### 计算植被指数 在遥感图像处理中，植被指数（Vegetation Index, VI）用于量化和分析地表植被覆盖情况。常见的植被指数包括归一化差异植被指数（NDVI）、增强型植被指数（EVI）。使用Python Imaging Library (PIL) 或其他专门的遥感图像处理库可以实现这些指数的计算。 #### 使用 Python 和 PIL 库读取并处理遥感图像 虽然PIL主要用于基本的图像操作，对于复杂的遥感数据处理可能不够全面，但仍然可以通过它加载图像文件： ```python from PIL import Image import numpy as np # 打开多光谱波段图像 red_band_image = Image.open('path_to_red_band.tiff') nir_band_image = Image.open('path_to_nir_band.tiff') # 将图像转换为numpy数组以便于数值运算 red_band_array = np.array(red_band_image).astype(float) nir_band_array = np.array(nir_band_image).astype(float) # 归一化差异植被指数(NDVI) 的定义 ndvi = (nir_band_array - red_band_array) / (nir_band_array + red_band_array) # 显示 NDVI 图像 plt.imshow(ndvi, cmap='RdYlGn') plt.colorbar() plt.title("Normalized Difference Vegetation Index") plt.show() ``` 然而，在实际应用中更推荐采用专业的地理信息系统软件包如 `rasterio` 结合 `rioxarray` 来处理栅格数据集[^1]。 #### 利用 Rasterio 进行高级遥感数据分析 Rasterio 是一个强大的开源GIS工具箱，专为高效读写空间数据而设计。下面是一个利用 rasterio 实现 NDVI 计算的例子: ```python import rasterio from rasterio.plot import show with rasterio.open('path_to_red_band.tif') as src: red = src.read(1).astype(float) with rasterio.open('path_to_nir_band.tif') as src: nir = src.read(1).astype(float) # 防止除零错误 np.seterr(divide='ignore', invalid='ignore') # 计算 NDVI ndvi = (nir - red) / (nir + red) show(ndvi, cmap='RdYlGn') ``` 此方法不仅能够更好地支持多种格式的空间数据输入输出，而且提供了更多关于坐标系变换等功能的支持[^2]。