Python中GDAL绘制多波段图像的像素时间变化走势图

疯狂学习GIS

发布于 2023-09-06 11:15:51

2100

发布于 2023-09-06 11:15:51

本文介绍基于Python中的gdal模块，对大量长时间序列的栅格遥感影像文件，绘制其每一个波段中、若干随机指定的像元的时间序列曲线图的方法。

在之前的文章Python GDAL绘制遥感影像时间序列曲线中，我们就已经介绍过基于gdal模块，对大量多时相栅格图像，批量绘制像元时间序列折线图的方法。不过当时文章中的需求，每1个时相都对应着3个不同的遥感影像文件，而每1个遥感影像文件则都仅仅只有1个波段；而在本文中，我们每1景遥感影像都对应着2个波段，我们最终绘制的多条曲线图，也都来自于这每1景遥感影像的不同波段。

我们再来明确一下本文的需求。现在有一个文件夹，其中放置了大量的遥感影像文件，如下图所示。其中，所有遥感影像都是同一地区、不同成像时间的图像，其各自的空间参考信息、像元行数与列数等都是一致的，文件名中有表示成像日期的具体字段；且每1景遥感影像都具有2个波段。现在我们希望，在遥感影像覆盖的区域内，随机选取若干的像元，基于这些像元，我们绘制其随时间变化的曲线图。因为我们的每个遥感影像都有2个波段，且都希望绘制出曲线图，因此最终的曲线图一共就有2条曲线。

明确了需求，我们就可以开始代码的撰写。本文用到的代码如下。

# -*- coding: utf-8 -*-
"""
Created on Tue Jul 25 23:04:41 2023

@author: fkxxgis
"""

import os
import random
import matplotlib.pyplot as plt
from osgeo import gdal

def load_image(image_path):
    dataset = gdal.Open(image_path)
    band1 = dataset.GetRasterBand(1).ReadAsArray()
    band2 = dataset.GetRasterBand(2).ReadAsArray()
    del dataset
    return band1, band2

def plot_time_series(image_folder, pic_folder, num_pixels):
    image_files = [file for file in os.listdir(image_folder) if file.endswith(".tif")]
    band1_merge, band2_merge = [], []
    i = 0

    for image_file in image_files:
        image_path = os.path.join(image_folder, image_file)
        band1, band2 = load_image(image_path)
        band1_merge.append(band1)
        band2_merge.append(band2)
        i += 1

    x_size, y_size = band1.shape
    pixel_indices = random.sample(range(x_size * y_size), num_pixels)

    for pixel_index in pixel_indices:
        x, y = divmod(pixel_index, y_size)
        band_list_1, band_list_2 = [], []
        for i in range(len(band1_merge)):
            band_data_1 = band1_merge[i]
            band_list_1.append(band_data_1[x, y])
            band_data_2 = band2_merge[i]
            band_list_2.append(band_data_2[x, y])

        plt.figure()
        plt.plot(range(len(band1_merge)), band_list_1, label="Band 1")
        plt.plot(range(len(band1_merge)), band_list_2, label="Band 2")
        plt.xlabel("Time")
        plt.ylabel("NDVI")
        plt.ylim(0, 1000)
        plt.title(f"Time Series for Pixel at ({x}, {y})")
        plt.legend()
        plt.savefig(os.path.join(pic_folder, str(x) + "_" + str(y)))
        plt.show()

image_folder_path = "E:/02_Project/Result/test"
pic_folder_path = "E:/02_Project/TIFF/Plot"
num_pixels = 50
plot_time_series(image_folder_path, pic_folder_path, num_pixels)

上述代码的具体含义如下。

首先，我们导入了需要使用的库；其中，os用于处理文件路径和目录操作，random用于随机选择像素，matplotlib.pyplot则用于绘制图像。

随后，我们定义函数load_image(image_path)；这个函数接收一个影像文件路径image_path作为输入参数。随后，在函数内使用gdal库打开该影像文件，然后提取其第一个和第二个波段的数据，并分别存储在band1和band2中。最后，函数返回这两个波段的数据。

接下来，我们定义函数plot_time_series(image_folder, pic_folder, num_pixels)；这个函数接收三个输入参数，分别为image_folder、pic_folder和num_pixels。其中，image_folder为包含多个.tif格式的影像文件的文件夹路径，pic_folder是保存生成的时间序列图像的文件夹路径，而num_pixels则指定了随机选择的像素数量，用于绘制时间序列图——这个参数设置为几，我们最后就会得到几张结果图像。

在这个函数的内部，我们通过os.listdir函数获取image_folder中所有以.tif结尾的影像文件，并将这些文件名存储在image_files列表中。然后，我们创建两个空列表band1_merge和band2_merge，用于存储所有影像文件的2个波段数据。接下来，我们遍历所有影像文件，逐个加载每个影像文件的全部波段数据，并将它们添加到对应的列表中。其次，使用random.sample函数从像素索引的范围中随机选择num_pixels个像素的索引，并保存在pixel_indices列表中。接下来，我们遍历并恢复pixel_indices中的每个像素索引，计算该像素在每个影像中的每个波段的时间序列数据，并存储在band_list_1、band_list_2列表中。