使用GDAL实现栅格数据的瓦片生成

使用 GDAL 实现地图瓦片动态生成主要有两种技术路线：预生成静态瓦片 （适用于数据更新低频场景）和实时按需切片（适用于海量数据或个性化参数场景）。以下是具体实现方案：

一、预生成方案：gdal2tiles.py 批量切片

GDAL 自带的 gdal2tiles.py 是行业标准工具，支持多进程并行和断点续传，适合在数据更新后批量生成瓦片缓存。

核心命令示例

bash 复制代码

# XYZ 格式（OpenStreetMap 标准），多进程并行生成
gdal2tiles.py \
  --xyz \                          # 使用 XYZ 坐标系（y=0 在北端）
  --zoom=8-18 \                    # 生成 8-18 级
  --tilesize=512 \                 # 瓦片尺寸 512x512（更高清，减少请求数）
  --resampling=lanczos \           # 高质量重采样（适合遥感影像）
  --tiledriver=WEBP \              # 输出格式：PNG/WEBP/JPEG（GDAL 3.9+）
  --processes=8 \                  # 8 进程并行
  --srcnodata=0 \                  # 透明值处理
  --exclude \                      # 跳过全透明瓦片，节省存储
  input.tif \
  ./output_tiles

关键参数说明

参数	说明	建议值
`--xyz`	生成 OSM 标准的 XYZ 瓦片（而非 TMS）	互联网地图必选
`--tilesize`	瓦片像素尺寸（GDAL 3.1+）	256 或 512
`--resampling`	重采样算法	`lanczos`（高质量）、`bilinear`（速度优先）
`--resume`	断点续传，仅生成缺失瓦片	大数据量切片中断后恢复
`--processes`	并行进程数（GDAL 2.3+）	建议设置为 CPU 核心数

Python 批量生成脚本

python 复制代码

import gdal2tiles
import os

def generate_tiles(input_file, output_dir, zoom='10-15'):
    options = {
        'zoom': zoom,
        'np_processes': os.cpu_count(),  # 自动使用全部核心
        'resampling': 'lanczos',
        'tilesize': 512,
        'xyz': True,                     # XYZ 模式
        'exclude': True,                 # 排除透明瓦片
        'tiledriver': 'PNG'
    }
    gdal2tiles.generate_tiles(input_file, output_dir, **options)

# 调用
generate_tiles('satellite.tif', './tiles_cache')

二、实时动态生成方案：按需切片服务

对于无法预切的海量影像（如 TB 级遥感数据），需要构建实时瓦片服务，根据前端请求的 x/y/z 动态裁切。

技术架构

使用 FastAPI/Flask + GDAL Python API 构建轻量级服务，通过 ReadRaster 直接从源影像读取指定范围数据：

python 复制代码

from fastapi import FastAPI, Response
from osgeo import gdal, osr
import numpy as np
from PIL import Image
import io
import math

app = FastAPI()
gdal.UseExceptions()

# 墨卡托投影工具类（基于 GDAL 逻辑）
class GlobalMercator:
    def __init__(self, tile_size=256):
        self.tile_size = tile_size
        self.initialResolution = 2 * math.pi * 6378137 / tile_size
        self.originShift = 2 * math.pi * 6378137 / 2.0
    
    def TileBounds(self, tx, ty, zoom):
        """计算瓦片对应的经纬度/米范围"""
        res = self.initialResolution / (2 ** zoom)
        minx = tx * self.tile_size * res - self.originShift
        miny = -(ty + 1) * self.tile_size * res + self.originShift
        maxx = (tx + 1) * self.tile_size * res - self.originShift
        maxy = -ty * self.tile_size * res + self.originShift
        return (minx, miny, maxx, maxy)

# 缓存已打开的影像数据集（避免重复 IO）
datasets = {}

def get_dataset(path):
    if path not in datasets:
        ds = gdal.Open(path, gdal.GA_ReadOnly)
        # 建立 VRT 金字塔加速读取（如果源文件没有）
        datasets[path] = ds
    return datasets[path]

@app.get("/tiles/{z}/{x}/{y}.png")
async def get_tile(z: int, x: int, y: int, file: str = "input.tif"):
    """
    动态生成单张瓦片
    前端 OpenLayers/Leaflet 直接请求此接口
    """
    ds = get_dataset(file)
    mercator = GlobalMercator(tile_size=256)
    
    # 1. 计算瓦片地理范围（Web Mercator）
    minx, miny, maxx, maxy = mercator.TileBounds(x, y, z)
    
    # 2. 构建 VRT Warp 实现实时投影裁切（如果源数据非 Web Mercator）
    # 也可以使用 gdalwarp 内存文件
    warp_options = gdal.WarpOptions(
        format='MEM',
        outputBounds=(minx, miny, maxx, maxy),
        width=256,
        height=256,
        resampleAlg=gdal.GRA_Bilinear,
        dstSRS='EPSG:3857'
    )
    
    # 3. 执行裁切（从源数据读取指定范围）
    warped = gdal.Warp('', ds, options=warp_options)
    if warped is None:
        return Response(status_code=404)
    
    # 4. 转换为 PNG 字节流
    bands = warped.RasterCount
    if bands >= 3:
        # RGB 图像
        r = warped.GetRasterBand(1).ReadAsArray()
        g = warped.GetRasterBand(2).ReadAsArray()
        b = warped.GetRasterBand(3).ReadAsArray()
        if bands == 4:
            a = warped.GetRasterBand(4).ReadAsArray()
            img = Image.merge('RGBA', [Image.fromarray(b) for b in [r,g,b,a]])
        else:
            img = Image.merge('RGB', [Image.fromarray(b) for b in [r,g,b]])
    else:
        # 单波段灰度
        data = warped.GetRasterBand(1).ReadAsArray()
        img = Image.fromarray(data, 'L')
    
    buf = io.BytesIO()
    img.save(buf, format='PNG')
    warped = None  # 释放内存
    
    return Response(content=buf.getvalue(), media_type="image/png")

性能优化技巧

VRT 虚拟文件 ：对原始影像建立 .vrt 文件，通过 gdalbuildvrt 构建金字塔概览层，加速高缩放级别的读取：
bash 复制代码
```
gdalbuildvrt -addalpha input.vrt input.tif
gdaladdo -r average input.vrt 2 4 8 16 32
```
内存缓存：使用 Redis/Memcached 缓存热点瓦片（如城市中心区域），避免重复计算。
并发处理 ：GDAL 的 MEM 驱动线程安全，可在 Python 中使用 concurrent.futures 或 async 模式处理并发请求，但需注意每个线程使用独立的数据集句柄。
动态范围裁切 ：对于非 3857 坐标系的数据，先使用 gdal.AutoCreateWarpedVRT 创建投影变换的 VRT，避免每次请求都进行投影计算。

三、方案对比与选型建议

场景	推荐方案	技术要点
静态底图发布（如历史影像）	gdal2tiles.py 预生成	配合 CDN 分发，成本最低
实时遥感数据（每日更新）	按需切片服务	使用 VRT + 内存缓存，延迟控制在 200ms 内
个性化渲染（动态调色）	实时切片 + Numpy 处理	在 `ReadAsArray()` 后应用色彩映射表（Color Map）
海量小文件管理	gdal2tiles + MBTiles	使用 `gdal_translate` 输出到 SQLite（MBTiles 格式），避免文件系统瓶颈

四、进阶：分布式动态切片

对于 PB 级数据，单机 GDAL 无法满足需求，可结合 COG（Cloud Optimized GeoTIFF） + TileServerGL：

将影像转换为 COG 格式（内部分块 + 概览层）：

bash 复制代码

gdal_translate input.tif output.tif -of COG -co COMPRESS=LZW -co RESAMPLING=AVERAGE

使用 rio-viz 或 titiler（基于 FastAPI 的 COG 切片服务）实现云原生动态切片，支持 HTTP Range 请求直接读取瓦片，无需完整加载文件。

关键提示 ：如果源数据为 Int16 或 Float32 类型，必须在切片前使用 gdal_translate -ot Byte -scale 转换为 8 位，否则 gdal2tiles 会产生错误结果。