用rasterio处理卫星影像：从安装到NDVI计算的完整实战教程

用rasterio处理卫星影像：从安装到NDVI计算的完整实战教程

当我们需要分析地球表面的植被覆盖、城市扩张或自然灾害影响时，卫星影像数据成为了不可或缺的资源。这些数据通常以多波段栅格格式存储，包含了从可见光到红外等各种波段的反射率信息。Python生态中的rasterio库，作为GDAL的Pythonic封装，为处理这类地理空间栅格数据提供了高效而优雅的解决方案。

本文将带您从零开始，逐步掌握使用rasterio处理卫星影像的核心技能。不同于简单的API介绍，我们会通过实际案例演示如何计算NDVI（归一化植被指数）——这个广泛应用于农业监测、森林管理和环境评估的重要指标。无论您是GIS开发者、遥感分析师，还是对地理空间数据感兴趣的Python程序员，都能从中获得可直接应用于项目的实用技巧。

1. 环境配置与rasterio安装

在开始处理卫星影像之前，我们需要确保Python环境已正确配置。rasterio作为地理空间分析栈的重要组成，其安装过程可能比常规Python库稍复杂，主要因为它依赖于GDAL库。

推荐使用conda管理环境，这能自动解决依赖关系：

conda create -n geo python=3.10
conda activate geo
conda install -c conda-forge rasterio numpy matplotlib

如果必须使用pip安装，需要先确保系统已安装GDAL开发库。在Ubuntu上可执行：

sudo apt-get install libgdal-dev
pip install rasterio --no-binary rasterio

验证安装是否成功：

import rasterio
print(rasterio.__version__)  # 应输出如1.3.0等版本号

注意：Windows用户建议直接下载预编译的wheel文件，或使用conda-forge渠道安装以避免编译问题。

常见问题排查：

• 若遇到"Could not find libgdal"错误，检查GDAL是否已安装并确认环境变量设置正确
• 版本冲突时，可尝试固定依赖版本：pip install "rasterio==1.3.0" "numpy<1.24"

2. 卫星影像数据获取与加载

实战中我们使用Landsat 8的公开数据作为示例。这些数据可从USGS EarthExplorer或AWS的Landsat公共数据集获取。为方便演示，这里使用预先裁剪好的示例数据：

import rasterio
from rasterio.plot import show

# 加载多波段卫星影像
image_path = 'LC08_L1TP_123032_20201014_20201014_01_RT.tif'
with rasterio.open(image_path) as src:
    print(f"影像尺寸: {src.width}x{src.height}")
    print(f"波段数量: {src.count}")
    print(f"坐标参考系统(CRS): {src.crs}")
    print(f"地理变换参数:\n{src.transform}")
    show(src, title='原始卫星影像')

典型输出可能显示：

影像尺寸: 7851x7851  
波段数量: 11
坐标参考系统(CRS): EPSG:32651
地理变换参数:
| 30.00, 0.00, 358485.00|
| 0.00,-30.00,