用途：将空间数据整理为干净、经过校验、可直接分析的产物，并保证流程可重复。这是 GIS 实际工作中耗时最多、也最容易产生隐性错误的环节。
格式选择：GeoParquet 适合分析交换、大矢量与列式工作流，但部分旧版桌面 GIS 尚不能读取；GeoPackage 适合桌面 GIS 交换与多图层项目，规模大时慢于 Parquet 且有 SQLite 锁问题；FlatGeobuf 适合流式与 HTTP range 读取，仅支持单图层；COG 用于所有栅格交付；Zarr/NetCDF 用于多维数据（时间×波段×y×x），单幅栅格属过度设计；Shapefile 仅在旧工具强制要求时使用，存在列名 10 字符、2 GB 上限、编码混乱、多文件脆弱等问题；CSV + WKT/经纬度适合简单点交换，但无 CRS 元数据，需显式记录。
数据获取：小范围 OSM 用 osmnx，大范围用 Geofabrik PBF 加 pyrosm/osmium，过滤前先检查标签值分布；大规模建筑与地点用 Overture Maps（S3/Azure 上的 GeoParquet，用 DuckDB spatial 查询）；卫星/栅格用 pystac-client 加 odc-stac 访问 STAC API；边界优先权威国家源，全球工作可用 Natural Earth/GADM/geoBoundaries 并记录版本。每次获取都要记录来源 URL、查询参数、检索日期与许可，写入数据旁的 DATA_SOURCES.md。
CRS 工程：以 EPSG:4326 或源 CRS 存储，分析时用适合范围的投影 CRS，如本地 UTM（gdf.estimate_utm_crs()）、国家网格或等面积投影（EPSG:6933/Mollweide）。亚米级精度需注意基准面转换与转换网格（必要时 pyproj.network.set_network_enabled(True)）。不要通过删除或覆盖 CRS 来“修复”错位图层，应借助已知地标诊断哪一层有误。
清洗管线：运行 scripts/clean_vector.py 或其 clean_vector() 函数作为标准卫生处理，删除空/无效几何、用 make_valid 修复、去重、重投影并打印统计报告，避免静默数据丢失。随后规范化文本属性（去空白、折叠空格、按语言环境大小写折叠，注意土耳其语 İ/ı 与德语 ß）、显式转换 dtype，并对后续要过滤的每个分类字段展示 value_counts()。
规模化策略：可放入内存时用 GeoPandas 加 Shapely 2 向量化操作，确保使用空间索引（sjoin、query_bulk），手写循环为 O(n²)；超出内存的单机场景用 DuckDB spatial 扩展查询 GeoParquet（谓词下推加空间 SQL）或 dask-geopandas；需要服务化/并发/事务时用 PostGIS；栅格用窗口读取（rasterio.windows）与分块 xarray 加 dask，切勿把 50 GB 镶嵌一次性 read() 进内存。
流水线规范：各步骤幂等，输入输出显式落盘，重跑不破坏状态；在昂贵阶段（下载、大连接）后以 GeoParquet/GPKG 设检查点；每阶段记录行/要素/像素进出统计；写出前按稳定键排序以保证 diff 有意义。
常见陷阱：CSV 未声明经纬度列 CRS；Shapefile 导出时列名被静默截断；旧文件编码乱码（先试 encoding="utf-8" 再试 cp1252）；单图层混合几何类型（Polygon 与 MultiPolygon 会破坏部分工具，用 .explode() 或提升为 Multi*）；朴素重投影后跨越反经线与极点的几何；下载“最新”数据却未记录版本/日期导致不可复现。
执行约定：先盘点来源与契约，带溯源获取，检查 CRS、模式、几何与规模，确定性清洗，校验，写出可分析产物；依据规模、几何、并发与下游访问需求选择格式与引擎，绝不静默推断 CRS 或做破坏性修复；每阶段核对要素或像素计数，断言 CRS 与几何不变量，空间抽样输出并重跑确认幂等；对含糊 CRS、混合单位、无效编码、有损格式转换或无法解释的行丢失应隔离而非猜测；交付物包括已校验数据集、机器可读模式与 CRS、溯源清单、统计日志、被拒记录报告与可复现流水线。使用版本敏感格式或 API 前查阅权威来源登记表并记录检查日期。