### 批量处理Landsat遥感影像以计算NDVI值 为了实现对多张Landsat遥感影像的批量NDVI值提取，可以利用GDAL库完成波段读取、数据处理以及结果保存的操作。以下是完整的解决方案： #### 1. GDAL库简介 GDAL是一个用于栅格空间数据操作的强大开源工具集[^1]。它支持多种地理空间文件格式，并提供了丰富的API接口供开发者调用。 #### 2. NDVI计算原理 NDVI（Normalized Difference Vegetation Index）是一种常用的植被指数，其定义为： \[ NDVI = \frac{(NIR - Red)}{(NIR + Red)} \] 其中 \( NIR \) 和 \( Red \) 分别代表近红外波段和红光波段的数据值。通过该公式可有效反映地表植被覆盖情况。 #### 3. Python代码实现 以下代码展示了如何使用Python中的GDAL库对多个Landsat TIFF影像进行批处理并计算NDVI值。 ```python import os from osgeo import gdal import numpy as np def calculate_ndvi(red_band_path, nir_band_path, output_tiff): """ 计算单幅影像的NDVI值。 参数: red_band_path (str): 红光波段路径。 nir_band_path (str): 近红外波段路径。 output_tiff (str): 输出NDVI TIFF文件路径。 """ # 加载红光波段和近红外波段 red_ds = gdal.Open(red_band_path) nir_ds = gdal.Open(nir_band_path) red_band = red_ds.GetRasterBand(1).ReadAsArray().astype(float) nir_band = nir_ds.GetRasterBand(1).ReadAsArray().astype(float) # 防止分母为零的情况 ndvi = np.where( (nir_band + red_band) == 0, 0, (nir_band - red_band) / (nir_band + red_band) ) # 创建输出GeoTIFF driver = gdal.GetDriverByName('GTiff') out_dataset = driver.Create(output_tiff, red_ds.RasterXSize, red_ds.RasterYSize, 1, gdal.GDT_Float32) out_dataset.SetProjection(red_ds.GetProjection()) out_dataset.SetGeoTransform(red_ds.GetGeoTransform()) out_band = out_dataset.GetRasterBand(1) out_band.WriteArray(ndvi) out_band.FlushCache() del out_dataset def batch_process(input_folder, output_folder): """ 对指定文件夹内的所有Landsat影像进行NDVI计算。 参数: input_folder (str): 输入影像文件夹路径。 output_folder (str): 输出NDVI文件夹路径。 """ if not os.path.exists(output_folder): os.makedirs(output_folder) tif_files = [f for f in os.listdir(input_folder) if f.endswith('.tif')] # 假设每组影像有固定的命名模式：_B4.tif 表示Red Band； _B5.tif 表示NIR Band grouped_images = {} for file_name in tif_files: base_name = '_'.join(file_name.split('_')[:-1]) band_type = file_name.split('_')[-1].split('.')[0] if 'B4' in band_type: # B4表示红色波段 grouped_images.setdefault(base_name, {})['red'] = os.path.join(input_folder, file_name) elif 'B5' in band_type: # B5表示近红外波段 grouped_images.setdefault(base_name, {})['nir'] = os.path.join(input_folder, file_name) for image_group, bands in grouped_images.items(): if 'red' in bands and 'nir' in bands: output_file = os.path.join(output_folder, f"{image_group}_NDVI.tif") calculate_ndvi(bands['red'], bands['nir'], output_file) # 调用函数执行批处理 input_directory = r"path_to_input_landsat_bands" output_directory = r"path_to_output_ndvi_results" batch_process(input_directory, output_directory) ``` 上述代码实现了以下几个功能： - **`calculate_ndvi` 函数**：负责加载两个波段数据并按照NDVI公式计算结果，同时将异常值排除在外。 - **`batch_process` 函数**：遍历输入目录下的所有TIF文件，识别对应的红光波段和近红外波段，并调用 `calculate_ndvi` 完成NDVI计算与存储。 #### 4. 注意事项 - 确保安装了GDAL库及其依赖项。可以通过命令 `pip install gdal` 或者 Anaconda 的方式安装。 - Landsat影像通常具有特定的波段编号规则（如_B4.tif对应红光波段，_B5.tif对应近红外波段），需根据实际情况调整代码逻辑。 - 如果存在大量高分辨率影像，则可能需要考虑内存优化策略，比如逐块读写数据。