NDVI یک شاخص گیاهی است که به طور گسترده ای برای ارزیابی اثرات زیست محیطی، ارزیابی کشاورزی و معیارهای تغییر کاربری زمین مورد استفاده قرار می گیرد. روش محاسبه NDVI در نرم افزارهای سیستم اطلاعات جغرافیایی (GIS) به عنوان QGIS ساده و مستقیم است. با این حال، کارایی تنها مربوط به یک تصویر است، اما اگر یک سری از تصاویر را تجزیه و تحلیل کنیم یا اگر تصاویری با منابع محاسباتی محدود داشته باشیم، ما باید برخی از فیلترهای سفارشی و پیش پردازش را به مجموعه داده ها اعمال نماییم، سپس ما باید روش های دیگری را برای محاسبه NDVI در یک روش سریع تر و کارآمدتر با توجه به منابع محاسباتی در دسترس بررسی کنیم.

تصاویر ماهواره ای georasters هستند، این تصاویر یک آرایه منظم از ستون ها و ردیف ها (یک ماتریس در هر باند) است. پایتون زبان برنامه نویسی و تجزیه و تحلیل داده ها برای جبر ماتریس با کتابخانه Numpy بسیار متنوع است، اما هیچ روش ایده آل و ساده برای پردازش georaster تا زمان توسعه بسته Rasterio وجود ندارد.

Rasterio یک کتابخانه برای باز کردن، نوشتن، بررسی و تجزیه و تحلیل georasters در پایتون است. این کتابخانه از تصاویر GeoTIFF همراه با فرمت های دیگر استفاده می کند و قادر به کار با تصاویر ماهواره ای، مدل های ارتفاعی دیجیتال و تصاویر تولید شده از هواپیماهای بدون سرنشین است.

این آموزش روش کامل برای تجزیه و تحلیل NDVI از یک تصویر Landsat 8 با پایتون 3 و Rasterio را نشان می دهد. اسکریپت و نمایندگی بر روی یک محیط تعاملی به نام Jupyter Notebook انجام شد، در نهایت نتیجه georaster در QGIS باز شد و در مقایسه با برخی از تصاویر پس زمینه بدست آمد.

داده های ورودی

شما می توانید داده های ورودی و اسکریپت های مورد استفاده برای آموزش در این لینک را دانلود کنید.

کد پایتون (دانلود این کد):

#import required libraries

import rasterio

from rasterio import plot

import matplotlib.pyplot as plt

import numpy as np

%matplotlib inline

import os

os.listdir('../Landsat8/')

#import bands as separate 1 band raster

band4 = rasterio.open('../Landsat8/LC08_L1TP_042035_20180603_20180615_01_T1_B4_clip.tif') #red

band5 = rasterio.open('../Landsat8/LC08_L1TP_042035_20180603_20180615_01_T1_B5_clip.tif') #nir

#number of raster rows

band4.height

#number of raster columns

band4.width

#plot band 

plot.show(band4)

#type of raster byte

band4.dtypes[0]

#raster sytem of reference

band4.crs

#raster transform parameters

band4.transform

#raster values as matrix array

band4.read(1)

#multiple band representation

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 6))

plot.show(band4, ax=ax1, cmap='Blues') #red

plot.show(band5, ax=ax2, cmap='Blues') #nir

fig.tight_layout()

#generate nir and red objects as arrays in float64 format

red = band4.read(1).astype('float64')

nir = band5.read(1).astype('float64')

nir

#ndvi calculation, empty cells or nodata cells are reported as 0

ndvi=np.where(

    (nir+red)==0., 

    0, 

    (nir-red)/(nir+red))

ndvi[:5,:5]

#export ndvi image

ndviImage = rasterio.open('../Output/ndviImage.tiff','w',driver='Gtiff',

                          width=band4.width, 

                          height = band4.height, 

                          count=1, crs=band4.crs, 

                          transform=band4.transform, 

                          dtype='float64')

ndviImage.write(ndvi,1)

ndviImage.close()

#plot ndvi

ndvi = rasterio.open('../Output/ndviImage.tiff')

fig = plt.figure(figsize=(18,12))

plot.show(ndvi)

مدیر سایت: بهزاد سرهادی

شماره تلفن: 09190622992

شناسه تلگرام مدیر سایت: SubBasin@

نشانی ایمیل: behzadsarhadi@gmail.com

(سوالات تخصصی را در گروه تلگرام ارسال کنید)

_______________________________________________________

پروژه تخصصی در لینکدین

×

 براي پيوستن به بزرگترين گروه تلگرام علوم و مهندسي آب با امکان تبادل نظر بين اعضاء کليک کنيد

کتاب کاربرد مدل QUAL2KW

کتاب کاربرد GIS در منابع آب

کتاب محاسبه سيل طرح