💻 Raster

💻 Raster#

Ekstra biblioteker

Senere i denne notebooken skal vi bruke bibliotekene xarray og rioxarray, det kan være en god ide å installere de allerede nå, så det er klart til bruk senere:

conda install -c conda-forge xarray rioxarray

Rasterdata er mye brukt til å representere og lagre data om kontinuerlige overflater, der hver piksel inneholder spesifikk informasjon (karakteristikk, utstråling, spektralsignaturer) om et spesifikt område av jorden, for eksempel et 10x10 meter område. Denne notebooken gir en introduksjon til behandling av rasterdata i Python, og er basert på kapittel 7 i Python for Geographic Data Analysis

Det er forskjellige grunner til at du kanskje vil lagre dataene dine i rasterformat:

Det er en enkel datastruktur: En matrise av celler med verdier som representerer informasjon om den observerte overflaten/fenomenene
Det er en effektiv måte å lagre data fra store sammenhengende flater
Det er et kraftig format som kan brukes til ulike romlige og statistiske analyser
Du kan utføre raske overlay med flere lag

Arbeide med rasterdata i Python#

Det er en rekke biblioteker som er mye brukt når du arbeider med rasterdata i Python:

xarray gir en brukervennlig og intuitiv måte å jobbe med flerdimensjonale rasterdata med koordinater og attributter (noe lik geopandas som brukes til vektordatabehandling),
rioxarray gir metoder for å utføre GIS-relaterte operasjoner med rasterdata (f.eks. lesing/skriving, reprojisering, klipping, resampling),
“xarray-spatial” gir metoder for å analysere rasterdata (f.eks. fokale/sonale operasjoner, overflateanalyse, banefinning),
rasterio kjernebibliotek for arbeid med GIS-rasterdata. rioxarray er en utvidelse av dette biblioteket som bringer de samme funksjonalitetene på toppen av xarray-biblioteket,
numpy er et kjerne-bibliotek i Python for numerisk databehandling som brukes til å representere og arbeide med flerdimensjonale arrays. numpy har stor innflytelse på hvordan de andre rasterbibliotekene fungerer og kan brukes til å generere flerdimensjonale arrays fra bunnen av.

Lage et enkelt rasterlag ved å bruke `numpy`#

For å få en bedre følelse av hvordan rasterdataene ser ut, kan vi starte med å lage en enkel todimensjonal array i Python ved å bruke numpy. I det følgende vil vi modifisere rasterlaget til å representere et enkelt terreng som har en høyde midt i rutenettet. Vi gjør dette ved å sette høyere verdier i midten mens de andre verdiene er representert med verdi 0. La oss starte med å importere numpy og matplotlib-biblioteket som vi bruker for å visualisere dataene våre:

import numpy as np
import matplotlib.pyplot as plt

Å lage et enkelt 2D-rasterlag (en 2D-matrise) med 10x10-matrise kan enkelt gjøres ved å bruke en numpy-metode .zeros() med fyller cellene (piksler) med nuller. Hver null representerer en standard pikselverdi (f.eks. 0 høyde). Du kan tenke på dette som et tomt rasternett:

raster_lag = np.zeros((10, 10))
raster_lag

array([[0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0., 0., 0., 0., 0.]])

Nå har vi en enkel 2D-matrise fylt med nuller. Deretter modifiserer vi rasterlaget for å representere et enkelt terreng og legger til større tall i midten av rutenettet ved å sette høyere verdier i midten. Vi kan gjøre dette ved å slice numpy-matrisen ved å bruke indeksene til matrisen og oppdatere tallene på disse stedene til å være høyere. Å skjære “numpy”-matriser skjer på lignende måte som når du arbeider med Python-lister og får tilgang til elementene i en liste (se kapittel 2.2). Men i dette tilfellet gjør vi dette i to dimensjoner ved å få tilgang til verdiene som er lagret i spesifikke rader og kolonner ved å følge syntaksen: [start-rad-idx: end-row-idx, start-col-idx: end-col- idx]. Dermed kan vi oppdatere verdiene i vår 2D-matrise som følger:

raster_lag[4:7, 4:7] = 5
raster_lag[5, 5] = 10
raster_lag

array([[ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  5.,  5.,  5.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  5., 10.,  5.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  5.,  5.,  5.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.]])

Her oppdaterte vi først cellene mellom den fjerde og syvende raden og kolonnen ([4:7, 4:7]) til å ha en verdi 5, og deretter oppdaterte vi midten av matrisen til å representere toppen av bakken med verdien 10. Som en Resultatet har vi et enkelt rasterlag som simulerer et enkelt terreng. Vi kan også plotte dette rasterlaget ved å bruke matplotlib-biblioteket og dets .imshow()-funksjon som kan brukes til å visualisere arrays:

plt.imshow(raster_lag, cmap='terrain')
plt.colorbar(label='Høyde')
plt.title('Enkelt rasterlag som representerer en ås')
plt.show()

../../_images/937bafe49c0f0c084c49703c5399f2fc3ea6f4ce4d16e979465203bda08f7602.png

💻 Raster

Contents

💻 Raster#

Arbeide med rasterdata i Python#

Lage et enkelt rasterlag ved å bruke `numpy`#

Introduksjon til datastrukturer i xarray#

Lese inn en fil#

NDVI#

Videre lesning#

💻 Raster

Contents

💻 Raster#

Arbeide med rasterdata i Python#

Lage et enkelt rasterlag ved å bruke numpy#

Introduksjon til datastrukturer i xarray#

Lese inn en fil#

NDVI#

Videre lesning#

Lage et enkelt rasterlag ved å bruke `numpy`#