### 如何从API或开源平台获取卫星多光谱遥感数据 #### 使用EOReader库访问多源卫星数据 EOReader是一个强大的开源Python库，专门用于处理来自多种光学和合成孔径雷达(SAR)传感器的遥感数据。通过该库，用户可以以一种传感器无关的方式加载并堆叠不同的波段，例如卫星图像、云层覆盖、数字高程模型(DEM)，以及各类光谱指数[^1]。 以下是使用EOReader读取Sentinel-2多光谱数据的一个简单示例： ```python from eoreader.reader import Reader from pathlib import Path # 定义输入文件夹路径 input_folder = Path("/path/to/sentinel2_data") # 初始化EOReader对象 reader = Reader() # 加载产品 prod = reader.open(input_folder) # 获取特定波段（如B04红色波段） red_band = prod.load(band_names=["B04"]) print(red_band) ``` 此代码片段展示了如何通过指定波段名称来加载所需的数据。 #### Landsat数据下载与预处理 对于Landsat系列卫星数据，可以通过官方渠道或其他公开资源下载其存档数据集。这些数据通常包含多个波段信息，适合于构建诸如归一化差异植被指数(NDVI)之类的指标。为了确保顺利操作，建议设定一个多光谱数据存储目录，并采用绝对路径引用以防丢失文件链接[^2]。 下面是一段关于计算NDVI的例子： ```python import rasterio from rasterio.plot import show # 打开近红外(NIR)和红(Red)两个波段 nir = rasterio.open('/path/to/nir.tif') red = rasterio.open('/path/to/red.tif') # 计算NDVI ndvi = (nir.read(1).astype('float') - red.read(1).astype('float')) / \ (nir.read(1).astype('float') + red.read(1).astype('float')) show(ndvi, cmap='Greens') ``` 这段脚本说明了怎样基于已有的NIR和Red图层生成NDVI地图。 #### 利用Google Earth Engine(GEE)进行大规模数据分析 除了本地部署解决方案外，还可以借助像Google Earth Engine这样的云计算服务平台来进行更大规模的空间分析工作。GEE提供了丰富的地球观测数据库集合，其中包括但不限于LandSat历史记录、Copernicus Sentinel任务成果以及其他合作伙伴贡献的内容[^3]。此外，在研究河流动态方面也有成熟的应用实例可供参考学习[^4]。 ```javascript // JavaScript Code Example on GEE Platform var dataset = ee.ImageCollection('LANDSAT/LC08/C01/T1_SR') .filterDate('2020-01-01', '2020-12-31'); function addNdvi(image){ var ndvi = image.normalizedDifference(['B5','B4']).rename('NDVI'); return image.addBands(ndvi); } dataset = dataset.map(addNdvi); Map.setCenter(-122.1899, 37.501, 10); // San Francisco Bay Area coordinates example only. Map.addLayer(dataset.select('NDVI').mean(), {min:-1,max:1,palette:['blue','white','green']}, 'Average NDVI'); ``` 上述JavaScript代码体现了在GEE环境中定义函数以批量增加新属性至每张影像上的方法。