全球露天矿分布数据详解：GeoJSON处理与Python分析实战

1. 项目概述与需求分析

1.1 全球露天矿分布数据到底是什么

做矿业遥感或者地质研究的朋友应该都有体会，找一份覆盖全球范围的露天矿分布数据有多难。早些年我们做区域环境影响评估，想要一份完整的矿点分布矢量数据，翻遍国内外的公开数据平台，找到的多半是某个国家、某个矿种或者特定年份的零散数据，要么精度不够，要么字段信息残缺，很难直接拿来用。

这份全球露天矿分布数据，简单说就是一套记录了全球主要露天矿采矿权范围的矢量空间数据集。它不是一个简单的点坐标清单，每个矿点都带有明确的土地覆盖类型属性，能区分出这个区域是开采中的矿坑、废弃矿区还是待开发的矿权地。这种数据做宏观分析特别有用，比如研究矿业活动对周边生态系统的影响、分析全球矿产资源开发的空间格局、或者做矿业用地的变化检测，都需要这种带空间边界和属性的基础数据。

我第一次拿到这份数据的时候，印象最深的是它的覆盖面——全球79个国家、大约4437个露天矿采矿权区，而且时间跨度从2000年前后一直到2020年左右。这意味着你可以在全球尺度上对比不同国家的矿业开发强度，也可以追踪某一片区域十几年来的扩张过程。对做全球变化研究、矿业政策分析或者可持续发展评估的人来说，这基本属于必备的基础底图。

1.2 这个项目适合谁来看

这篇文章主要写给三类人：

第一类是GIS和遥感方向的研究生、工程师，你们可能是想把这份数据叠加到自己的分析流程里，做生态破碎化评估、土地利用变化检测或者碳汇估算。这类朋友最关心的是数据的坐标系统、字段格式和精度是否满足研究需求。

第二类是矿产资源管理和规划部门的技术人员，你们可能要拿这份数据做区域矿业开发现状梳理，或者辅助划定生态红线。这类朋友需要知道这份数据能不能替代或补充本地的高精度矿权数据。

第三类是刚入门的数据分析师，你们可能只是偶然发现这份数据，想试试看能不能做一些可视化分析。这类朋友需要的是把数据跑起来的具体操作步骤，包括怎么下载、怎么导入、字段都是什么意思。

我写这篇文章的时候会尽量把每个环节都拆开讲清楚，涉及代码的部分也会给出可以直接用的脚本，大家根据自己的基础取所需即可。

2. 数据格式与字段结构解析

2.1 数据包里的核心内容

这份数据下载解压之后，核心文件是一个GeoJSON格式的矢量文件，文件名通常长这样：Global_OPEN_MINED_AREAS.geojson。GeoJSON这种格式的好处是纯文本存储、跨平台兼容性好，几乎所有的GIS软件和空间分析库都能直接读取，不需要额外转换。

字段设计沿用的是Google Earth Engine上WHU（武汉大学）发布那版全球露天矿区数据集的属性体系。原始数据是基于高分卫星影像人工解译的，每条记录的属性信息包含了矿区的名称（如果有）、所在国家代码、影像获取日期、土地覆盖类型、面积估算值，以及一条对应的影像超链接。这些字段的设计思路很清晰——既保证了你能够做基本的空间查询和筛选，又保留了追溯到原始影像的能力，方便验证数据精度。

有一个字段经常被忽略，就是那条影像链接。它指向的是Google Earth高清影像上的具体坐标位置。我建议拿到数据之后先随机挑几个点，点开影像链接核验一下边界轮廓和实际情况是否吻合。这套数据虽然整体精度不错，但毕竟是通过卫星影像人工解译出来的，局部区域很可能存在边界偏移，尤其是那些矿坑边缘堆了废石、植被恢复区和不透水面混杂的区域。做精度要求高的分析之前，这一步抽检不能省。

2.2 字段定义与含义说明

这里要特别说明的是AREA_KM2字段。这个面积是解译多边形在WGS84坐标系下直接计算的球面面积，并不是投影平面面积，所以对于高纬度地区的矿区，这个值可能和当地测绘部门提供的矿权登记面积有出入。如果你要做精确的面积统计，建议先做一次投影转换，再重新计算每个多边形的面积。

另外提醒一下，这份数据里NAME字段大约只有一半左右的记录有名称，其余都是空值。这不能算是缺陷，因为很多小型露天矿在原始影像上很难获取官方名称，解译人员通常以矿区所在的小地名或编号代替。做图的时候如果发现大量无名称要素，不要慌，用COUNTRY和AREA_KM2字段做标注即可。

3. 数据下载与获取方式

3.1 从Google Earth Engine检索数据