在城市規劃和土地管理領域，精確且詳盡的空間數據是進行有效決策的基石。隨著地理信息系統（GIS）技術的發展，我們能夠以前所未有的精度和細節來捕捉、分析和展示土地利用信息。這不僅提升了數據的質量和可靠性，還使得城市規劃者能夠更深入地理解城市的結構和動態變化。通過GIS技術的應用，復雜的地理空間數據可以被轉化為易于理解和操作的信息，從而支持更加科學合理的城市規劃和管理決策。

新加坡的用地統計數據不僅提供了一個全面的視角，讓我們得以深入了解這座國際化都市的土地使用現狀及其變化趨勢，而且也為未來城市發展的預測和規劃提供了堅實的數據支持。新加坡作為一個高度發達的城市國家，其土地管理和城市規劃一直走在世界前列。政府通過嚴格的土地用途管制和高效的基礎設施建設，確保了城市的可持續發展和居民的生活質量。

新加坡用地規劃官網：URA SPACE

我們參考HTML網頁信息的GET獲取方法，先看3個關鍵部分標頭、負載、?預覽；

標頭：通常包括URL的連接，也就是目標資源的位置，可以了解網頁使用的是GET請求方法；

負載：對于GET請求：負載通常包含了傳遞的參數，這里我們可以看到它的傳參包括，當前位置坐標，使用的坐標系EPSG:4326；

預覽：指的是對響應內容的快速查看或摘要顯示，我們可以看到當前地塊的標簽信息，和geometry的幾何多邊形信息；

這里有一個細節需要注意一下，因為我們的獲取方法是以創建網格點進行遍歷，所有這里要考慮新加坡的最大和最小坐標的邊界，另外這里的坐標系是Web墨卡托投影(EPSG:3857)；

接下來就是數據獲取部分，先講一下方法思路，一共三個步驟；

方法思路

1. 以約10m為間隔（0.0001度）創建網格點，這些網格點將覆蓋整個新加坡區域；
2. 遍歷每個網格點，構建API請求URL，發送HTTP請求獲取該區域的土地用途數據；
3. 提取每個地塊的屬性信息，提取幾何信息，將處理后的數據轉換為GeoDataFrame格式，存為shp文件；

第一步：我們先找到對應數據存儲位置，獲取所有地塊的屬性信息，經過測試，每次查詢一個地塊會對應一個html，我們通過修改坐標位置來進行數據獲取；

第二步：以約10m為間隔（0.0001度）創建網格點，利用GET請求獲取所有網格對應地塊信息，并根據標簽進行保存，另存為shp，tips如果對精度有進一步要求可以修改grid_size = 0.0001 這個參數；

完整代碼#運行環境 Python 3.11

import requests
import geopandas as gpd
from shapely.geometry import Polygon
import math
from pyproj import Transformer# 定義坐標轉換器
transformer = Transformer.from_crs("EPSG:3857", "EPSG:4326", always_xy=True)# 新加坡邊界（Web墨卡托投影）
xmin, ymin = 11532510.446400002, 127973.29659999907
xmax, ymax = 11622551.8041, 166493.53660000116# 轉換為WGS84坐標
lon_min, lat_min = transformer.transform(xmin, ymin)
lon_max, lat_max = transformer.transform(xmax, ymax)# 定義網格大小（度）
grid_size = 0.0001  # 約10m# 創建網格點
lons = []
lats = []
current_lon = lon_min
while current_lon < lon_max:current_lat = lat_minwhile current_lat < lat_max:lons.append(current_lon)lats.append(current_lat)current_lat += grid_sizecurrent_lon += grid_size# 存儲所有特征
all_features = []
all_geometries = []# 遍歷每個網格點
for lon, lat in zip(lons, lats):url = f"https://maps.ura.gov.sg/arcgis/rest/services/MP19/Landuse_gaz/MapServer/46/query?returnGeometry=true&where=1%3D1&outSR=4326&outFields=*&inSr=4326&geometry=%7B%22x%22%3A{lon}%2C%22y%22%3A{lat}%2C%22spatialReference%22%3A%7B%22wkid%22%3A4326%7D%7D&geometryType=esriGeometryPoint&spatialRel=esriSpatialRelWithin&f=json"headers = {'User-Agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/137.0.0.0 Mobile Safari/537.36 Edg/137.0.0.0'}try:response = requests.get(url, headers=headers)if response.status_code == 200:data = response.json()for feature in data['features']:attributes = feature['attributes']geometry = feature['geometry']['rings'][0]polygon = Polygon(geometry)# 檢查是否已經存在相同的OBJECTIDif not any(f['OBJECTID'] == attributes['OBJECTID'] for f in all_features):all_features.append({'OBJECTID': attributes['OBJECTID'],'LU_DESC': attributes['LU_DESC'],'LU_DT_DESC': attributes['LU_DT_DESC'],'GPR_NUM': attributes['GPR_NUM'],'PARCEL_ID': attributes['PARCEL_ID'],'REGION_N': attributes['REGION_N'],'PLN_AREA_N': attributes['PLN_AREA_N'],'SUBZONE_N': attributes['SUBZONE_N']})all_geometries.append(polygon)print(f"Processed point: {lon}, {lat}")except Exception as e:print(f"Error processing point {lon}, {lat}: {str(e)}")continue# 創建GeoDataFrame
gdf = gpd.GeoDataFrame(all_features, geometry=all_geometries, crs='EPSG:4326')# 保存到shapefile
gdf.to_file("singapore_land_use.shp")print("Shapefile saved successfully.")

腳本執行結束，我們會得到一個文件名為lsingapore_land_use的shp圖層，獲取數據標簽如下，LU_DESC（土地用途描述）、LU_DT_DESC（詳細土地用途描述）、GPR（總容積率）、PARCEL_ID（地塊ID） 、REGION_N（區域名稱）、PLN_AREA_N（規劃區域名稱）、SUBZONE_N（分區名稱）、SUBZONE_NO（分區編號）、SHAPE_Area（地塊面積）、SHAPE_Length（地塊周長），其他一些非關鍵標簽，這里省略；

第三步：提取每個地塊的屬性信息，提取幾何信息，將處理后的數據轉換為GeoDataFrame格式，存為shp文件，將數據導入ArcGIS進行可視化；

通過上述步驟，我們成功地從新加坡的土地利用統計數據中提取了詳細的空間數據，并將其轉換為shp格式。這些數據不僅涵蓋了土地用途描述、詳細土地用途描述、總容積率、地塊ID、區域名稱、規劃區域名稱和分區名稱等關鍵信息，還包含了幾何形狀信息，使得我們可以進行進一步的空間分析和可視化，生成的shp文件可以導入到ArcGIS或其他GIS軟件中進行詳細的分析和展示。這為我們提供了寶貴的數據支持，有助于城市規劃者更好地理解新加坡的土地使用現狀及其變化趨勢，從而制定更加科學合理的未來城市發展計劃。

文章僅用于分享個人學習成果與個人存檔之用，分享知識，如有侵權，請聯系作者進行刪除。所有信息均基于作者的個人理解和經驗，不代表任何官方立場或權威解讀。