处理多波段栅格（Sentinel-使用 hndex 并创建索引

程序猿 • 2025年12月13日 12:53:43 • 好文分享 • 阅读 0

嗨，在之前的博客中，我们讨论了如何使用 h3 索引和 postgresql 对单波段栅格进行栅格分析。在本博客中，我们将讨论如何处理多波段栅格并轻松创建索引。我们将使用 sentinel-2 图像并从处理后的 h3 细胞创建 ndvi 并可视化结果

下载哨兵2数据

我们正在从尼泊尔博卡拉地区的https://apps.sentinel-hub.com/eo-browser/下载sentinel 2数据，只是为了确保湖泊在图像网格中，以便我们可以轻松地验证 ndvi 结果

要下载所有乐队的哨兵图像：

您需要创建一个帐户找到您所在区域的图像，选择覆盖您感兴趣区域的网格放大到网格，然后点击右侧竖条上的图标之后进入分析选项卡并选择图像格式为 tiff 32 位、高分辨率、wgs1984 格式的所有波段并检查所有波段

您还可以下载预生成的指数，例如 ndvi、仅假色 tiff 或最适合您需要的特定波段。我们正在下载所有乐队，因为我们想自己进行处理

点击下载

预处理

当我们下载原始格式时，我们将所有乐队作为与哨兵分开的 tiff

让我们创建一个合成图像：

这可以通过gis工具或gdal来完成

使用 gdal_merge:

我们需要将下载的文件重命名为 band1,band2 以避免文件名中出现斜杠
本次练习最多处理频段 9，您可以根据需要选择频段

gdal_merge.py -separate -o sentinel2_composite.tif band1.tif band2.tif band3.tif band4.tif band5.tif band6.tif band7.tif band8.tif band9.tif

使用 qgis : 将所有单独的波段加载到 qgis 转到光栅 > 杂项 > 合并

合并时，您需要确保选中“将每个输入文件放入 sep band”

现在将合并的 tiff 作为复合材料导出到原始 geotiff

家政

确保您的图像采用 wgs1984在我们的例子中，图像已经是 ws1984，所以不需要转换确保您没有任何 nodata 如果有则用 0 填充

  gdalwarp -overwrite -dstnodata 0 "$input_file" "${output_file}_nodata.tif"

最后确保你的输出图像是cog

  gdal_translate -of cog "$input_file" "$output_file"

我正在使用 cog2h3 repo 中提供的 bash 脚本来自动化这些

sudo bash pre.sh sentinel2_composite.tif

h3细胞的处理和创建

现在，我们终于完成了预处理脚本，让我们继续计算复合齿轮图像中每个波段的 h3 单元格

安装cog2h3

  pip install cog2h3

导出您的数据库凭据

  export database_url="postgresql://user:password@host:port/database"

奔跑

我们对此哨兵图像使用分辨率 10，但是您还会在脚本本身中看到，它将打印栅格的最佳分辨率，使 h3 单元小于栅格中的最小像素。

  cog2h3 --cog sentinel2_composite_preprocessed.tif --table sentinel --multiband --res 10

我们花了一分钟的时间来计算结果并将结果存储在 postgresql 中

日志：

2024-08-24 08:39:43,233 - info - starting processing2024-08-24 08:39:43,234 - info - cog file already exists at sentinel2_composite_preprocessed.tif2024-08-24 08:39:43,234 - info - processing raster file: sentinel2_composite_preprocessed.tif2024-08-24 08:39:43,864 - info - determined min fitting h3 resolution for band 1: 112024-08-24 08:39:43,865 - info - resampling original raster to: 200.786148m2024-08-24 08:39:44,037 - info - resampling done for band 12024-08-24 08:39:44,037 - info - new native h3 resolution for band 1: 102024-08-24 08:39:44,738 - info - calculation done for res:10 band:12024-08-24 08:39:44,749 - info - determined min fitting h3 resolution for band 2: 112024-08-24 08:39:44,749 - info - resampling original raster to: 200.786148m2024-08-24 08:39:44,757 - info - resampling done for band 22024-08-24 08:39:44,757 - info - new native h3 resolution for band 2: 102024-08-24 08:39:45,359 - info - calculation done for res:10 band:22024-08-24 08:39:45,366 - info - determined min fitting h3 resolution for band 3: 112024-08-24 08:39:45,366 - info - resampling original raster to: 200.786148m2024-08-24 08:39:45,374 - info - resampling done for band 32024-08-24 08:39:45,374 - info - new native h3 resolution for band 3: 102024-08-24 08:39:45,986 - info - calculation done for res:10 band:32024-08-24 08:39:45,994 - info - determined min fitting h3 resolution for band 4: 112024-08-24 08:39:45,994 - info - resampling original raster to: 200.786148m2024-08-24 08:39:46,003 - info - resampling done for band 42024-08-24 08:39:46,003 - info - new native h3 resolution for band 4: 102024-08-24 08:39:46,605 - info - calculation done for res:10 band:42024-08-24 08:39:46,612 - info - determined min fitting h3 resolution for band 5: 112024-08-24 08:39:46,612 - info - resampling original raster to: 200.786148m2024-08-24 08:39:46,619 - info - resampling done for band 52024-08-24 08:39:46,619 - info - new native h3 resolution for band 5: 102024-08-24 08:39:47,223 - info - calculation done for res:10 band:52024-08-24 08:39:47,230 - info - determined min fitting h3 resolution for band 6: 112024-08-24 08:39:47,230 - info - resampling original raster to: 200.786148m2024-08-24 08:39:47,239 - info - resampling done for band 62024-08-24 08:39:47,239 - info - new native h3 resolution for band 6: 102024-08-24 08:39:47,829 - info - calculation done for res:10 band:62024-08-24 08:39:47,837 - info - determined min fitting h3 resolution for band 7: 112024-08-24 08:39:47,837 - info - resampling original raster to: 200.786148m2024-08-24 08:39:47,845 - info - resampling done for band 72024-08-24 08:39:47,845 - info - new native h3 resolution for band 7: 102024-08-24 08:39:48,445 - info - calculation done for res:10 band:72024-08-24 08:39:48,453 - info - determined min fitting h3 resolution for band 8: 112024-08-24 08:39:48,453 - info - resampling original raster to: 200.786148m2024-08-24 08:39:48,461 - info - resampling done for band 82024-08-24 08:39:48,461 - info - new native h3 resolution for band 8: 102024-08-24 08:39:49,046 - info - calculation done for res:10 band:82024-08-24 08:39:49,054 - info - determined min fitting h3 resolution for band 9: 112024-08-24 08:39:49,054 - info - resampling original raster to: 200.786148m2024-08-24 08:39:49,062 - info - resampling done for band 92024-08-24 08:39:49,063 - info - new native h3 resolution for band 9: 102024-08-24 08:39:49,647 - info - calculation done for res:10 band:92024-08-24 08:39:51,435 - info - converting h3 indices to hex strings2024-08-24 08:39:51,906 - info - overall raster calculation done in 8 seconds2024-08-24 08:39:51,906 - info - creating or replacing table sentinel in database2024-08-24 08:40:03,153 - info - table sentinel created or updated successfully in 11.25 seconds.2024-08-24 08:40:03,360 - info - processing completed

分析

现在我们的数据已经在 postgresql 中了，让我们做一些分析吧

验证我们是否拥有处理过的所有频段（记住我们处理的是频段 1 到 9）

select *from sentinel

计算每个细胞的 ndvi

explain analyze select h3_ix , (band8-band4)/(band8+band4) as ndvifrom public.sentinel

查询计划：

query plan                                                                                                       |-----------------------------------------------------------------------------------------------------------------+seq scan on sentinel  (cost=0.00..28475.41 rows=923509 width=16) (actual time=0.014..155.049 rows=923509 loops=1)|planning time: 0.080 ms                                                                                          |execution time: 183.764 ms                                                                                       |

正如您在此处看到的那样，该区域中的所有行的计算都是即时的。对于所有其他索引都是如此，您可以使用 h3_ix 主键计算与其他表的复杂索引连接，并从中导出有意义的结果，而不必担心，因为 postgresql 能够处理复杂的查询和表连接。

可视化和验证

让我们可视化并验证计算的索引是否正确

创建表格（用于在 qgis 中可视化）

create table ndvi_sentinelas(select h3_ix , (band8-band4)/(band8+band4) as ndvifrom public.sentinel )

让我们添加几何图形来可视化 h3 细胞这仅是在 qgis 中可视化所必需的，如果您自己构建一个最小的 api，则不需要它，因为您可以直接从查询构造几何图形

alter table ndvi_sentinel  add column geometry geometry(polygon, 4326) generated always as (h3_cell_to_boundary_geometry(h3_ix)) stored;

在几何体上创建索引

create index on ndvi_sentinel(geometry);

在qgis中连接数据库并根据ndvi值可视化表格让我们获取费瓦湖或云附近的区域

据我们所知，-1.0 到 0.1 之间的值应该代表深水或浓密的云层
让我们看看这是否属实（使第一个类别透明以查看底层图像）

检查云：

检查湖

由于湖周围有云，因此附近的田野被云覆盖，这是有道理的

感谢您的阅读！下一篇博客见

以上就是处理多波段栅格（Sentinel-使用 hndex 并创建索引的详细内容，更多请关注创想鸟其它相关文章！

版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容，请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/1349465.html

打赏

微信扫一扫

支付宝扫一扫

0 0

关于作者

程序猿签约作者

312.7K 文章

0 评论

1 粉丝

这个人很懒，什么都没有留下～

每周挑战

上一篇 2025年12月13日 12:53:39

Python 教程 – 简介

下一篇 2025年12月13日 12:53:45

Python 教程 – 简介

python 是目前最流行的编程语言之一，尤其是随着人工智能技术的兴起。 python 是一种多用途编程语言，用于开发 web 应用程序、后端服务、数据科学和机器学习等许多东西。设置这些是使用 python 编码的准备工作：下载python然后安装。您可以使用任何文本编辑器来编写 python…

程序猿
好文分享 2025年12月13日
0000
好文分享

每周挑战

穆罕默德·s·安瓦尔 (mohammad s. anwar) 每周都会发出“每周挑战”，为我们所有人提供了为两周任务提出解决方案的机会。我的解决方案首先用python编写，然后转换为perl。这对我们所有人来说都是练习编码的好方法。挑战，我的解决方案任务 1：唯一编号任务给你一个整数数组@i…

程序猿
2025年12月13日
0000
好文分享

如何使用 Python 自动下载图像：综合指南

在当今的数字时代，以编程方式管理和处理图像可以为您节省大量的时间和精力。如果您希望自动化从网络下载图像的过程，那么您来对地方了。在本文中，我们将深入研究一个使用 pexels api（高质量库存照片的流行来源）来完成此操作的 python 脚本。概述此处提供的 python 脚本允许您根据查询在 …

程序猿
2025年12月13日
0000
好文分享

ResNet、EfficientNet、VGG、NN

作为一名学生，我亲眼目睹了我们大学低效的失物招领系统所带来的挫败感。目前的流程依赖于每个找到的物品的单独电子邮件，通常会导致丢失物品与其所有者之间的延误和错过联系。出于为自己和同学改善这种体验的愿望，我开始了一个项目，探索深度学习在彻底改变我们的失物招领系统方面的潜力。在这篇博文中，我将分享我评…

程序猿
2025年12月13日
0000
好文分享

硒 python 和 docker

嗨，我展示了如何在 docker 容器中使用 selenium （或 undetected_chromedriver）。我——dockerfile 我正在使用 docker python 图像并添加 chromdriver 和 chromium 来浏览网站。第一步是创建requirements.…

程序猿
2025年12月13日
0000
好文分享

矢量视觉：改变您的本地图像搜索

Vector Vision 是一款桌面应用程序，旨在简化用户搜索和管理本地图像集合的方式，利用技术提供直观、高效的体验，而无需互联网连接。该应用程序采用Python和Qt5作为其核心功能，而ChromaDB则增强了其图像搜索功能。核心特性和技术见解 Vector Vision 的主要功能之一是其多…

程序猿
2025年12月13日
0000
好文分享

亚马逊产品数据集

嗨，我在 kaggle 中找到了亚马逊产品的数据集，并决定找到价格和星级之间的关系。完整代码：https://github.com/victordalet/kaggle_analysis/tree/feat/amazon_products i-准备数据为此，我使用 sqlalchemy 将 cs…

程序猿
2025年12月13日
0000
好文分享

Tensorflow 音乐预测

在本文中，我展示了如何使用张量流来预测音乐风格。在我的示例中，我比较了电子音乐和古典音乐。你可以在我的github上找到代码：https://github.com/victordalet/sound_to_partition i – 数据集第一步，您需要创建一个数据集文件夹，并在里面…

程序猿
2025年12月13日
0000
好文分享

ROBOFLOW – 使用 python 进行训练和测试

roboflow 是一个用于注释图像以用于对象检测 ai 的平台。我将这个平台用于 c2smr c2smr.fr，我的海上救援计算机视觉协会。在本文中，我将向您展示如何使用这个平台并使用 python 训练您的模型。您可以在我的github上找到更多示例代码：https://github.co…

程序猿
2025年12月13日
0000
好文分享

数据工程终极指南

数据工程是设计和构建大规模收集、存储和分析数据的系统的实践。这是一个广泛的领域，几乎在每个行业都有应用。本文旨在提供有关如何成为一名数据工程师的分步指南。大多数数据工程师都拥有计算机科学或相关领域的学士学位背景，教授云计算、编码技能和数据库设计等基础知识。要成为一名数据工程师，首先应该专注于培养数据…

程序猿
2025年12月13日
0000
好文分享

python+scrapy爬虫教程

Scrapy 是一款强大的 Python 爬虫框架，用于抓取网站数据，包括结构化和非结构化数据。其安装步骤包括：1. pip install scrapy；2. 创建项目：scrapy startproject myproject；3. 创建爬虫：在 myproject/spiders 文件夹下创建…

程序猿
2025年12月13日
0000
好文分享

爬虫python教程迅雷下载

要使用 Python 爬虫下载迅雷资源，需要：1. 安装库；2. 获取资源链接；3. 解析页面内容；4. 提取下载链接；5. 下载资源。具体步骤如下：1. 安装必要的库；2. 从迅雷网站获取资源链接；3. 使用 BeautifulSoup 解析页面内容；4. 使用正则表达式从 HTML 元素中提取迅…

程序猿
2025年12月13日
0000
好文分享

python下载进度条怎么写代码

Python 中进度条是使用 tqdm 库实现的，可用于在执行耗时操作时显示任务进度。通过安装 tqdm 并使用以下步骤创建进度条：创建一个代表任务的 range 对象（total）。使用 with tqdm(total=total) as progress_bar 创建一个进度条。遍历范围并调用 …

程序猿
2025年12月13日
0000
好文分享

机器学习中的标签编码

标签编码是机器学习中最常用的技术之一。它用于将分类数据转换为数字形式。因此，数据可以拟合到模型中。让我们了解为什么我们使用标签编码。想象一下，数据包含字符串形式的基本列。但是，您无法将这些数据放入模型中，因为建模仅适用于数值数据，我们该怎么办？这是一种挽救生命的技术，当我们准备好数据进行拟合时，…

程序猿
2025年12月13日
0000
好文分享

推荐：《Python实践实验室》课程

您是否希望提高 python 编程技能并应对现实世界的挑战？ labex 提供的 python 实践实验室课程就是您的最佳选择。这门综合课程旨在指导您完成一系列实践项目，使您成为一名熟练的 python 程序员。深入 Python 的深处通过本课程，您将有机会探索各种 Python 编程概念和技…

程序猿
2025年12月13日
0000
好文分享

Ansible 入门 – 初学者指南：日复一日的 DevOps 工具系列

欢迎来到“50 天 50 个 devops 工具”系列的第 30 天！今天，我们将探索 ansible，它是 devops 工具包中最重要的工具之一。本博客将向您介绍 ansible 的基础知识，分解其关键组件并向您展示如何从简单的示例开始。我们会让事情简单明了，使其成为初学者的完美起点。什么是 …

程序猿
2025年12月13日
0000
使用 EventBridge 和 Lambda 进行自动故障排除和 ITSM 系统

介绍：各位，在 it 运营中，监视服务器指标（例如 cpu/内存和磁盘或文件系统的利用率）是一项非常通用的任务，但如果任何指标被触发为关键指标，则需要专门人员通过以下方式执行一些基本故障排除：登录服务器并找出使用的最初原因，如果该人收到多个相同的警报，导致无聊且根本没有生产力，则他必须多次执行该…

程序猿
2025年12月13日 • 好文分享
0000
好文分享

苹果系统python爬虫教程

使用 Python 在苹果系统上构建爬虫的步骤：安装 Python 3 和 pip。安装爬虫库 requests 和 BeautifulSoup。使用 requests 库获取网页内容。使用 BeautifulSoup 库解析 HTML。遍历并提取数据。将数据保存到文件中。示例爬虫可提取 Stack…

程序猿
2025年12月13日
0000
好文分享

释放 Claude AI：用于经济实惠且灵活的 AI 集成的非官方 API

Anthropic 开发的 Claude AI 以其令人印象深刻的能力在 AI 社区中掀起波澜。然而，官方 API 对于许多开发人员和小型企业来说可能过于昂贵。这就是我们的非官方 Claude AI API 的用武之地，它提供了一个更实惠、更灵活的解决方案，用于将 Claude 的力量集成到您的项目…

程序猿
2025年12月13日
0000
好文分享

利用 Python 实现自动化：用代码简化日常任务

介绍 Python 已成为从 Web 开发到数据科学等各种应用程序的首选语言。 Python 真正大放异彩的领域之一是自动化。无论您是想自动执行日常任务、简化工作流程，还是创建功能强大的脚本来节省时间和精力，Python 的简单性和多功能性都使其成为完成这项工作的完美工具。为什么 Python 是…

程序猿
2025年12月13日
0000