数据这行干久了，最容易出问题的不是模型，而是喂进去的那张底图。前阵子帮一个做灾害风险评估的团队看结果，全国尺度的暴露人口算出来比普查数少了近两成，查了两天，最后发现是栅格单位搞错了——人家给的是"人/平方公里"的密度值，他们直接按像元求和，还漏了纬度方向上的面积变形。这类坑在1km精度人口分布栅格数据上特别常见，因为这套数据看起来太"标准"了：GeoTIFF、WGS84、一年一个文件，谁拿到都觉得自己会用。实际上从2000到2023这一长串年份、从全球到分市这四级尺度，里面藏着单位口径、总量校准、掩膜规则、像元对齐一堆细节，任何一个没对齐，后面的统计和建模全是错的。这篇就把我这些年用1km人口栅格做分析的整套流程摊开讲：数据是怎么生产出来的、四种尺度版本的本质差别、下载后第一件事该做什么检查、裁剪重采样和分区统计怎么写代码不翻车，以及那些只有真正跑过几十个年份数据才会遇到的坑。不管你是刚接触空间数据的学生，还是要把人口栅格接进业务系统的开发者，都能从中找到能直接抄的部分。

1. 先把"1km人口栅格"这件事讲清楚

1.1 它到底是什么：从普查表格到连续表面的那一步转换

人口普查给出的原始结果，是一张以行政单元为行的表格：某个县多少人、某个街道多少人。这种数据最大的问题是空间粒度被行政边界锁死了，一个面积几千平方公里的县，所有人口被压缩成一个数字，你没法知道人是聚在县城还是散在山沟里。1km人口分布栅格数据要解决的正是这个问题——把行政单元上的总量，拆解重分配到规则网格上，让每个1km×1km的像元都有一个估计人口值，从而得到一个空间上连续、边界上无缝的人口表面。

这个拆解过程在学术上有个专门的名字，叫分区密度制图（dasymetric mapping）。它的核心逻辑不复杂：人口不是均匀铺在一个县的土地上的，而是高度集中在建成区、居民点、道路沿线这些"人真正待着的地方"。所以只要找到能指示"人待在哪"的辅助信息，就能把总量按权重摊下去。举个生活化的例子，一个县有50万人，县域总面积5000平方公里，如果简单按面积平均，每平方公里100人，这显然是错的——城区每平方公里可能上万人，山区可能每平方公里不到10人。分区密度制图做的事，就是先识别出哪些格子是建成区、哪些是林地水域，给前者高权重、后者零权重，然后按权重把50万人分下去。

这里有个特别容易被忽略的概念区分：栅格值到底是"人数"还是"密度"。绝大多数全球尺度的产品输出的是每个像元内的估计人数（count），单位是"人/像元"；但也有部分产品、部分衍生版本输出的是人口密度（人/平方公里）。这两种口径在做求和统计时完全不同——前者直接相加就是总人口，后者必须先乘以像元实际面积再相加。而1km网格如果用的是等经纬度划分（通常是30弧秒，约0.008333度），像元的实际面积是随纬度变化的：赤道附近约0.93平方公里，纬度40度左右降到约0.71平方公里，纬度60度只剩约0.46平方公里。这意味着同一份"密度"数据在不同纬度求和，误差可以差出一倍。所以拿到任何一份人口栅格，第一件事永远是打开元数据，确认单位和投影，而不是急着算。

1.2 四种空间尺度的版本，本质差别比你想的大

标题里列的"全球/全国/分省/分市"四级，很多人以为是同一套东西切了四刀，实际上它们的生产逻辑往往完全不同，用之前必须搞清楚手里拿的是哪一类。

全球尺度的产品，通常是把各国普查数据、多源遥感特征、机器学习模型统一跑一遍，覆盖完整、时间序列长，优点是能跨国比较、口径相对统一；缺点是国别之间的校准精度参差，有些地区因为普查数据陈旧或缺失，误差会明显偏大。国别尺度的产品，一般是用本国更细的普查单元（比如乡镇街道级）作为控制总量，辅助数据也更贴近本地实际，精度通常优于全球产品在这一区域的切片。至于省级和市级版本，情况就比较微妙了——相当一部分所谓"分省""分市"数据，并不是针对该省该市重新建模，而是拿国别或全球产品按行政边界裁剪出来的，再按该行政单元的普查总量做一次比例缩放。这种处理方式本身没问题，但它意味着市级版本的空间分布格局其实还是原始产品给的，只是总量被重新锚定了，你在做市内精细分析时不能指望它比上游产品更准。

我在实际项目里的判断原则是这样的：做跨国或大区域对比，用全球版；做单一国家的深入分析，优先找国别版；只关心某个省或市的汇总数字，用分省分市版省事；但要研究城市内部的人口分布格局，这四级都不够，得去找更高分辨率的产品或者本地建筑体量、手机信令之类的数据补充。这个判断不是拍脑袋，而是由数据生产的控制总量和辅助特征决定的——分辨率是表象，控制单元和特征质量才是精度的真正来源。

2. 数据是怎么"造"出来的：生产链路拆解

2.1 基准总量：普查数据的年份错位与总量校准

任何人口栅格的第一层地基都是普查或人口登记数据。问题在于，普查不是每年都做，多数国家是五年或十年一次，而产品要输出2000到2023的连续年度序列，中间年份怎么办？常见做法是在两个普查年之间做线性或非线性插值，再叠加人口登记、抽样调查等辅助序列做修正。这就带来一个必须知道的特性：所谓"2023年数据"，在普查间隔期内其实是插值加模型外推的产物，它的可靠性明显低于普查当年。

更关键的是总量校准环节。模型输出的是相对权重，权重归一化后乘以控制总量，才能保证格子里的人口加起来等于普查总数。这个校准一般在哪个层级做，直接决定了数据的可信边界。如果校准在省级做，那么省级汇总数一定是准的，市级就可能偏；如果校准在市级做，市级准，区县就可能偏。有些产品为了兼顾，采用分层校准，先在国家层面对齐，再逐级下推，工程量大但一致性更好。你在用数据做分析时，如果结论依赖某个层级的汇总，最好先验证一下该层级的汇总值和官方统计差多少，差得离谱就说明校准层级不匹配。

还有个隐蔽的坑是行政边界变更。2000到2023这二十多年，区县一级的撤并、改区、新设非常频繁，一个地级市在2010年和2020年的管辖范围可能都不一样。如果你拿2023年的行政边界去统计2005年的人口，遇到边界调整过的区域，数字必然对不上，而且这种偏差不会报错，只会安静地错在那里。我的处理习惯是：涉及跨年比较时，统一用一套固定年份的边界，并且对发生过调整的单元单独标注，避免把边界变化误读成人口变化。

2.2 空间权重：辅助变量怎么选、怎么处理

权重层决定了人口在空间上"摊得准不准"，这是整个生产链路里最见功力的部分。目前主流做法会堆叠几类特征。

第一类是建成区与不透水面信息，来自遥感影像分类，直接告诉模型哪里有建筑、哪里是裸地农田，这是最核心的负向/正向判别特征。第二类是夜间灯光，灯光强度和人口密度有较强相关性，尤其在城市化程度高的区域，但它对农村人口的指示能力弱，容易出现"农村被严重低估、城市被高估"的系统性偏差，所以现在多数产品只把它当辅助而非主力。第三类是土地利用分类，把林地、水体、耕地、建设用地的像元做差异化处理，水域和保护区一般直接给零权重。第四类是道路网络和POI密度，用来刻画可达性和人类活动强度，POI密集的地方通常人口也密集。第五类是建筑体量与高度信息，来自开放建筑数据集或雷达数据，这是近些年提升精度最明显的一类特征，因为它能区分"一片低矮平房"和"一片高层住宅"，这两者的人口容量差好几倍。

这些特征进模型前都要做处理：灯光和POI密度这类长尾分布变量通常取对数，不同量纲的特征要归一化，分类变量要做独热编码或者直接作为分层条件。还有一个容易被忽略的步骤是掩膜——水系、冰川、自然保护区、军事管制区这些理论上不该有常住人口的区域，要在权重层就置零，否则模型会把人口"漏"到湖面上。我见过最典型的问题就是某个湖泊中心出现了一个非零人口像元，一查是水体掩膜用的年份和人口数据年份不一致，那年湖区水位低，露出了一个岛。

2.3 模型与重分配：从随机森林到分区密度制图

特征准备好之后，就是建模建立"特征—人口"的关系。目前主流是随机森林一类的集成树模型，原因很实际：人口与辅助变量的关系高度非线性，且在不同区域差异很大，树模型不需要预设函数形式，对共线性也不敏感，训练和调参成本低。训练样本一般来自有细粒度普查数据的区域，模型学到映射关系后，再推广到只有粗粒度数据的区域。

模型输出的是每个像元的相对权重，接下来的重分配环节才是真正决定总量守恒的地方。标准流程是：按掩膜筛掉不可居住像元，剩余像元权重归一化，乘以该行政单元的控制总人口，得到每个像元的估计人数。这个过程在数学上保证了"格子之和等于控制总量"，但也带来一个副作用——如果权重估计有系统偏差，误差会在单元内部被强行摊平，表现为某些像元被高估、某些被低估，但总量看起来完美。这就是为什么不能只看总量校验通过就放心，空间格局的合理性得单独看。

还有一个技术选择值得说明：是先做高分辨率再聚合到1km，还是直接建模1km。前者通常先做出100m甚至更细的权重层，再聚合求和，好处是保留了城市内部的异质性，聚合后的1km值更接近真实的空间集中程度；后者直接以1km为单元训练，计算量小但对城市核心区的刻画会偏平滑。从数据表现上能看出差别：前者在城市中心往往有更尖锐的峰值，后者更平缓。做城市内部研究时，这个差别会影响结论，值得在元数据里确认。

2.4 2000到2023的时序一致性：为什么相邻两年会"跳"

时间序列数据最怕的不是单年误差，而是年际之间的不一致。如果每一年都独立训练一次模型、独立做一次校准，那么即使真实人口几乎没变，相邻两年也会因为特征更新、样本变动、模型随机性产生肉眼可见的跳变。这种伪变化在做趋势分析时会变成噪声，甚至被误读为人口迁移信号。

主流产品对这个问题的处理有几套思路。一是固定掩膜和固定特征集，只让控制总量随时间变化，这样年际差异主要反映总量变化，空间格局相对稳定。二是在基准年锚定，其他年份做增量调整，保证序列平滑。三是做时序平滑后处理，用移动窗口抑制异常波动。每种都有代价：固定掩膜会让新增建成区无法体现，锚定基准年会让后期年份的空间格局偏保守，平滑处理会削弱真实的突变信号（比如新区突然建成入住）。

我在做长序列分析时的经验是：先算一遍全国或全省的总量年序列，看曲线是否平滑合理，如果出现某一年突然掉一截又弹回来，基本可以判定是数据版本或方法切换，而不是真实人口变化。然后再挑几个已知发生过快速城镇化的区域，看栅格的空间格局是否体现了建成区扩张，如果二十多年过去格局几乎没动，说明这份数据的时间动态信息很弱，只能当静态底图用，不能做变化检测。这个前置检查花不了半小时，但能避免后面几个月的分析白做。

3. 实操：把数据用起来的完整流程

3.1 下载后的第一件事：文件体检与目录组织

数据下载下来通常是一堆GeoTIFF，按年份分文件，全球版单个文件可能好几个GB。我建议在写任何分析代码之前，先做一轮"体检"，用几十行代码把关键元数据全部打印出来，形成一张清单。

import rasterio import glob import os files = sorted(glob.glob("./pop/*.tif")) for f in files[:3]: with rasterio.open(f) as src: print(os.path.basename(f)) print(" CRS :", src.crs) print(" Size :", src.width, "x", src.height) print(" Res :", src.res) print(" Bounds :", src.bounds) print(" NoData :", src.nodata) print(" Dtype :", src.dtypes[0]) print(" Min/Max :", src.read(1, masked=True).min(), src.read(1, masked=True).max())

这段代码要重点看四样东西。第一是CRS，确认是地理坐标（经纬度）还是投影坐标，后者要知道具体投影才能算面积。第二是Res，确认像元大小是不是你以为的1km——有些产品名义上1km，实际是30弧秒，换算到地面约0.93km，边界框对不上会导致后续裁剪错位。第三是NoData，这个值五花八门，有-99999、-32768、255、0，如果NoData被当成真实值参与求和，结果会离谱到离谱，必须先确认再统一处理。第四是Dtype和Min/Max，如果最大值出现几万甚至几十万，那基本是密度值而不是人数，或者NoData没被识别。

目录组织上，我习惯按"产品名/版本/尺度/年份"四级建目录，文件名里带上分辨率、单位和生成日期。听起来啰嗦，但当你手上同时有五六个来源的人口数据、每个来源好几个版本时，这套命名能救命。另外强烈建议对原始文件做只读备份，所有裁剪、重采样、格式转换的操作都输出到新目录，永远不要覆盖原始数据——空间数据的坑一大半来自"我以为我改的是副本"。

3.2 坐标系、NoData与像元对齐：三个必须处理的底层问题

坐标系问题在面积统计里最致命。经纬度坐标下的"度"不是等面积单位，直接算面积会随纬度严重失真。正确做法是先把栅格重投影到一个等积投影（比如按研究区中央经线定制的Albers等积投影，或者全球范围的等积圆柱投影），再做面积相关的计算。如果你的分析只是按行政单元汇总人数，且数据单位是"人/像元"，那不重投影也能做，因为求和不需要面积；但一旦涉及密度、人均面积、建筑密度这类指标，重投影就是必须的。

NoData处理有个容易翻车的细节：很多栅格用0表示无数据，但0也可能是合法的"这里确实没人"。这两种情况在语义上完全不同，混淆会导致大片区被误判为无数据。我的做法是先看数据的值分布直方图，如果0的像元数量异常大且集中在海洋、荒漠区域，那多半是掩膜值；如果0零星分布在内陆，那可能是真实的零人口像元。确认之后，统一用masked array处理，让NoData在运算中被正确忽略而不是当0参与。

像元对齐是三个问题里最隐蔽的。当你把人口栅格和行政边界、土地利用图、洪水淹没范围叠加时，如果两张栅格的网格原点或像元大小差一点点，就会产生半个像元的偏移，导致边界上的统计出现系统性偏差。判断方法很简单：打印两张栅格的transform参数，逐项对比，不一致就先做对齐。对齐时重采样方法的选择也有讲究——人口数据重采样到更粗分辨率，用求和（sum）能保持总量；重采样到更细分辨率，用最近邻（nearest）能保持总量但会出现块状；用双线性（bilinear）会平滑但破坏总量守恒。如果需要平滑又需要总量准确，那就平滑之后再按行政单元做一次比例校准，把总量拉回去。

from rasterio.warp import calculate_default_transform, reproject, Resampling dst_crs = "EPSG:6933" # 等积投影示例 with rasterio.open("pop_2020_1km.tif") as src: transform, width, height = calculate_default_transform( src.crs, dst_crs, src.width, src.height, *src.bounds) kwargs = src.meta.copy() kwargs.update({'crs': dst_crs, 'transform': transform, 'width': width, 'height': height}) with rasterio.open("pop_2020_1km_eqarea.tif", 'w', **kwargs) as dst: reproject(source=rasterio.band(src, 1), destination=rasterio.band(dst, 1), src_transform=src.transform, src_crs=src.crs, dst_transform=transform, dst_crs=dst_crs, resampling=Resampling.nearest)

注意：重投影到等积坐标系后，像元不再严格是1km×1km，如果后续要按"每平方公里"报数，务必用重投影后的实际像元面积，不要沿用1.0这个常数。

3.3 裁剪与分区统计：把栅格变成能进表格的数字

最常见的需求是"给我每个行政区的人口数"。这件事看起来简单，实际有几个决策点。第一是像元归属规则：一个像元跨在边界上，算给谁？常规做法是按像元中心点落在哪个单元就归给谁，这是rasterstats等工具的默认行为，速度快但边界单元会有偏差。更严格的做法是按像元与多边形的重叠面积做加权分配，计算量大但边界精度高，适合面积小的城市单元。第二是球形 vs 平面的问题，地理坐标下做面积加权会引入误差，最好在投影坐标下做。

下面是一个不依赖rasterstats、自己写的分区统计函数，好处是能清楚控制NoData和像元中心规则，也方便加面积加权：

import numpy as np import geopandas as gpd import rasterio from rasterio.features import rasterize def zonal_sum(raster_path, zones, zone_id="adcode", all_touched=False): with rasterio.open(raster_path) as src: arr = src.read(1, masked=True).astype("float64") transform = src.transform nodata = src.nodata # 用行政区 id 栅格化，得到每个像元归属 shapes = ((geom, int(v)) for geom, v in zip(zones.geometry, zones[zone_id])) zone_raster = rasterize(shapes, out_shape=arr.shape, transform=transform, fill=0, all_touched=all_touched, dtype="int32") result = {} for zid in zones[zone_id].unique(): sel = (zone_raster == int(zid)) vals = arr[sel] result[zid] = float(vals.sum()) if vals.size else 0.0 return result

这段代码有两个地方要提醒。一是all_touched参数，设为True会把所有接触边界的像元都算进来，相邻单元会重复计数导致总量膨胀；设为False只算中心点落入的像元，总量守恒但小面积单元可能一个像元都没覆盖到，结果变成0。对于面积小于1平方公里的城市街道，这个问题很现实，解决办法是提高栅格分辨率或者改用面积加权。二是arr.sum()在masked array上会自动忽略NoData，但如果你提前用了.filled(0)，NoData就变成了0混进去了，这两种写法结果不同，务必确认自己用的是哪一种。

如果统计单元数量很多（比如全国几千个乡镇），上面这种逐单元循环会慢得难以接受。优化思路是把zone_raster拉平，用pandas的groupby做聚合，速度能提升一到两个数量级：

import pandas as pd flat_zone = zone_raster.ravel() flat_val = arr.filled(np.nan).ravel() df = pd.DataFrame({"zone": flat_zone, "val": flat_val}) df = df[df["zone"] > 0] summary = df.groupby("zone")["val"].sum()

3.4 时间序列拼接：把23年数据变成一条可分析的曲线

单年数据处理完，接下来是把2000到2023拼起来。这里推荐用xarray配合rioxarray，它能把时间维度当成一个坐标轴，做时序运算非常顺手：

import rioxarray import xarray as xr import glob files = sorted(glob.glob("./pop_clip/pop_*_clip.tif")) das = [] for f in files: year = int(f.split("_")[-2]) da = rioxarray.open_rasterio(f, masked=True).squeeze() da = da.assign_coords(year=year) das.append(da) cube = xr.concat(das, dim="year") # 全区总人口年序列 total = cube.sum(dim=["x", "y"], skipna=True) # 逐年增长率 growth = total.diff("year") / total.shift(year=1)

拼接时最常遇到的问题是对齐。如果每年的栅格范围或网格有细微差别，xr.concat会报错或者按并集扩展出一堆NaN。解决办法是拼接前统一裁到一个固定的边界框，并用同一个模板栅格做reproject_match，保证所有年份的transform完全一致。还有一点，如果某些年份缺文件，xr.concat不会自动补，得手动构造完整的年份索引再reindex，否则算增长率时会把不相邻的两年当成相邻年来算，得出的增长率完全没有意义。

做趋势分析时，我还习惯额外算两个东西：一是分位数曲线，看人口分布是越来越集中还是越来越分散，这比总量更能反映城镇化过程；二是高值像元的重心迁移轨迹，用像元的加权平均坐标逐年计算，能直观看到人口重心往哪个方向移动。这两个指标对判断数据质量也有帮助——如果重心一年跳几百公里，那基本可以确定是数据问题而不是真实迁移。

4. 几种典型应用场景的落地打法

4.1 灾害暴露评估：把人口叠到风险范围上

这是人口栅格最经典也最刚需的用法。洪水、台风、地震、山火，任何灾害风险评估都绕不开一个问题：有多少人处在危险范围内。流程本身不复杂：拿到灾害范围（淹没深度栅格、影响半径缓冲区、历史灾害多边形），和人口栅格做空间叠加，统计范围内的总人口。但实操中有几个点决定了结果可不可信。

第一是时间匹配。灾害发生在2020年，你用的是2023年的人口数据，那暴露人口就偏了。正确做法是用灾害发生当年或最近年份的数据，如果只有普查年数据，做一次线性内插到灾害年份。第二是空间范围匹配，洪水淹没范围通常只覆盖河道及两岸，而人口栅格是连续表面，叠加时要注意淹没范围的边缘效应——范围边界上的像元，人口可能只有一部分在淹没区内，直接整像元计入会高估。第三是暴露的定义，是"范围内常住人口"还是"范围内夜间人口"还是"范围内需要疏散人口"，这三个数差别很大，得在报告里说清楚口径。

实际项目中我一般会输出三档结果：范围全覆盖的乐观估计、按像元中心点落入的中间估计、按重叠面积加权的保守估计，三个数一起给，让决策方知道不确定性区间在哪。这比给一个精确到个位的数字实际得多，也更诚实。

4.2 公共服务设施可达性：人口加权才是关键

医疗、教育、养老设施的布局分析，如果只用设施数量和行政区面积，结论往往和真实感受差很远，因为人口分布极度不均。把1km人口栅格接进来，就能算出"每个设施实际服务了多少人""多少人能在30分钟内到达"，这类分析在城市规划和公共政策评估里用得非常多。

具体做法上，两步半法（2SFCA）是最常用的框架：第一步对每个设施算供需比，用设施容量除以服务范围内的人口；第二步对每个需求点（通常是栅格像元或小区质心）算可达性，把它能触达的所有设施的供需比按距离衰减加权求和。这里面人口栅格的作用是提供分母，也就是服务范围内的人口基数。操作上的关键是把人口栅格聚合成需求点，同时保留位置坐标，聚合单元的大小要和出行距离尺度匹配——分析15分钟步行可达性，用1km像元就太粗了，最好细到250m或直接用建筑单元；分析县域医疗资源覆盖，1km就够用。

还有一个容易出错的地方是距离的计算方式。直线距离（欧氏距离）会严重高估可达性，尤其在有大河、山体、高速阻隔的区域。如果没有路网数据，至少要用成本距离或者加入地形阻力；如果有路网，就用网络分析算实际通行时间。这个选择对结果的量级影响很大，我在一次县域医疗可达性分析里对比过，直线距离下90%的人口能在15分钟内到达，换成路网实际通行时间后降到62%，差距足够改变政策建议的方向。

4.3 商业选址与市场容量估算

商业场景里，人口栅格的用法更直接：以候选店址为圆心，画1公里、3公里、5公里三个圈，分别统计圈内常住人口、人口密度、家庭数估算值，作为市场容量的第一层筛选。这套方法的好处是快，能在几小时内把几百个候选点位筛到几十个，坏处是它只看了"有多少人住在这"，没看"这些人会不会来"。

我一般会在人口栅格之外再叠三层修正。第一层是竞争密度，统计圈内同类门店数量，把市场容量按竞争强度打折。第二层是通行阻隔，用路网判断圈内的实际可达范围，一条高架或者一条河能把3公里圈切成两个世界。第三层是人流方向，人口栅格是居住地分布，但消费行为发生在通勤路上和工作地，如果有白天人口数据或者手机信令的驻留数据，应该和居住人口做交叉，把"住在这里"和"白天在这里"区分开。很多选址失败案例的根因，就是把居住人口当成了到店客流。

还有一个技术细节值得提：商业分析里常用"1公里内人口"这样的表述，但到底按圆形缓冲区还是按步行等时圈，结果差别巨大。步行等时圈更贴近实际消费行为，现在有开源的路网数据和等时圈计算工具，成本不高，建议直接用等时圈替代圆形缓冲区，说服力和准确度都更好。

4.4 环境暴露与健康研究：人口加权浓度才是暴露量

空气污染、高温、绿地覆盖这类环境暴露研究，如果只算区域平均浓度，会完全忽略"人到底在哪"。一个城市平均PM2.5是40微克/立方米，但人口密集的城区可能是55，人口稀疏的郊区可能是25，用40去做健康效应评估，会系统性低估实际暴露水平。正确做法是用人口栅格对环境浓度栅格做加权平均，得到"人口加权浓度"，这才是暴露量。

计算方法很简单：把两张栅格对齐到同一网格，逐像元相乘再求和，除以总人口。但前提是两张栅格的分辨率和网格必须严格一致，否则必须先重采样对齐。环境数据往往是3km、5km甚至更粗的网格，重采样到1km时用双线性会引入平滑，但这是可接受的，因为大气污染本身空间连续。反过来把人口重采样到粗网格时，一定要注意用求和而不是平均，否则人口总量会丢失。

另外提醒一个伦理和方法上的问题：健康研究往往需要分年龄、分性别的人口结构，而人口栅格只给总量。这时候需要拿普查的人口结构比例，按行政单元乘到栅格上，得到一个近似的分组人口表面。这种近似会在结构差异大的区域（比如大学城、工业园区）产生明显误差，做精细的健康效应估算时要在局限性里写清楚，不能当成精确值用。

5. 常见问题与排查实录

5.1 数据类问题速查表

下面这张表是我这些年积累下来的高频问题清单，基本覆盖了八成以上的"数据看起来不对"的情况。遇到异常先对着表排查一遍，能省下大量时间。

表格里最需要强调的是第一行和最后一行。单位问题出现的频率远超想象，因为很多数据分享页面只写"1km人口数据"，不写单位，下载者默认按人数用。像元错位则是最难发现的，因为软件不会报错，图看起来也正常，只有当你把两张图放大到像元级别对比，才会发现偏移。

5.2 几个我实际踩过的坑

第一个坑是关于"分市数据"的。有次做某个地级市的人口空间分析，用了标称"分市"的数据，结果发现市辖区内部的人口分布极其平滑，完全没有体现出老城区和新区的差异。后来对比了国别版才发现，这份分市数据就是把国别产品按市界裁了一刀，再按市级普查总量缩放，空间格局一点没变。而国别产品本身在那一带的建模分辨率就偏粗，导致市区内部细节丢失。这个教训让我养成了一个习惯：拿到任何"分省""分市"数据，先和一个上游产品做像元级对比，如果除了比例系数之外完全一致，那就知道它是裁剪版，用它做精细分析要谨慎。

第二个坑是关于零值的。某次统计一个西部县域的人口，结果比普查数少了三成，查了很久发现该县有大片区域在原始栅格里的值是0，而我的代码把0当成了"无数据"给排除了。实际上那些0是真实的零人口像元（荒漠和保护区），排除它们不影响总和，但问题在于我的代码同时还把NoData（-99999）也当成了有效值参与运算，两个错误互相抵消了一部分，导致结果既不对也看不出规律。后来我改成显式声明nodata并全程用masked array，问题才彻底解决。这件事让我明白，处理空间数据时"隐式约定"是最危险的，所有假设都必须写进代码里。

第三个坑是关于时间序列的。做某区域二十年人口变化分析，曲线画出来发现2008年和2015年各有一个明显的台阶。一开始以为是行政区划调整，查了边界没变；又怀疑是普查数据更新，查了普查年份也不对。最后翻了数据发布说明才发现，这两个年份正好是产品大版本更新的年份，模型和特征集都换了，所以产生了方法性断点。这个发现直接改变了分析结论——原本准备写的"人口阶段性变化特征"，其实是数据生产方法的痕迹。从那以后，我做任何长序列分析，都会先去查产品的版本更新日志，把版本切换年份在图上标出来，避免把方法变化误读成现实变化。

5.3 精度这件事，怎么说才不算误导

最后想认真说一下精度表述。1km精度这个说法本身是有歧义的：它可以指空间分辨率是1km，也可以指精度（误差）是1km。实际上前者是确定的，后者完全不是——1km人口栅格的像元值误差可能达到百分之几十，在城市核心区和人口稀疏区还不一样。把"1km分辨率"说成"1km精度"，在技术文档里是常见但不太严谨的表述。

更合适的表达方式是分开说：空间分辨率1km，单个像元的相对误差在什么量级，汇总到多大范围后误差能收敛到什么水平。经验上，单个1km像元的人口估计误差可以很大，但汇总到一个县、一个市之后，正负误差会相互抵消，总量误差通常能控制在个位数百分比。所以这份数据适合做区域级、城市级的分析，不适合对单个像元做精确断言，更不适合拿去做"某小区有多少人"这种精细判断。我在给别人交付结果时，一定会附上这句话，因为一旦使用者误以为1km栅格能精确到小区，后面所有的决策都会建立在一个错误的精度假设上。

还有一个常被忽略的不确定性来源是时间。前面提过，普查间隔期内的年份是插值外推的，越远离普查年，不确定性越大。如果做趋势分析，最好在图上把普查年标出来，让读者知道哪些点是实测锚定的、哪些是模型推出来的。这个细节不增加任何计算量，但能显著提升结论的可信度。

我个人在实际操作中的体会是，人口栅格这类数据真正的门槛不在"会不会打开文件"，而在"知不知道它的边界在哪"——它由什么控制总量、用什么特征分配、在哪个层级校准、哪一年换了方法。把这四件事搞清楚，一份普通的数据就能用得很稳；搞不清楚，再高分辨率的数据也只是好看的热力图。最后分享一个提高效率的小习惯：给每一份用过的数据写一个不超过十行的元数据卡片，记下来源、版本、单位、坐标系、NoData、校准层级、已知问题，存在同目录下。一年之后再回来用，这张卡片能帮你省掉整整一天的重新摸索。