计算输入shp 适合做业务输出底图。2. 数据从哪拿——我试过的 5 个渠道和真实选型建议网上搜“柯本气候区划 shp 下载”能出来一堆关键词但真正能一次拿对数据的渠道其实就那几个。这里我按可靠程度和使用体验排个序。2.1 常用渠道对比渠道内容形态基本精度适合场景踩坑提示马普所 Beck et al. 2018 数据集GeoTIFF 栅格 部分矢量1km科研分析、论文配图需仔细阅读字段说明文档ESRI Living Atlas托管矢量图层全球尺度ArcGIS 用户快速出图部分图层需登录高校课程与论文补充材料混合常有精修版各异深度学习区域研究注意数源时间范围Zenodo 等学术数据仓库矢量为主各异复现论文研究需甄别版本新旧国家气象部门出版气候图集纸质或栅格大区尺度业务参考数字化程度不一shp 不常见我的个人建议是科研出图首选马普所那套因为它是基于长期气象观测插值得到的还有配套的算法说明审稿人问起来好交代。如果只是 ArcGIS 里快速看个效果ESRI Living Atlas 里直接搜 Köppen 就能加载现成的全球矢量不用本地存数据。2.2 渠道选择的隐藏逻辑你可能想问为什么高校课程资料也值得关注因为柯本分类是地理学经典内容不少大学课件会附带讲师整理过的 shp面块比官方版更干净属性字段也做了中文或英文标注对新手友好得多。缺点是不一定有正式的数据论文引用做项目可以发论文还是回到权威源更好。另外强调一点任何渠道下载后第一件事就是检查坐标参考。我见过太多人下载后不管三七二十一直接叠加结果南美洲跑到非洲去了。马普所的数据默认是 WGS84 经纬度而一些转发的 shp 可能是墨卡托投影两个叠加必然错位。这问题在第四节展开讲。3. 拿到 shp 后第一件事——属性表和分类代码的识读下载解压后你会看到一堆文件.shp、.shx、.dbf、.prj、.cpg。真正要读懂的是 .dbf 对应的属性表。3.1 属性表里通常有哪些字段一般的柯本气候区划 shp 属性表里至少有这几个字段ID每个气候面的唯一编号GRIDCODE 或 Class气候类型的数字编码或字母编码Cls两到三位柯本代码比如 Cfa、DwbArea部分版本会预先算好面积但多是未投影面积不能直接当平方公里用打开属性表后建议先做一次识别检查。我的习惯做法是右键图层打开属性表按 Cls 字段做个升序排列看一眼总共出现了多少种类型。Beck 2018 版本一般有 30 种左右如果发现只有十几种说明数据被简化过需要回到原始源确认。3.2 两个字母、三个字母怎么快速读出气候含义柯本代码的识读有自己的口诀。比如 CfaC 表示温暖带f 表示全年湿润降水分布均匀a 表示最热月均温 ≥ 22℃三个字母各司其职第一个字母管温度带第二个字母管降水季节第三个字母管夏季高温程度。B 类和 E 类在第三个字母上的规则稍有不同BWh 中的 h 表示炎热干旱ET 中的 T 表示苔原。我在项目汇报时经常需要向非专业的人解释这些代码最有效率的方式是做一张简表放在 PPT 附录里。3.3 版本说明文件比数据本身更重要很多人忽略随数据发布的 README 或 PDF 说明文件我建议一定仔细读一遍。因为你拿到的分类可能是基于某段时期的气象数据得到的比如 1980-2016 和 1970-2000 的统计窗口分类结果在过渡带会有肉眼可见的差异。如果不交代清楚后面写报告时就会出麻烦别人拿着另一版数据来对比两边对不上耽误事。4. 坐标系统与预处理——别在投影和属性传递上栽跟头4.1 经纬度坐标系下的面积失真问题这是我在实际项目中踩过最重的一坑。直接拿 WGS84 经纬度的 shp 做面积统计得到的单位是度²这数值没有实际物理意义而且高纬度地区会被严重低估。想做面积统计必须先将数据投影到等积投影坐标系。对全球尺度的面积分析我比较推荐 Equal Earth 投影或 Behrmann 等积圆柱投影。具体操作是在 ArcGIS 里用 Project 工具输出坐标系选 Equal Earth然后在属性表里用 Geometry Calculator 计算面积出来的数值单位是平方米再除以一百万就是平方公里。如果你只用中国区域做分析那就简单得多直接投影到适合中纬度的 Albers 等积投影即可用全国范围的 CGCS2000 3-degree Gauss-Kruger zone 还是 Albers取决于区域跨度横跨多个带时 Albers 更合适。4.2 ArcGIS 中从加载到导出的完整操作序列结合用户常搜的“arcgis 如何导出 shp 文件”我把柯本数据在 ArcGIS 里的标准操作流程列一遍打开 ArcMap 或 ArcGIS Pro用 Catalog 窗口连接到数据所在文件夹把 .shp 拖入内容列表右键图层查看属性表中的坐标系如果坐标系缺失没有 .prj 文件右键图层 → Properties → 设置 Source 坐标系为 WGS84按属性查询比如输入Cls Cfa选中后右键 → Data → Export Data 导出新图层如需统一边界使用 Clip 工具按研究区范围裁剪输出要素类时存成新的 shp 或 File Geodatabase 要素类我个人的习惯是尽量存成 File Geodatabase 格式因为字段名长度限制更宽松属性处理更稳定shp 的字段名只能支持 10 个字符很容易被截断。4.3 dwg 转 shp 带属性的那点事从热词里看到不少人在折腾“dwg 文件转为带属性的 shp”我顺手说下经验。CAD 里的地块边界要转成 shp麻烦的不是几何而是属性传递。AutoCAD 里的普通闭合多段线默认没有属性表得先把每个地块做成带属性的块Block或者在 CAD 里用扩展数据XData写属性再用 FME Workbench 读取映射到 shp 的属性字段。如果不想上 FMEArcGIS 里有个 CAD To Geodatabase 工具能读 CAD 里的注记和属性字段但碰见复杂块嵌套时经常漏字段。我的建议是在 CAD 阶段就把属性规整好图层名和块名都用英文或数字导出后再在 GIS 里按图层名批量添加属性这是最稳的路子。5. 格式转换实战——转 txt、批量转 kml、转 3dtiles 的完整流程5.1 shp 转 txt用 geopandas 一步到位shp 转 txt 的需求通常有两种一是把属性表导出成文本用于外部程序读取二是把几何坐标连同属性全部导出做成自定义文本格式。对前者我推荐直接用 pandas 读取 dbfimport geopandas as gpd gdf gpd.read_file(koppen_global.shp) # 导出全部属性字段 gdf.drop(columnsgeometry).to_csv(koppen_attr.txt, sep\t, indexFalse) # 如果还要带坐标先把几何转成经纬度 gdf[lon] gdf.geometry.representative_point().x gdf[lat] gdf.geometry.representative_point().y gdf[[lon, lat, Cls]].to_csv(koppen_coord.txt, sep\t, indexFalse)注意 representative_point() 返回的是面内一个代表点不是质心。对跨越 180 度经线的气候面块质心会飘到奇怪的位置用代表点更稳妥。如果只想提取字段列表用 pyshp 更轻量import shapefile sf shapefile.Reader(koppen_global.shp) fields [f[0] for f in sf.fields[1:]] print(fields)5.2 shp 批量转 kml 的两种路线地图标注、手机端离线查看、汇报展示这些场景经常需要 kml 格式。批量转换时我试过 ArcGIS 的 Layer To KML 工具速度不错但每次只能对一层操作。如果你有几十个单面要素比如按省份拆好的气候区逐个转起来效率太低。更推荐的方式是用 QGIS 的批量导出加载 shp 后右键 → Export → Save Features As格式选 KML勾选“Selected features only”不行的话就用“Save selected features as”配合按属性筛选。QGIS 支持把整图层一次导出成包含所有要素的 kml并保留属性字段中的名称字段作为每个地标的名称。如果要写进自动化流程用 Python 的 simplekml 库import geopandas as gpd import simplekml gdf gpd.read_file(koppen_global.shp) kml simplekml.Kml() for _, row in gdf.iterrows(): coords list(row.geometry.exterior.coords) pol kml.newpolygon(namerow[Cls]) pol.outerboundaryis [(lon, lat, 0) for lon, lat in coords] kml.save(koppen.kml)这个脚本对单面要素最省心。多面要素需要遍历 geometry 的每个 polygon有点绕但也能实现。5.3 shp 转 3dtiles 的思路热词里有人搜“shp 转 3dtiles”。这个需求通常是做三维 WebGIS想把气候区划叠加到地形上做立体展示。直接转 3dtiles 的工具链还不算太顺滑我的经验是走两道转换shp 先转 GeoJSON用 QGIS 或 geopandas 都行再用 CesiumLab、FME 或开源工具将 GeoJSON 转为 3dtiles如果你的 shp 带有高度属性比如不同气候带标注了平均海拔第二步时选择垂直拉伸模式就能生成有厚度感的三维体块在 Cesium 里叠加地形特别有表现力。不提具体行业软件的话国产的 CesiumLab 在批量转换上相对省力。5.4 关于“批量压缩 shp”的正确理解有人搜“单个 shp 如何批量压缩”我想先纠正一个认知偏差shp 是二进制文件压缩率本身不错用 zip 就能压掉不少体积。但真正让 shp 变大的往往是面块边界过于精细这时候压缩不是治本办法几何简化才是正解。在 ArcGIS 里可以用 Simplify Polygon 工具在 QGIS 里用 SimplifyDouglas-Peucker 算法容差根据你的制图比例尺来定。比如全球尺度的出图容差设 0.01 度就够了文件体积一般能缩小 40%-70%但切记简化后要做拓扑检查防止出现细碎狭长面块互相压盖。我处理过一套全球数据简化后总面积偏差控制在 2% 以内肉眼完全看不出区别。6. 实际应用场景长什么样——三个真实案例和踩坑记录6.1 专题制图气候过渡带的颜色设计做全球气候分区专题图时最忌讳的是给相邻气候带配相近颜色。柯本分类的 C 和 D 带在欧亚大陆交界处犬牙交错颜色稍有混淆图上就分不清边界。我的处理流程是先把每个主带的主色定下来比如 A 带用红色系、B 带用黄色系、C 带用绿色系、D 带用蓝色系、E 带用紫色系然后同一主带内根据湿润程度调节深浅。这样做出的图不仅美观而且图例和代码是能一一对应上的后期审稿时少费口舌。6.2 空间统计按气候带对栅格数据分区汇总有一回我需要统计全球不同气候带的年均 NDVI 均值数据结构是柯本 shp 加 MODIS 栅格。常规做法是先按属性拆分要素类再用 Zonal Statistics 逐个跑。但这样要跑三十几次太慢了。更好的做法是直接用 Python 配合 rasterstats 库一行代码循环分区统计from rasterstats import zonal_stats stats zonal_stats( koppen_global.shp, ndvi_mean.tif, statsmean median std, categoricalTrue )输出的 stats 会按面块属性值聚合统计直接生成一张表。要注意的是栅格和矢量的坐标系必须一致否则统计结果完全不靠谱。我当时先统一投影到 Mollweide 等积投影再做统计数值才有意义。6.3 一个真实踩坑海岸线边界和岛礁用全球柯本数据叠加到中国区域的时候最大的问题不是属性而是边界精度。全球尺度的 shp 放到省市级别的尺度上看海岸线锯齿非常明显近海小岛也会有缺失或形状粗糙的问题。我当时的解决方案是先叠加中国省级行政边界用 Clip 工具把柯本面块裁剪到国界内然后再用平滑工具做一次小幅度的边界简化顺便修掉跨海面的悬空块。这个过程大约占掉我整个项目三分之一的时间所以建议你做区域分析时一定预留出数据整理的时间不要以为下载完就能直接出图。6.4 数据版本之间的差异比你想的大一个容易忽略的点是不同年份发布的柯本分类数据因为使用了不同的气象观测时段和插值方法在气候过渡带会有大面积差异。我就遇到过同一个位置在 A 版里是 Cfa在 B 版里却变成 Dfa 的情况。如果你正在做一个需要对照历史研究结论的项目尽量跟文献中引用的版本保持一致如果只是自己新做分析那就用最新权威版本并在方法学部分写清楚数据和版本时间这样别人复现时才有据可查。7. 几条最实在的个人经验最后分享几个我反复用到的小习惯。拿到柯本 shp 后我永远先做三件事打开属性表看字段类型打开坐标属性确认坐标系然后检查是否存在多面要素。这三件事做完后续出问题的概率能降低一半。还有一个经验是永远不要直接改原始 shp 文件。我都是先复制一份作为工作副本原始数据留着存档。因为柯本分类这种公共数据,后期如果发现处理流程有误还能回到原点重新来不用重新下载。就我个人而言这套数据最耐用的地方是它能作为其他复杂分析的骨架比如结合高程数据做山地气候区划结合植被指数做生态分区。数据的价值不在于开箱即用而在于你愿意花多少时间去理解它背后的气候学含义。用久了你会发现读懂了属性表里的那些字母其实就读懂了大半个气候学。本文还有配套的精品资源点击获取
