目录前言
一、rasterio库简介
二、环境安装
三、核心功能详解
1. 数据读取与元数据解析
2. 数据写入与格式转换
3. 数据操作技巧
4. 坐标转换
5. 多波段处理
四、可视化实践
五、实际应用案例
六、高级功能
结语前言遥感数据是通过卫星、无人机等设备获取的地球表面信息，广泛应用于农业、环境监测、城市规划等领域。处理这些数据常常需要对栅格图像进行分析，而Python的rasterio库正是解决这一需求的利器。本篇文章将带你深入了解rasterio库，帮助你掌握遥感数据处理的技巧与最佳实践。
rasterio官方文档：
https://rasterio.readthedocs.io/en/latest/index.html
一、rasterio库简介
rasterio是基于GDAL的Python接口封装，相比直接使用GDAL，rasterio具有以下优势：✅ 更简洁的API设计
✅ 原生支持NumPy数组操作
✅ 完美集成Python科学计算生态
✅ 支持多线程读写加速典型应用场景：卫星影像读写与格式转换遥感指数计算（如NDVI等）
影像裁剪与镶嵌地理坐标系统转换
二、环境安装
你可以通过以下命令安装rasterio库：pip install rasterio对于地理空间数据处理，推荐使用conda
环境来管理依赖包：
conda install -c conda-forge rasterio注意事项：Windows用户：建议先安装预编译的GDAL库，避免出现安装错误。可以从https://www.lfd.uci.edu/~gohlke/pythonlibs/下载对应版本的whl文件。
Linux/MacOS用户：通常直接通过pip或conda安装即可，但请确保GDAL等依赖项已正确配置。
安装可参考：
https://www.jb51.net/python/3393730z5.htm
三、核心功能详解
1. 数据读取与元数据解析
import rasterio
with rasterio.open('sentinel2.tif') as src:# 获取数据矩阵（NumPy数组）
data = src.read()
# 查看元数据print(f"数据集信息：\n{src.meta}") print(f"坐标系：{src.crs}") print(f"影像尺寸：{src.width}x{src.height}") print(f"空间分辨率：{src.res}") print(f"地理范围：{src.bounds}")
2. 数据写入与格式转换
# 创建新栅格文件profile = src.profile profile.update(dtype=rasterio.float32,count=3,compress='lzw')
with rasterio.open('output.tif', 'w', **profile) as dst:dst.write(data.astype(rasterio.float32))支持格式：GeoTIFF、JPEG2000、ENVI、HDF等30+种格式
3. 数据操作技巧
▶ 影像裁剪from rasterio.mask import mask import geojson
# 按像素范围裁剪window = Window(100, 200, 800, 600) clip_data = src.read(window=window)
# 按地理范围裁剪，GeoJSON格式geometry = {"type": "Polygon","coordinates": [[[116.0, 39.5],[116.5, 39.5],[116.5, 40.0],[116.0, 40.0],[116.0, 39.5]]]}
clip_data, clip_transform = rasterio.mask.mask(src, [geometry], crop=True)▶ 重采样from rasterio.enums import Resampling
# 选择重采样方法：最近邻、双线性、立方卷积等resampled_data = src.read(out_shape=(src.height//2, src.width//2),resampling=Resampling.bilinear # 双线性插值法)
4. 坐标转换
# 地理坐标 ↔ 像素坐标row, col = src.index(116.3974, 39.9093) # 天安门坐标转像素位置lon, lat = src.xy(500, 500) # 中心点坐标
# 坐标系统转换from rasterio.warp import transform dst_crs = 'EPSG:3857' # Web墨卡托transformed = transform(src.crs, dst_crs, [lon], [lat])
5. 多波段处理
# 波段合并with rasterio.open('RGB.tif', 'w', **profile) as dst:for i in range(3):dst.write(data[i], i+1)
# 计算NDVI red = src.read(3).astype(float) nir = src.read(4).astype(float) ndvi = (nir - red) / (nir + red + 1e-8)
四、可视化实践
# 可视化NDVI import matplotlib.pyplot as plt
plt.figure(figsize=(12, 8)) plt.imshow(ndvi, cmap='RdYlGn', vmin=-1, vmax=1) plt.colorbar(label='NDVI') plt.title('植被指数分布', fontsize=16) plt.axis('off') plt.savefig('ndvi_map.png', dpi=300, bbox_inches='tight')
五、实际应用案例
任务：批量处理Landsat8数据提取水体信息# 示例：批量处理Landsat8数据提取水体信息
# 1. 读取热红外波段with rasterio.open('landsat8_b10.tif') as src:thermal_band = src.read(1)
# 2. 计算地表温度（简单的示例，实际需要进行辐射校正）
temperature = (thermal_band - 273.15) # 假设热红外波段已经是开尔文温度
# 3. 应用阈值分割提取水体（基于温度或植被指数）
water_mask = temperature < 20 # 假设温度低于20°C为水体
# 4. 输出二值化结果with rasterio.open('water_mask.tif', 'w', **src.profile) as dst:dst.write(water_mask.astype(rasterio.uint8), 1)
# 5. 生成统计报告import numpy as np water_area = np.sum(water_mask) * src.res[0] * src.res[1] # 计算水体面积print(f'水体面积: {water_area} 平方米')
六、高级功能
多线程处理：通过rasterio.Env()配置GDAL线程数from rasterio import Env
with Env(GDAL_NUM_THREADS=4):with rasterio.open('large_image.tif') as src:data = src.read()内存文件操作：使用MemoryFile处理临时数据数据集拼接：利用rasterio.merge.merge()实现影像镶嵌分块处理：支持大数据分块读取（chunked reading）
结语rasterio凭借其简洁的API和强大的功能，已成为遥感数据处理的必备工具。
到此这篇关于Python中rasterio库的实现的文章就介绍到这了,更多相关Python rasterio库内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
您可能感兴趣的文章:使用Rasterio读取栅格数据的实例讲解python中rasterio的安装和使用