使用rasterio.mask裁剪栅格图像时为何多出一行一列？

核心原因：栅格网格未严格对齐 #

你的猜测完全正确，问题本质就是两个栅格的像素网格没有精准对齐。具体来说：

• Raster1的bounds是基于自身像素网格计算的边界，但NLCD（Raster2）的像素原点虽然和Raster1处于同一坐标系，却存在微小偏移，导致Raster1的边界框刚好与NLCD的额外一行/列像素产生交集。
• rasterio.mask的裁剪逻辑是保留所有与边界框有重叠的像素，哪怕只是边缘接触，这就会多包含一行/列像素。

解决办法 #

方法1：强制匹配Raster1的栅格参数 #

直接复用Raster1的transform和shape，让输出栅格和Raster1完全一致，彻底避免对齐问题：

import rasterio
from rasterio.warp import Resampling

src = rasterio.open('Raster1.tif')
# 获取Raster1的关键参数
target_transform = src.transform
target_shape = src.shape
target_crs = src.crs

with rasterio.open('Raster2.tif') as src2:
    # 读取时强制对齐到Raster1的网格
    aligned_data = src2.read(
        out_shape=(src2.count, target_shape[0], target_shape[1]),
        resampling=Resampling.nearest,  # 分类数据推荐用最近邻采样
        transform=target_transform,
        crs=target_crs
    )
    # 更新输出元数据
    out_meta = src2.meta.copy()
    out_meta.update({
        'height': target_shape[0],
        'width': target_shape[1],
        'transform': target_transform
    })

# 保存对齐后的结果
with rasterio.open('Raster3_aligned.tif', 'w', **out_meta) as dst:
    dst.write(aligned_data)

方法2：微调边界框排除额外像素 #

如果坚持用rasterio.mask，可以手动缩小边界框，确保只覆盖Raster1实际包含的NLCD像素：

import rasterio
from rasterio.mask import mask
from shapely.geometry import box

src = rasterio.open('Raster1.tif')
original_bounds = src.bounds
pixel_size = src.transform[0]  # 获取像素分辨率
# 给边界框各边减去半个像素，避免包含边缘的冗余像素
adjusted_bounds = (
    original_bounds[0] + pixel_size/2,
    original_bounds[1] + pixel_size/2,
    original_bounds[2] - pixel_size/2,
    original_bounds[3] - pixel_size/2
)
geometry = box(*adjusted_bounds)

with rasterio.open('Raster2.tif') as src2:
    cropped_data, cropped_transform = mask(src2, [geometry], crop=True)
    out_meta = src2.meta.copy()
    out_meta.update({
        'height': cropped_data.shape[1],
        'width': cropped_data.shape[2],
        'transform': cropped_transform
    })

with rasterio.open('Raster3_cropped.tif', 'w', **out_meta) as dst:
    dst.write(cropped_data)

补充检查项 #

• 先确认两个栅格的分辨率是否完全一致：用src.res和src2.res查看，若存在细微差异（比如NLCD是30m，Raster1是30.0001m），也会引发对齐问题。
• 采样方式选择：分类数据（如NLCD）优先用Resampling.nearest，避免改变分类值；连续数据可选用bilinear或cubic提升平滑度。

内容的提问来源于stack exchange，提问作者Vance