如何统计一组点中位于25km栅格相邻单元边界附近的点数量？

核心逻辑是：计算每个点到最近的栅格单元边界的距离，通过设定距离阈值筛选出符合条件的点，最后统计数量。

实现步骤 #

1. 明确栅格参数 #

首先确认栅格的原点坐标（通常为左上角或左下角）、分辨率（此处为25km，需统一单位为米即25000m）、坐标系——必须确保点数据与栅格坐标系一致，不一致时先做投影转换。

栅格的边界是规则网格线：假设原点为(x0, y0)，则所有垂直边界的x坐标为x0 + n*25000（n为整数），水平边界的y坐标为y0 + m*25000（m为整数）。

2. 计算点到最近边界的距离 #

对每个点(x, y)：

• 到最近垂直边界的距离：dx = min((x - x0) % 25000, 25000 - ((x - x0) % 25000))
• 到最近水平边界的距离：dy = min((y - y0) % 25000, 25000 - ((y - y0) % 25000))
• 点到最近栅格边界的距离取min(dx, dy)

3. 阈值筛选与统计 #

根据需求设定阈值（比如认为距离边界小于100米就算“非常接近”，则设threshold=100），统计所有min(dx, dy) < threshold的点的数量。

代码示例（Python） #

无需加载完整栅格数据，纯数值计算效率更高：

import numpy as np

def count_boundary_close_points(points, grid_origin, threshold):
    x0, y0 = grid_origin
    grid_res = 25000  # 25km转米
    # 提取所有点的x、y坐标
    xs = np.array([p[0] for p in points])
    ys = np.array([p[1] for p in points])
    
    # 计算到最近垂直/水平边界的距离
    dx = np.minimum((xs - x0) % grid_res, grid_res - ((xs - x0) % grid_res))
    dy = np.minimum((ys - y0) % grid_res, grid_res - ((ys - y0) % grid_res))
    min_dist = np.minimum(dx, dy)
    
    # 统计符合条件的点数量
    return np.sum(min_dist < threshold)

# 示例调用
sample_points = [(25050, 50000), (12499, 37500), (50000, 50000)]
# 假设栅格原点为(0,0)，阈值100米
count = count_boundary_close_points(sample_points, (0, 0), 100)
print(f"接近栅格边界的点数量：{count}")

注意事项 #

• 若使用经纬度坐标系，必须先转换为投影坐标系（如UTM），否则直接计算距离会因经纬度的非线性导致误差。
• 阈值需根据业务场景调整，例如25km分辨率栅格，若允许0.5%的误差，阈值可设为125米。

内容的提问来源于stack exchange，提问作者89_Simple