GEE数据集：巴西 27 个联邦单位（26 个州和 1 个联邦区）的矢量边界

从133个城市节点到国家空间骨架：IBGE/INTERMEDIARIAS/V2025如何定义巴西的中层地理

一、引言：一个被忽视的关键层级

在巴西的空间数据体系中，宏观区域、州和市镇构成了最常被引用的三级行政框架。然而，在这三级之间，存在着一层长期被研究者低估、却在统计发布和政策制定中扮演核心角色的中间地带：地理中间区域（Regiões Geográficas Intermediárias）。

IBGE/INTERMEDIARIAS/V2025数据集于2026年9月9日正式进入Google Earth Engine数据目录，提供了巴西133个地理中间区域在2025年参考年份（Malha Territorial 2025）的官方边界。这些区域将地理直接区域（Regiões Geográficas Imediatas）按照更复杂的城市功能进行分组，围绕区域城市中心和宏观经济流来组织领土网格。

这个数据集的意义，需要放在IBGE 2017年区域划分改革的背景下来理解。那一年，IBGE废弃了使用近三十年的中区域和微区域体系，代之以一套基于城市网络和功能连接性的全新划分方案。IBGE/INTERMEDIARIAS/V2025是这一改革在云计算平台上的最新落地形态——它将巴西官方的133个中间区域边界以FeatureCollection的形式封装在GEE中，使得研究者可以在云端直接进行区域统计、空间叠加和多尺度分析。

二、2017年改革：从“冻结的边界”到“流动的城市网络”

2.1 旧体系的困境

在2017年之前，巴西的空间分析依赖于中区域和微区域的划分。这套体系诞生于1980年代，其核心逻辑是自然地理特征与行政边界的组合。在随后的三十多年里，它的边界几乎被“冻结”了。

然而，巴西的空间现实在这三十年间经历了深刻的重组。IBGE官方文件明确指出：“巴西领土正在经历激烈的转型过程，这种转型需要在其多样性中被识别出来。巴西领土空间内部差异的显著增加——作为过去数十年经济、人口、政治和环境变革的结果——强化了对1980年代生产的前区域框架进行更新的必要性”。

旧体系的根本问题在于：边界与功能之间的脱节。一个在1980年代被划定为区域中心的城市，可能在2010年代已经失去了其区域服务功能；而一个在1980年代尚不存在的新兴城市，可能在数十年间成长为重要的区域枢纽。以马托格罗索州为例，该州在1980年代人口稀少，但随着大豆、玉米和棉花种植的扩张，Sinop、Sorriso和Primavera do Leste等新中心崛起，“新的网络出现了，带有前所未有的经济活动，以及新的领土占用形式”。

2.2 新体系的方法论逻辑

2017年发布的“巴西区域划分：地理中间区域和地理直接区域”提供了一个全新的框架。与旧体系不同，新划分的核心组织原则是城市网络。

新的划分建立了两个层级。地理直接区域以城市网络为核心参考，由邻近的城市中心组成，满足居民对消费品购买、就业、健康和教育服务等日常需求。地理中间区域则对应联邦单位与直接区域之间的一个中间尺度，它将直接区域按照更复杂的城市功能——如专科医疗服务或大型大学——进行组织。这些功能的需求具有偶发性而非日常性，因此中间区域覆盖的地理范围更大。

IBGE的方法论文件对这两个层级的功能差异做了精确的界定：“地理直接区域以城市网络作为其主要参考元素。这些区域由邻近的城市中心构成，用于满足人口的即时需求，例如耐用和非耐用消费品的购买、寻找工作、寻求健康和教育服务，以及联邦政府机构如INSS、劳工部和司法服务机构提供的公共服务。地理中间区域对应于联邦单位与地理直接区域之间的一个中间尺度。在划定地理中间区域时，优先考虑了包含大都市或区域首府。在某些情况下，特别是在没有大都市或区域首府的地方，则使用了较小但对其各自直接区域组合具有代表性的城市中心”。

这一方法论的核心洞察是：区域不是预先存在的自然单元，而是地理知识的建构。IBGE的文件明确指出：“区域通过这一选择，成为地理知识的建构，由近期发生的转型过程的动态所描绘，并通过具体要素（城市网络、城市中心的等级分类、管理流的检测等）进行操作化，从而能够在适当的尺度上区分区域空间”。

2.3 多源整合的方法论实践

新划分的制定过程本身就是一个值得关注的方法论实践。IBGE并未简单地重新划定边界，而是整合了多套已有的区域划分研究成果。方法论文件指出：“本次巴西区域划分所使用的资源方法利用了来自以往研究的不同领土模型，将它们进行整合并解释由此产生的多样性”。

这些“以往研究”包括IBGE自身的城市影响区域调查、人口聚集区和城市集中区研究，以及各州规划机构提交的技术建议。这一过程还纳入了“州级规划机构的参与，通过全国规划、研究和统计机构协会进行协调，以及IBGE在全国范围内的分支机构的工作”。

这种多源整合的方法论，使得新划分既保持了全国尺度的一致性，又吸收了地方层面的知识。最终成果是133个中间区域，它们构成了巴西空间分析中一个独特的功能性层级——既不完全是行政单元，也不完全是统计分组，而是一种基于城市网络流动的、具有政策操作意义的地理建构。

三、数据集技术规格：10个字段的层级化信息架构

3.1 数据集基本信息

IBGE/INTERMEDIARIAS/V2025在GEE中属于IBGE数据集家族，数据集提供方为IBGE，数据可用时间范围为2025年1月1日至2026年1月1日。访问方式如下：

vardataset=ee.FeatureCollection('IBGE/INTERMEDIARIAS/V2025');

数据集包含巴西133个地理中间区域的边界，这些区域“将初级地理区域分组，以清晰表达区域城市中心和宏观经济流周围的地理网格”。

3.2 属性表结构：跨层级的空间信息

该数据集的属性表包含10个字段，其设计体现了层级化空间信息架构的核心理念——每个中间区域要素不仅包含自身的标识信息，还同时携带其所属州和宏观区域的完整标识：

这种属性设计使得单次数据加载即可支持三个尺度的分析。研究者无需在多个数据集之间进行空间连接或属性连接，即可通过简单的属性筛选实现从宏观区域到州再到中间区域的下钻分析。

3.3 代码编辑器中的可视化

在GEE代码编辑器中加载和可视化该数据集的标准方式如下：

vardataset=ee.FeatureCollection('IBGE/INTERMEDIARIAS/V2025');Map.setCenter(-51.9253,-14.235,4);varstyleParams={fillColor:'1b9e7722',color:'1b9e77',width:1.0,};dataset=dataset.style(styleParams);Map.addLayer(dataset,{},'IBGE Brazil Intermediate Regions 2025');

对于需要加速渲染的应用，GEE提供了FeatureView接口：

varfvLayer=ui.Map.FeatureViewLayer('IBGE/INTERMEDIARIAS/V2025_FeatureView');varvisParams={color:'1b9e77',fillColor:'b5ffb4',opacity:0.8,width:1.0,};fvLayer.setVisParams(visParams);fvLayer.setName('IBGE Brazil Intermediate Regions 2025');Map.setCenter(-51.9253,-14.235,4);Map.add(fvLayer);

3.4 坐标系统与开放许可

该数据集以EPSG:4674坐标系（SIRGAS 2000）提供，与IBGE数据集家族的其他成员完全一致。这意味着INTERMEDIARIAS可以与PAIS、REGIOES、UF数据集进行无缝的空间叠加操作，无需进行坐标转换。

数据集依据巴西联邦法律第12.527/2011号（信息公开法）作为开放公共数据提供。用户可以自由使用、修改和分发数据，用于个人、教育、研究和商业应用，只需适当注明IBGE的出处。

四、IBGE数据集家族中的定位：多尺度分析的“中间层”

4.1 已加入GEE的IBGE数据集家族

截至2026年9月，GEE数据目录中已包含以下IBGE领土边界数据集：

INTERMEDIARIAS在这个层级中扮演着关键的“中间层”角色：它的133个要素比27个联邦单位更细，比约5,570个市镇更粗，为研究者提供了一个在分析精度和计算效率之间取得平衡的空间单元。

4.2 与宏观区域和州级数据集的关系

INTERMEDIARIAS与REGIOES和UF数据集之间存在严格的空间包含关系。每个中间区域完整地属于一个州，每个州完整地属于一个宏观区域。这种嵌套关系在数据集的属性表中得到了显式编码：每个中间区域要素都携带其所属的CD_UF、SIGLA_UF、CD_REGIAO、NM_REGIAO和SIGLA_RG。

在GEE中，这种嵌套关系使得多尺度统计聚合可以在单个脚本中完成。研究者可以使用reduceRegions按中间区域统计植被指数，然后通过属性表中的CD_REGIAO字段将结果按宏观区域进一步聚合，无需进行任何额外的空间操作。

4.3 缺失的层级：直接区域与市镇

值得注意的是，GEE中的IBGE数据集家族目前尚未包含直接区域和市镇层级的边界。这意味着，如果研究需要比中间区域更细的空间单元，研究者目前需要从IBGE官网下载市镇网格数据并上传到GEE作为个人资产使用。

五、在Earth Engine中使用：从加载到多尺度分析

5.1 按宏观区域筛选中间区域

利用属性表中的层级化字段，可以轻松实现按宏观区域筛选中间区域：

varintermediarias=ee.FeatureCollection('IBGE/INTERMEDIARIAS/V2025');// 筛选东北部（Nordeste，CD_REGIAO = '2'）的中间区域varnordeste=intermediarias.filter(ee.Filter.eq('CD_REGIAO','2'));print('Nordeste intermediate regions:',nordeste.size());Map.addLayer(nordeste.style({color:'ff6b35',fillColor:'ff6b3522',width:1.5}),{},'Nordeste Intermediate Regions');

5.2 区域统计：以植被指数为例

将中间区域边界与遥感影像结合，可以进行区域尺度的统计聚合：

// 加载MODIS NDVI影像varndvi=ee.ImageCollection('MODIS/061/MOD13Q1').filterDate('2024-01-01','2024-12-31').select('NDVI').mean();// 按中间区域统计NDVI均值varstats=ndvi.reduceRegions({collection:intermediarias,reducer:ee.Reducer.mean(),scale:250});print(stats.limit(5));

5.3 多尺度聚合：从中间区域到宏观区域

利用属性表中的层级关系，可以将中间区域的统计结果聚合到宏观区域：

varbyRegiao=stats.reduceColumns({selectors:['mean'],reducer:ee.Reducer.mean(),groupField:'CD_REGIAO'});print('Mean NDVI by macro region:',byRegiao);

这种单脚本多尺度的工作流，是IBGE数据集家族层级化属性设计的直接价值体现。

六、应用场景：从区域经济分析到环境监测

6.1 区域经济整合分析

中间区域作为城市网络的功能单元，为区域经济分析提供了自然的空间框架。一项针对米纳斯吉拉斯州中间区域的研究，基于区域间贸易流和区域产出乘数，分析了该州各中间区域的经济整合程度。研究发现，中间区域之间的经济联系强度与城市等级结构高度相关——拥有更高级别城市中心的中间区域，在区域贸易网络中占据更中心的位置。

在GEE中，研究者可以将中间区域边界与夜间灯光数据叠加，计算各区域的灯光总量和空间分布特征，作为经济活动强度的代理指标。这种方法在缺乏及时GDP统计数据的区域具有特别的实用价值。

6.2 森林砍伐与土地利用变化监测

IBGE的中间区域划分在亚马逊地区的森林砍伐监测中具有直接的应用价值。IBGE发布的“巴西土地覆盖和利用变化动态地图”中，专门按中间区域统计了“总变化面积”，揭示了“砍伐弧”地区的中间区域在土地利用变化中的高动态特征。

在GEE中，研究者可以使用INTERMEDIARIAS数据集与PRODES或MapBiomas的森林砍伐数据进行叠加分析，识别出森林损失最集中的中间区域：

vardeforestation=ee.Image('projects/mapbiomas-workspace/public/collection9/mapbiomas_collection90_integration_v1').select('classification_2023');vardeforestStats=deforestation.eq(3).multiply(ee.Image.pixelArea()).reduceRegions({collection:intermediarias,reducer:ee.Reducer.sum(),scale:30});

6.3 公共卫生资源分配分析

中间区域在公共卫生领域也有重要的应用价值。一项关于巴西中间区域卫生资源供给的研究，分析了2018年各中间区域的医疗资源分布，发现不同区域之间在卫生资源配置上存在显著差异。这类分析对于识别医疗资源匮乏区域、优化公共卫生投资具有直接的政策意义。

6.4 与机器学习方法的结合

中间区域边界可以作为机器学习模型的空间聚合单元，将像素级的模型预测汇总为区域统计量。例如，在训练一个土地覆盖分类模型后，可以使用INTERMEDIARIAS数据集将分类结果按中间区域汇总，生成区域级的土地覆盖构成表。

对于希望系统学习机器学习方法及其在遥感中应用的读者，机器学习（https://www.cbedai.net/xg）提供了从神经网络基础到深度学习架构的完整课程资源。掌握这些方法将帮助研究者更有效地利用中间区域等空间单元，将机器学习模型的输出转化为具有政策意义的区域统计。

七、数据质量评估与使用建议

7.1 数据质量优势

官方权威性。IBGE作为巴西联邦政府的官方统计和地理机构，其发布的领土网格数据具有法定权威性。2025年版的Malha Territorial是基于截至2025年的最新立法变更和技术报告编制的。

坐标系统一致性。数据集以EPSG:4674（SIRGAS 2000）提供，与IBGE数据集家族的其他成员完全一致，确保了多尺度分析中空间叠加的精度。

层级化属性设计。属性表同时包含中间区域、州和宏观区域的标识信息，使得单次数据加载即可支持三个尺度的分析。

7.2 使用中的注意事项

要素数量与性能。133个要素在GEE中属于中等规模的FeatureCollection。对于简单的渲染和筛选操作，性能影响可以忽略。但对于涉及复杂空间连接的操作，建议使用filterBounds先将数据筛选到感兴趣的区域。

边界的时间一致性。虽然中间区域的边界在2017年改革后相对稳定，但IBGE每年可能会根据市镇边界的变化对区域边界进行微调。在进行长时间序列分析时，研究者需要明确说明所使用的边界版本。

与旧版划分的兼容性。如果研究需要与使用旧版中区域/微区域划分的历史数据进行对接，需要注意2017年改革导致了边界的根本性变化——新的中间区域并不直接对应于旧的中区域。研究者可能需要进行空间重叠分析来建立两套体系之间的对应关系。

7.3 推荐工作流

对于首次使用该数据集的用户，建议遵循以下工作流：第一步，使用标准代码片段加载并可视化数据，了解133个中间区域的整体空间分布。第二步，使用属性表中的CD_REGIAO或SIGLA_UF字段筛选感兴趣的区域。第三步，将筛选后的边界与遥感影像或栅格数据叠加，使用reduceRegions进行区域统计。第四步，如果分析涉及多尺度比较，利用属性表中的层级关系将中间区域的统计结果聚合到宏观区域。第五步，通过Export.table.toDrive导出结果，在Python环境中使用geopandas和pandas进行进一步的统计建模和可视化。

八、结语：中间区域的深层意义

IBGE/INTERMEDIARIAS/V2025的深层意义，在于它提供了一个基于功能连接性的空间分析单元，而不仅仅是另一套行政边界。宏观区域是统计性的分组，州是政治行政单元，市镇是地方治理的基本单位。中间区域不同——它的边界是由城市网络的流动、服务的辐射范围和管理的实际需求所定义的。

IBGE的方法论文件对此有清晰的表述：“地理中间区域组织领土，通过一个差异化等级的更高层级中心，从私人和公共管理流以及更复杂的城市功能的存在出发，来 articulating 地理直接区域”。这一表述揭示了一个重要的空间分析原则：区域的边界应当反映实际的空间交互，而非仅仅是历史行政划分的遗留。

在GEE中，IBGE/INTERMEDIARIAS/V2025与PAIS、REGIOES、UF数据集共同构成了一个层级化、坐标一致、权威来源的空间基础设施。这个基础设施的价值不在于单个数据集的精度，而在于它们之间的可组合性——研究者可以在一个脚本中，从国家边界开始，逐级下钻到宏观区域、州和中间区域，进行多尺度的空间分析和统计聚合。在一个空间数据日益丰富、而分析工具日益云端化的时代，这种可组合性正在成为地理空间分析的核心能力。