1. 这份全球建成区数据到底是什么先说一个很多人初次接触这类数据时的误解看到“1975-2030年全球1km分辨率建成区空间分布栅格数据”第一反应往往是“这是一张图”但实际上它是一个时间序列数据集由几十个栅格图层组成每个图层代表某一年份、全球范围内每个1km格网上的建成区覆盖情况。所谓建成区指的就是人类建设活动占用的地表——城市、乡镇、村庄、工业区、道路和基础设施等用遥感里比较严谨的说法叫 built-up area。这份数据的核心价值在于两点。第一是时间跨度足够长从1975年一直延续到2030年覆盖了近60年的城市化进程这个时间纵深对做长周期城市扩张、土地利用变化、碳排放建模、人口分布估算的人来说非常关键。很多公开数据集要么只有最近十年要么只有几个孤立年份很难形成完整的时间链条。第二是空间覆盖是全球范围不是某一个国家或区域全球统一坐标系、统一分辨率、统一分类标准跨区域对比研究可以直接用省去了自己拼接、统一口径的大量工作。那1km分辨率意味着什么简单打个比方如果把全球陆地表面铺成一张格子纸每个格子是1km乘1km总共大约1.49亿个陆地格网按赤道附近计算。每个格网里记录一个值——这个格网中有多大比例的面积被建成区覆盖或者按分类标记为“是否建成区”“建成区密度区间”。1km这个尺度确实看不清楚一栋楼、一条街道但足以看清一个城市组团的空间形态与扩张趋势。对于宏观研究来说这个分辨率是“性价比”极高的选择比它精细的数据如30m、10m全球范围动辄几百GB甚至上TB处理起来要分布式集群比它粗糙的数据如10km、0.25度又会丢掉城市群的内部结构。1km恰好能识别出城市连绵带、都市圈扩展方向同时数据量控制在合理范围普通个人电脑就能处理。到底该把这份数据用在什么场景从我接触到的实际项目来看至少有这么几类一是城市化与生态环境耦合分析比如某流域1975年到2020年间建成区面积每十年变化多少与水体、植被覆盖度的响应关系二是人口空间化修正很多人口公里网格产品的建模底图就是建成区分布三是未来土地利用情景模拟2030年的数据可以作为基准情景或规划约束条件四是灾害风险与城市韧性评估把建成区分布叠加到洪水淹没范围、地震烈度图上快速评估暴露人口和基础设施。如果你是做城乡规划、国土空间规划、遥感地信应用、环境科学、地理学相关研究的人这份数据大概率用得上。另外一个值得注意的细节是这类全球建成区数据通常存在多个版本体系的差异比如有的基于夜间灯光影像反演有的基于Landsat光学影像分类有的基于众源地理数据融合。不同来源在数值口径上不完全一致——有的输出的是“建成区面积比例0-100%”有的输出的是“类型编码1表示城市、2表示乡村建成区等”。拿到数据之后第一件事不是打开ArcMap随便看一眼而是先读元数据文档确认字段含义、投影坐标系、数据来源和精度验证报告。这一点看起来基础但实际操作中至少有一半的人跳过后面做面积统计时才发现数值对不上回头返工非常被动。2. 栅格数据的组织逻辑与预处理要点2.1 栅格组织形式是这个数据集的第一道门槛搜索引擎里“栅格数据组织形式”一直是高频词说明大量新手在处理这类数据时卡在了第一步。栅格数据和矢量数据最大的区别在于矢量数据用点、线、面来记录地理实体边界精确栅格数据用规则格网记录连续场或离散类别每个像元pixel是信息的最小单元。放到这份建成区数据集里每个1km像元就相当于一篇土地覆盖故事的最小片段。具体来说这份数据在磁盘上的组织形式通常有三种可能第一种是单波段GeoTIFF文件序列文件名里带年份标记例如built_up_epoch_1975.tif、built_up_epoch_2020.tif每个文件是全球范围的一个栅格波段值为建成区比例第二种是NetCDF或HDF5格式把多个年份叠在同一个文件里时间维作为第三维适合用Python的xarray库直接读取做时间序列分析非常方便第三种是分块的FileGDB或个人地理数据库里面存着分区域的数据这种多见于数据分发平台为了方便不同区域用户下载的设计。你要做的第一件事就是识别自己拿到的具体是哪种组织形式再决定后续用什么工具链。从实操经验来看如果你主要在ArcGIS里做分析GeoTIFF序列是最友好的拖进ArcMap就是标准图层如果你做的是长时序趋势分析、需要写代码做统计NetCDF是更好的选择配合xarray可以一行代码读取出特定年份、特定经纬度范围的子集。这里有一个很常见的误区拿到NetCDF格式的数据直接用ArcMap的“多维数据”工具去读有时候会因为栅格函数配置问题读不出完整的时间维。实际上处理NetCDF最顺手的路径是Python环境xarrayrioxarray或者用QGIS的NetCDF浏览器插件。# 用Python快速查看NetCDF格式的建成区数据 import xarray as xr ds xr.open_dataset(global_built_up_1975_2030.nc) print(ds) # 提取2020年全球建成区转为GeoTIFF输出 da ds[built_up].sel(year2020) da.rio.to_raster(built_up_2020.tif)这段代码里rio.to_raster依赖rioxarray库它能在写出栅格时自动带上坐标参考信息。如果之前没用过rioxarray需要先装好pip install rioxarray。实测下来1km分辨率的全球栅格转单个GeoTIFF大约100多MB磁盘读写压力不大。2.2 投影坐标系选择与面积统计的因果关系分辨率、投影、面积统计这三者之间存在一个绕不开的连锁反应。这份数据如果是全球范围的原始投影通常是经纬度坐标WGS84像元大小标注为“0.01度”或“约1km”——注意这个“约”字。在赤道附近0.01度经度对应约1.11km但到了北纬60度0.01度经度对应的实际距离只有约0.55km。也就是说如果直接用经纬度坐标的栅格做面积统计同一个“1km”像元在不同纬度代表的真实地面面积差异很大高纬度地区会被明显高估。所以做面积变化分析的第一步是先把数据从地理坐标系投影到等积投影如World Equal Area、Albers等面积投影、Mollweide投影保证每个像素的真实面积是一致的然后再做统计。这可以说是所有全球范围栅格面积研究里最典型的坑。我见过有研究者拿WGS84的全球土地覆盖数据直接算面积算出来的非洲大陆面积比真实值明显偏大原因就在这里。ArcMap和QGIS里做重投影都很方便。ArcMap里用Project Raster工具工具箱Data Management Tools → Projections and Transformations → Raster → Project Raster注意重采样方法选Bilinear或Cubic——如果你处理的是连续比例值选Nearest会生硬地改变数值分布QGIS里用Warp工具栅格 → 投影 → 变形参数类似。做完投影后再用栅格计算器或者Zonal Statistics统计面积数值才是可信的。提示做全球尺度分析建议新建一个默认投影为等积投影的ArcMap工程或QGIS工程所有数据统一在这个投影下处理而不是每次临时转换。这样既避免重复投影带来的误差累积也方便不同数据源的互相叠加。2.3 原始波段值与实际语义之间要做一次映射建成区栅格数据常见的三种数值语义拿到数据后必须先看类型连续比例值像元值范围0-100表示该1km格网内建成区覆盖的百分比。这种数据做趋势分析可以直接用原值。分类编码值像元值为1、2、3等分别对应“无建成区”“低密度建成区”“高密度建成区”等类别。这种数据做分析前往往要重分类。二元值0和1分别代表非建成区和建成区。这种最简单但丢失了密度梯度信息做精细分析时不够用。不同版本的数据集在这点上差异很大有的还会把“水域”单独编码。我之前处理过一份数据元数据里没有明确说明直接用栅格计算器把值等于30的当成了建成区比例30%后来交叉验证发现30实际上是水体掩膜编码。所以拿到数据的第一时间先做直方图看看像元值的分布形态——连续数据直方图通常是平滑渐变的分类数据直方图有明显的峰值聚集二元数据只有0和1两根柱子能帮你快速判断数值语义是否正常。3. 实操全流程从原始栅格到可用的时空分析结果3.1 数据准备与质量体检处理这份数据的完整流程我拆成五步数据体检、裁剪掩膜、投影转换、统计计算、结果输出。每一步都有自己的坑逐个说明。数据体检是我自己习惯的叫法意思是拿到数据后先别急着分析花20分钟把数据的完整性和质量确认清楚。操作上包括用GIS软件打开每个年份的栅格检查是否有覆盖范围缺失查看直方图判断数值区间是否与元数据描述一致检查是否包含NoData区域尤其是沿海地区和岛屿区分“水域NoData”和“陆地NoData”很关键——有些版本将水域赋值为NoData有些则赋值为0如果你不做区分沿海城市的统计结果会出偏差。这里给出一个用Python和Rasterio做的体检脚本框架import rasterio import numpy as np for year in [1975, 1980, 1990, 2000, 2010, 2020, 2030]: path fbuilt_up_{year}.tif with rasterio.open(path) as src: arr src.read(1) # 有效值比例 valid_mask arr ! src.nodata print(year, 有效像元占比:, valid_mask.mean().round(4)) print(均值:, np.nanmean(arr[valid_mask]).round(3))这段代码快速帮你判断每个年份的数据是否有大面积缺失。如果某一年有效像元占比明显比其他年份低说明数据出了问题需要回到源头检查。3.2 裁剪目标区域与重投影如果你是做特定区域研究比如中国东部、某个省、某个流域第一步就是把全球数据裁剪到目标范围。操作上有两种方式一种是直接用行政边界或研究区矢量面去裁剪另一种是先用经纬度范围框选再落到矢量裁剪。推荐后者先用一个大的矩形裁剪快速缩小数据量再精确裁剪处理效率高很多。ArcMap中可以用ArcToolbox的 Extract by Mask 工具QGIS中对应 Clip Raster by Mask Layer。参数设置时有几个容易被忽略的细节输出格式建议保留为TIFF并勾选“压缩LZW”很大程度上减小体积如果目标范围是省界等自然边界不规则的矢量面裁剪时容易产生边缘细碎像元建议在裁剪前先对矢量面做一点点简化或者缓冲避免生成大量无意义的微小多边形格网。做完裁剪紧接着做投影转换。前面说过要用等积投影。这里给两个实际可参考的参数全球尺度建议用Mollweide中央经线0度或World Equal Area中国区域分析建议用Albers等积投影其两条标准纬线一般设为25N和47N中央经线105E。在QGIS的Warp对话框里把输出坐标系设定为对应EPSG代码即可——例如Mollweide是EPSG:54009中国Albers是EPSG:102025但不是所有QGIS版本都内置可能需要自定义。ArcMap里如果你是中文版Project Raster工具窗口中可以直接看到这些坐标系名称。重采样方法前面提到用Bilinear或Cubic这里再补充一个使用场景如果你后续要把建成区数据与其他1km数据如人口格网、气象格网叠加分析那么在投影转换时就要统一所有数据的投影和像元大小把它们对齐到同一个格网框架上。这一步骤在遥感术语里叫重采样配准是所有多源栅格叠加分析的前提。3.3 时间序列统计与变化检测投影完成后就能做一些实质性分析了。最常用的是统计研究区内建成区总面积或平均覆盖比例的变化过程。如果栅格值是连续比例类型可以用Zonal Statistics as Table工具ArcMap或Zonal Statistics工具QGIS提取。但这里有个更容易操作、也更灵活的办法直接用Python的Rasterstats库写出自定义统计尤其是处理几十个年份的时候批量跑起来效率高得多。import rasterstats as rs import geopandas as gpd aoi gpd.read_file(study_area.shp) results [] for year in [1975, 1980, 1990, 2000, 2010, 2020, 2030]: stats rs.zonal_stats( aoi, fprojected_built_up_{year}.tif, stats[sum, mean], all_touchedTrue )[0] results.append({year: year, built_up_sum: stats[sum], built_up_mean: stats[mean]}) import pandas as pd df pd.DataFrame(results) df[area_km2] df[built_up_sum] * 1 # 1km分辨率每个像元面积约1km² df.to_csv(built_up_change.csv, indexFalse)为什么像元面积写“约1km²”因为经过等积投影后全球所有像元的真实地表面积被统一了Mollweide投影下按原理解析像元面积在不同纬度保持一致每个像元对应的实际面积就是投影坐标单位下的1个平方单位。如果是Albers等积投影也是同样的逻辑。这就是为什么必须在统计之前完成投影转换的原因——否则这个面积系数在不同纬度是变化的不能简化为一个统一数值。时间序列分析还有一个隐藏问题数据的年份间隔不均匀。1975年到2030年之间不是每年都有数据通常只有若干代表性年份如1975、1990、2000、2010、2020、2030等。做趋势分析时不能把所有年份当成等间隔序列要先检查年份列表必要时做年际插值或仅对相邻数据年份做差分。我在项目里就遇到过把1975-2030按11个等间隔年份直接线性拟合的结果把几段稀疏间隔的跳跃当成平稳趋势做出了与实际情况不符的判断。3.4 栅格转Excel与统计报表生成热搜词里“arcmap栅格数据转化导出为excel”是个热门需求恰好这个数据集也经常需要导出统计结果。严格意义上ArcMap本身没有直接把栅格像元值一键导出成Excel表的功能常规路径有两条一是用“栅格转ASCII”Raster to ASCII先导出文本矩阵再在Excel里用文本导入向导处理二是针对已统计出的属性表用Table to Excel工具导出。如果你需要的是“每个像元位置及对应年份值”的长表直接用Python最省事——用rasterio读栅格用经纬度坐标记录像元位置写成pandas DataFrame然后df.to_excel()一键搞定几行代码替代手工操作import rasterio import pandas as pd import numpy as np with rasterio.open(built_up_1990.tif) as src: arr src.read(1) transform src.transform rows, cols np.where(arr ! src.nodata) lons [transform * (col, row)[0] for row, col in zip(rows, cols)] lats [transform * (col, row)[1] for row, col in zip(rows, cols)] df pd.DataFrame({经度: lons, 纬度: lats, 建成区值: arr[rows, cols]}) df.to_excel(built_up_1990_points.xlsx, indexFalse)注意transform * (col, row)返回的是像元左上角坐标要取像元中心就加0.5偏移很多人在这一步会差半个像元。如果你对坐标精度要求高别忽略这个小细节。4. 分辨率思维从1km到更高精度的拓展路径4.1 1km分辨率数据的能力边界在哪里很多人在用这份数据时会纠结一个问题1km分辨率够不够用我的判断是这取决于你的分析尺度。如果你做的是全国或大区域尺度的城市化格局、增长极识别、城市群扩张方向判断1km完全够用甚至可以用它直接识别出“城市连绵区”“城市群空间结构”这些宏观现象但如果你想在市级甚至街道级范围做精细的城市内部结构分析1km就会显得比较粗糙——一个城市的主城区可能只对应十几个格子内部的功能分区完全无法区分。具体来看1km分辨率能可靠回答的问题包括全球哪个区域的城市化速度最快、某省份的城市建成区近50年扩张了多少倍、不同国家的城市化空间格局有什么差异、哪些城市群正在连片发展不适合回答的问题则包括某个具体城市的街区尺度用地结构、城中村改造范围圈定、新增建设用地的微观区位选择、建筑物级别的灾害暴露评估。这些需要30m、10m甚至更精细的数据。4.2 图像超分辨率重建能给这份数据带来什么热搜词里“图像超分辨率重建”出现频率很高放在这个数据集上有两层含义。第一层是最朴素的“提升空间分辨率”——比如通过深度学习模型将1km建成区栅格“超分”到250m或100m让城市内部结构更清晰。这在技术上是可行的但必须想清楚一个问题超分重建的本质是根据训练数据学到的“先验模式”来猜测细节不是真实观测。位于城市中心的格网超分后大概率会预测成高密度建成区位于农村边缘的格网则可能被预测成零散建成区。这种结果可以做可视化探索但如果作为精确面积统计的数据源就需要谨慎因为超分模型在训练数据覆盖较少的区域可能存在系统性偏差。第二层是“数据融合型超分”——把1km建成区数据与更高分辨率的辅助数据如夜间灯光、Landsat NDVI、道路网密度、POI密度等一起输入模型联合反演更高分辨率的建成区分布。这种做法技术门槛比纯图像超分高但结果更可靠因为加入了真实观测的信息约束而不是纯粹靠模型脑补。这方面建议关注一下发表在Remote Sensing of Environment、Science Data等期刊上的全球城市土地高分辨率数据集它们很多就是走这条技术路线把多种分辨率数据融合后提供30m的全球建成区产品。4.3 下游应用时如何匹配不同分辨率的图层实操中大多数人不会真的去对1km数据做超分而是把1km建成区数据和其他分辨率的数据做叠加对比。比如你想计算某个区域单位面积建成区对应的GDP可能需要把GDP统计年鉴数据行政单元级和1km建成区数据栅格级做空间连接想把建成区变化和气候模式输出的气象格网通常0.25度或0.5度做回归分析就要先统一分析单元。我常用的做法是把精细栅格聚合到粗网格上去而不是反过来把粗网格插值到精细网格。为什么聚合是信息压缩每层信息量不超过原数据偏差可控插值是信息猜测可能把不存在的信息制造出来。具体操作中比如把1km建成区数据聚合到0.5度气候网格上可以用Zonal Statistics按网格面求均值但需要注意0.5度网格在不同纬度下的真实面积也不一致如果你是分析每网格的“建成区总量”建议先投影到等积坐标系再做聚合。如果实在需要在经纬度网格体系内操作那就用面积权重的方法每个1km像元按它落在目标格网内的面积比例贡献统计值而不是简单的栅格重采样。5. 实战中一定会踩的坑与排查技巧5.1 NoData与0值混淆的连锁错误建成区数据的NoData处理规则在不同版本里并不统一这是我见过最普遍的出错点。建议拿到数据后立即用GIS软件的“唯一值渲染”或属性表浏览功能检查NoData值——是否用-9999、255或65535标记是否将水域标记为NoData有些产品把海洋区域设为NoData有些把海洋区域设为0两者在统计总面积时差异巨大。如果错把NoData当成0值海洋面积会被当成“完全无建成区”的有效样本参与统计反过来如果错把0值当成NoData实际没有建成区的陆地也会被排除。解决方法很简单统计前先做一个掩膜栅格把研究区的陆地范围作为有效分析面或者直接用研究区矢量边界做掩膜提取确保NoData与0值不混淆。5.2 互操作性问题不同软件读出来的“神秘大值”有位读者之前问我为什么在ArcMap里打开数据拉伸显示时极值到了“3.4e38”这是什么情况这其实是一个典型的浮点栅格符号位异常——数据本身是单精度浮点型在某些平台上NoData没有正确写入元数据导致统计范围时被“读”成了极端值。处理方法一是查看属性里的“像素类型”确认是Float32还是Int16二是用Raster Calculator的IsNull函数生成NoData掩膜自己重新定义NoData值三是直接用gdal_translate命令行工具重写NoData标记gdal_translate -a_nodata -9999 built_up_1975_raw.tif built_up_1975_clean.tif这类问题不复杂但排查起来需要耐心——如果你看到一个图层的拉伸范围是-3.4e38到3.4e38基本可以断定是没写好NoData判读统计都会出错。5.3 海量图层批量处理的性能瓶颈这套数据有几十个年份图层每个全球范围图层的体积都在几百MB量级。如果直接在ArcMap里逐个年份加载、裁剪、投影、导出第一步就会很痛苦——不仅内存占用大工具运行时间长中途还容易崩。我的经验是能用Python批量处理的不要用GUI逐个操作。把流程写成脚本让计算机夜里跑睡一觉起来结果就在目录里了。另外补充一个细节尽量在批处理脚本里加上断点续跑的逻辑因为全球栅格的重投影确实可能中途报错比如磁盘空间不足、进程崩溃如果从第一步重新来很浪费时间。简单做法是每次输出时先检查目标文件是否存在存在就跳过import os def need_run(output_path): return not os.path.exists(output_path) for year in years: out fprojected_built_up_{year}.tif if need_run(out): # 执行投影 pass5.4 城市扩张分析的经典应用模式城市扩张分析是这份数据最典型的应用场景。以“1975年到2020年某城市群建成区变化”为例完整的链条是逐年裁剪该区域栅格数据、统一投影、统计各年份建成区面积、计算扩张速率和扩张强度、识别扩张方向与热点区域。这里有两个指标常用且容易算错——城市扩张速度每期新增面积/间隔年限和扩张强度指数新增面积/总面积的年均比例。前者单位是km²/年后者是无量纲比值两者在不同年份尺度之间做对比时必须保证分母口径一致。比如1975-1990年跨度15年2000-2020年跨度20年不能直接把两个时间段的新增面积相减做比较要先计算年均扩张速度。实际操作中我常用“建成区比例变化图”来做可视化把某一时间段内初始年和末年栅格相减正值代表新增建成区零代表不变负值通常是数据噪声或极少数的退建情况。ArcMap栅格计算器的公式就是built_2020 - built_1975输出后按色带渲染新增区域一目了然。但注意栅格相减前务必确保两个图层空间位置严格对齐——如果原始数据年份间的像元网格分布有细微偏移需要先做重采样配准否则会生成大量伪变化。5.5 与其他数据源的交叉验证思路最后想分享一个重要的实践理念任何一份公开数据集都不应该被无验证地使用尤其是长时间序列的全球数据产品。拿到1km建成区数据后建议至少做两轮交叉验证第一轮是空间验证抽取几个典型城市比如你知道真实城市边界的地区对比你的栅格数据里建成区的分布是否与高分辨率影像或OpenStreetMap的建筑轮廓一致第二轮是时间验证对比数据集中某些年份的城市面积变化趋势是否与国家或地方统计年鉴里的城市建设用地面积变化趋势方向一致。我之前在一次项目里遇到过一个情况数据集显示某市1990-2000年间建成区面积翻了一倍但查阅当地规划年鉴该市同期实际建设用地增幅只有四成。后来排查发现大概是数据集把周边乡镇的低密度工业用地也识别为建成区导致统计口径偏大。遇到这种情况正确的做法不是放弃数据集而是对研究区域设置一个阈值或者掩膜——比如对1km格网内的建成区比例设定“必须大于20%才算城市建成区低于这个阈值归类为乡村建设用地”让统计和分析口径更贴合研究目的。6. 数据获取之外还要想清楚的三件事这份数据的下载和简单处理其实不难真正拉开人与人差距的是拿到数据后有没有想清楚三件事。第一件事是年份选择与研究设计之间的关系。1975-2030年这50多年是大部分发展中国家快速城市化的时期但不同区域的城市化拐点差异很大。做全球研究时统一用所有年份的完整序列当然没问题做国别对比研究时建议先了解各国城市化进程的关键节点选准研究区间而不是机械地把所有年份全跑一遍。比如说欧洲的城市化增速高峰在二战后到1970年代就已经过去了1975年之后的建成区变化相对平缓而东南亚、非洲很多国家1975年之后才是高速城市化阶段。用同一套时间尺度去套不同地区可能得出“欧洲停滞、非洲爆发”这样极端化的对比虽然它看起来基于事实但解读时需要更加小心语境差异。第二件事是面积统计的误差不能只看分辨率。1km分辨率的栅格数据统计城市面积时有一个系统性现象对于面积仅占一个格网不足20%的村庄或小型城镇很可能会被归为“非建成区”或者被平均成一个较低的密度值。这意味着基于1km数据统计出来的城市面积普遍会低估中小城镇的真实建成区规模但大盘趋势和方向性结论受影响较小。做正式报告时建议在测算说明里明确这一点注明“基于1km分辨率全球建成区产品中小城镇面积存在低估可能”。这种诚实面对数据局限的态度比给出一堆精确到小数点后两位的数字更能经得起评审和质疑。第三件事是这份数据与更新的30m、10m全球数据产品如何配合使用。1975-2030年时间序列的价值在于长时间跨度而像ESRI的Global Land Use、World Settlement Footprint、Global Human Settlement Layer等30m或更高分辨率的产品往往只提供若干个孤立年份或者时间覆盖较短。互补的使用策略是用1km序列建立宏观时间趋势和区域比较框架再用高分辨率数据在关键年份、关键区域做深入的横向验证或下钻细化。这样两套数据各自发挥长处比只盯着一套数据做到底更扎实。我个人的体会是任何公开数据产品都是一种“基础设施”它的价值不在于文件本身而在于你基于它提出的问题、做出的判断、结合现实形成的解释。一份1975到2030年、覆盖全球、分辨率为1km的建成区分布栅格数据真正的分量是社会可以开始用统一的口径去回看50多年的城市化进程——看看人类是如何在不到两代人的时间里重塑了地表形态。你用这份数据做的每一次统计、画的每一张地图、写的每一段结论都在帮这个时代留下一份关于城市化的可量化记录。最后再分享一个非常实用的收尾小技巧在论文或报告里用到这类数据时除了引用数据发布平台的标准引用格式建议同步写明“数据版本号、下载日期、预处理流程投影转换参数、重采样方法、阈值设定”。我之前评审过好几份报告预处理细节写得完整的数据分析可信度明显更高反之光写一句“数据来源于某某数据集”的往往很难让人快速判断分析结果是否可靠。记录预处理过程成本极低收益却是长期的。