Python 多光谱遥感数据介绍

激光雷达仪器是一种有源遥感仪器， 这意味着该仪器主动发射能量， 而不是从另一个来源（太阳）收集有关光能的信息。 多光谱遥感是一种被动遥感类型， 这意味着传感器正在测量来自现有光源的光能， 在这种情况下是太阳。

左图：测量自然可用能量的遥感系统称为无源传感器。右图：有源传感器从仪器本身的来源发出自己的能量。

电磁频谱

要更好地理解多光谱遥感，需要了解电磁频谱的一些基本原理。 电磁频谱由一系列不同波长或“颜色”的光能组成。 光谱遥感仪器收集电磁频谱特定区域内的光能， 频谱中的每个区域称为一个波段。

光谱遥感数据的关键属性

空间与机载数据

可从地面、空中（使用飞机或直升机）或太空收集遥感数据。 可以想象从太空收集的数据通常比从飞机收集的数据具有更低的空间分辨率。 然而权衡的结果是， 从卫星收集的数据通常可以提供更好的（高达全球）覆盖范围。

例如，Landsat 8 卫星对整个地球有 16 天的重复周期。 这意味着可以每 16 天找到一个区域的新图像。 收集机载数据需要花费大量的时间和财力。 因此，数据通常仅适用于较小的地理区域。 此外，可能不会发现数据在需要的时间段内可用。 例如，就 NAIP 而言，可能每 2-4 年才有一个新数据集。

星载与机载遥感。请注意，星载数据通常分辨率较低， 然而由于卫星连续围绕地球旋转， 因此空间覆盖范围可能比机载数据更好。

波段和波长

在谈论光谱数据时， 需要同时了解电磁频谱和图像波段。 光谱遥感数据由称为成像光谱仪的功能强大且类似相机的仪器收集。 成像光谱仪收集“波段”中的反射光能。

波段代表电磁频谱的一段， 可以将其视为一种 “type” 光的容器。 例如，800 纳米 (nm) 和 850 nm 之间的波长值可能是成像光谱仪捕获的一个波段。 成像光谱仪收集地面像素区域内的反射光能， 由于成像光谱仪收集许多不同类型的光， 对于每个像素，将记录每种类型的光或波段的光能量。 因此，例如，相机会记录每个像素的红光、绿光和蓝光的数量。

通常，当使用多光谱数据集时， 波段信息被报告为中心波长值。 该值表示该波段中表示波长的中心点值。 因此，在跨越 800-850 nm 的波段中， 中心将为 825 nm。

成像光谱仪收集电磁频谱定义波段或区域内的反射光信息。

光谱分辨率

具有多个波段的数据集光谱分辨率是指数据集中每个波段的光谱宽度。 在上图中，波段被定义为跨越 800-810 nm。 因此，谱带的光谱宽度或光谱分辨率为 10 nm。

虽然通常提供传感器的是一般光谱分辨率， 但并非所有传感器都在统一宽度的波段内收集信息。

空间分辨率

栅格的空间分辨率表示每个像素覆盖的地面区域。 如果栅格中的像素较小， 则数据会显得更“详细”。 如果栅格中有大像素， 则数据会显得更粗糙或“模糊”。 如果高分辨率数据可以展示更多关于地球表面正在发生的事情， 为什么不总是只收集高分辨率数据（较小的像素）呢？ 使用激光雷达高程数据时了解过栅格空间分辨率， 相同的分辨率概念适用于多光谱数据。

栅格的空间分辨率表示每个像素覆盖的地面区域。

遥感数据以不同的空间分辨率收集。 请记住，空间分辨率表示每个像素覆盖的地面区域。

什么是多光谱图像？

多波段栅格数据简介

以前的教程使用了从激光雷达遥感仪器派生的栅格数据。 这些栅格由一个图层或一个波段组成， 并包含从激光雷达数据中导出的高度值。 在本文中，将学习如何使用包含存储在多个波段（或图层）中的多光谱影像数据的栅格。 就像对单波段栅格所做的那样， 将使用函数在 Python rasterio.open() 中打开多波段栅格数据。

• 要导入多波段栅格数据，将使用该 stack() 功能。
• 如果多波段数据是希望合成为彩色图像的图像， 则可以使用该 earthpy plot_rgb() 函数绘制 3 波段光栅图像。

栅格可以包含一个或多个波段， 可使用栅格函数从单个或多波段栅格中导入一个波段。

许多人都熟悉的一种多光谱图像是彩色图像。 彩色图像由三个波段组成：红色、绿色和蓝色。 每个波段代表从电磁频谱的红色、绿色或蓝色部分反射的光。 每个波段的像素亮度在合成时会创建您在图像中看到的颜色， 这些颜色是眼睛在电磁频谱的可见部分可以看到的颜色。

当在 GIS 中， 甚至在 Photoshop 或任何其他图像软件等工具中一起渲染时， 这三个波段会创建一个彩色图像。

可使用灰度颜色渐变单独绘制多波段图像的每个波段。 较浅的颜色代表该波段中更强的反射， 较深的颜色代表较弱的反射。

多波段影像有不止一层， 可单独绘制波段， 就像在本课程前面绘制激光雷达高度栅格一样。

RBG 图

可将红色、绿色和蓝色波段绘制在一起以创建 RGB 图像。 如果在飞机上俯视地球， 这就是用我们的眼睛看到的景象。

彩色图像只是数据的红色、绿色和蓝色波段的合成。 这里 NAIP 数据用于绘制彩色 RGB 合成图像。

每个波段单独绘制

注意下面有四个波段。 正在查看 NAIP 图像的红色、绿色、蓝色和近红外波段， 注意到每张图像的相对暗度/亮度如何？ 一幅图像比另一幅图像亮吗？

可单独绘制每个波段以更好地查看反射率值。 在 Python 中，通常会使用循环创建此图。 但是，earthpy 中的 plot_bands 函数会自动绘制所有波段。

彩色红外 (CIR) 图像

如果图像有第 4 个 NIR 波段， 可以创建 CIR（有时称为假色）图像。 在彩色红外图像中， NIR 波段绘制在“红色”波段上。 因此，在光谱的 NIR 部分强烈反射的植被被染成“红色”。 CIR 图像通常用于更好地了解一个地区的植被覆盖和健康状况。

植被强烈反射近红外光。 当在红色通道上绘制遥感图像的近红外波段时，会强调植被。

其他类型的多波段栅格数据

多波段栅格数据还可能包含：

• 时间序列：同一个变量，在同一个区域，随着时间的推移。
• 多光谱或高光谱图像：具有 4 个或更多（多光谱）或超过 10-15 个（高光谱）波段的图像栅格。

NAIP、陆地卫星和 MODIS

要开始使用多光谱遥感数据，将查看以下两个数据源：

• NAIP：国家农业影像计划数据
• Landsat：土地利用卫星

关于 NAIP 多光谱图像

NAIP 图像在美国可用， 通常具有三个波段 - 红色、绿色和蓝色。 然而有时会有第四个近红外波段可用。 NAIP 图像通常具有 1 米的空间分辨率， 这意味着每个像素代表地球表面的 1 米。 NAIP 数据通常使用安装在飞机上的相机收集， 并且每隔几年收集一次给定地理区域的数据。

Landsat 8 图像

与 NAIP 相比，Landsat 数据是使用安装在环绕地球运行的卫星上的仪器收集的， 该卫星会不断收集图像。 Landsat 仪器以 30 米的空间分辨率收集数据， 但也有 11 个波段分布在整个电磁频谱中， 而 NAIP 图像只有 3 个或 4 个波段。 Landsat 还有一个全色波段， 它以 15 米的空间分辨率收集整个光谱可见部分的信息。

Landsat 8 波段 1-9 如下所列：

Landsat 7（底部）与 Landsat 8（顶部）的波段， 还有其他几种提供数据的 Landsat 仪器， 最常用的是 Landsat 5 和 7，每种仪器的规格都不同。

MODIS 图像

中分辨率成像光谱仪 (MODIS) 仪器是另一种基于卫星的仪器， 可连续收集地球表面的数据。 MODIS 以多种空间分辨率收集光谱信息， 包括 250m、500m 和 1000m。 在本文中将使用 500 m 空间分辨率的 MODIS 数据。 MODIS 有 36 个波段，本文会仅了解前 7 个波段。

以下是 MODIS 仪器的前 7 个波段：