了解RTree使用空间索引的情况？

我在理解RTree的空间索引使用方面遇到麻烦。

示例：我有300个缓冲点，我需要用多边形shapefile知道每个缓冲区的相交区域。多边形shapefile具有> 20,000个多边形。建议我使用空间索引来加快此过程。

所以...如果我为多边形shapefile创建空间索引，它会以某种方式“附加”到文件，还是会独立存在？也就是说，创建完之后，我可以在多边形文件上运行交集函数并获得更快的结果吗？交叉点会“看到”有空间索引并且知道该怎么做吗？还是我需要在索引上运行它，然后通过FID或类似的方法将那些结果关联回我的原始多边形文件？

RTree文档对我没有太大帮助（可能是因为我只是在学习编程）。它们显示了如何通过读取手动创建的点，然后针对其他手动创建的点查询索引来创建索引，这些其他点返回包含在窗口中的ID。说得通。但是，他们没有解释这与索引将来自的原始文件之间的关系。

我认为它必须是这样的：

1. 从我的多边形shapefile中为每个多边形要素拉出bbox，并将其放置在空间索引中，为其提供一个与shapefile中的id相同的ID。
2. 查询该索引以获取相交的ID。
3. 然后，仅对通过查询索引确定的原始shapefile中的要素重新运行交集（不知道我将如何做最后一部分）。

我有正确的主意吗？我有什么想念的吗？

现在，我正在尝试使此代码在仅包含一个点要素的一个点shapefile和一个包含> 20,000个面要素的多边形shapefile上工作。

我正在使用Fiona导入shapefile，使用RTree添加空间索引，并尝试使用Shapely进行交点。

我的测试代码如下：

#point shapefile representing location of desired focal statistic
traps = fiona.open('single_pt_speed_test.shp', 'r') 

#polygon shapefile representing land cover of interest 
gl = MultiPolygon([shape(pol['geometry']) for pol in fiona.open('class3_aa.shp', 'r')]) 

#search area
areaKM2 = 20

#create empty spatial index
idx = index.Index()

#set initial search radius for buffer
areaM2 = areaKM2 * 1000000
r = (math.sqrt(areaM2/math.pi))

#create spatial index from gl
for i, shape in enumerate(gl):
    idx.insert(i, shape.bounds)

#query index for ids that intersect with buffer (will eventually have multiple points)
for point in traps:
        pt_buffer = shape(point['geometry']).buffer(r)
        intersect_ids = pt_buffer.intersection(idx)

但是我不断收到TypeError：'Polygon'对象不可调用

这就是要旨。R树可让您快速完成第一遍，并为您提供一组结果，这些结果将具有“假阳性”（边界框可能在几何图形完全不相交时相交）。然后，遍历一组候选对象（通过它们的索引从shapefile中获取它们），并使用例如Shapely进行数学上精确的相交测试。这与在PostGIS等空间数据库中采用的策略完全相同。

您差不多了，但是您犯了一个小错误。您需要intersection在空间索引上使用该方法，而不是将索引传递给intersection缓冲点上的方法。找到边界框重叠的要素列表后，您需要检查缓冲点是否确实与几何相交。

import fiona
from shapely.geometry import mapping
import rtree
import math

areaM2 = areaKM2 * 1000000
r = (math.sqrt(areaM2/math.pi))

# open both layers
with fiona.open('single_pt_speed_test.shp', 'r') as layer_pnt:
    with fiona.open('class3_aa.shp', 'r') as layer_land:

        # create an empty spatial index object
        index = rtree.index.Index()

        # populate the spatial index
        for fid, feature in layer_land.items():
            geometry = shape(feature['geometry'])
            idx.insert(fid, geometry.bounds)

        for feature in layer_pnt:
            # buffer the point
            geometry = shape(feature['geometry'])
            geometry_buffered = geometry.buffer(r)

            # get list of fids where bounding boxes intersect
            fids = [int(i) for i in index.intersection(geometry_buffered.bounds)]

            # access the features that those fids reference
            for fid in fids:
                feature_land = layer_land[fid]
                geometry_land = shape(feature_land['geometry'])

                # check the geometries intersect, not just their bboxs
                if geometry.intersects(geometry_land):
                    print('Found an intersection!')  # do something useful here

如果您有兴趣查找距离您的土地类别最小距离的点，则可以改用该distance方法（从上一章节中替换掉相应的部分）。

for feature in layer_pnt:
    geometry = shape(feature['geometry'])

    # expand bounds by r in all directions
    bounds = [a+b*r for a,b in zip(geometry.bounds, [-1, -1, 1, 1])]

    # get list of fids where bounding boxes intersect
    fids = [int(i) for i in index.intersection(geometry_buffered.bounds)]

    for fid in fids:
        feature_land = layer_land[fid]
        geometry_land = shape(feature_land['geometry'])

        # check the geometries are within r metres
        if geometry.distance(geometry_land) <= r:
            print('Found a match!')

如果构建空间索引需要很长时间，并且要多次进行，则应考虑将索引序列化为文件。该文档介绍了如何执行此操作：http : //toblerity.org/rtree/tutorial.html#serializing-your-index-to-a-file

您还可以考虑使用生成器将边界框批量加载到rtree中，如下所示：

def gen(collection):
    for fid, feature in collection.items():
        geometry = shape(feature['geometry'])
        yield((fid, geometry.bounds, None))
index = rtree.index.Index(gen(layer_land))

是的，这就是主意。这是本教程的摘录，内容涉及在Python中使用shape，Fiona和geopandas 的r树空间索引：

r树表示单个对象及其边界框（“ r”表示“矩形”）是空间索引的最低级别。然后，它聚合附近的对象，并在索引的下一个更高级别中用其聚合边界框表示它们。在更高的级别上，r树会聚合边界框，并以其边界框迭代地表示边界框，直到将所有内容嵌套到一个顶级边界框中为止。要进行搜索，r树将使用一个查询框，并从顶层开始，查看哪些边界框（如果有）与其相交。然后，它展开每个相交的边界框，并查看其中的哪个子边界框与查询框相交。这将递归进行，直到所有相交的框都向下搜索到最低级别，然后从最低级别返回匹配的对象。