Rasterio，一个强大的 Python项目！
? 读取影像，看见数据
处理卫星影像或数字高程模型等栅格数据，第一步是加载并解析其核心属性。Python环境中的rasterio库为此提供了专业解决方案，它基于GDAL构建，但提供了更简洁、更符合Python习惯的API。
一个标准的起点是打开GeoTIFF文件并检查其元数据：
import rasteriowith rasterio.open('example.tif') as src: print(f“宽度: {src.width}, 高度: {src.height}”) print(f“波段数: {src.count}”) print(f“地理范围: {src.bounds}”) print(f“坐标参考系: {src.crs}”) print(f“数据类型: {src.dtypes[0]}”)
使用with语句管理上下文是确保文件句柄正确关闭的最佳实践。通过返回的src数据源对象，你可以直接访问影像的像素维度、地理边界、坐标参考系统以及数据类型。这些元数据是后续所有空间分析与处理的基础。
执行代码后，你将获得类似以下的结构化信息：
宽度: 800， 高度: 600
波段数: 3
地理范围: BoundingBox(left=100.0, bottom=30.0, right=110.0, top=40.0)
坐标参考系: CRS.from_epsg(4326)
数据类型: uint8
至此，数据的空间框架与基本结构已清晰呈现。
⚙️ 波段运算，提取信息
读取数据后，下一步是进行信息提取与衍生计算。波段运算是遥感分析的核心，例如通过计算归一化植被指数来量化植被覆盖度。
NDVI的计算逻辑清晰，实现也直接：
import numpy as npwith rasterio.open('example.tif') as src: red = src.read(3).astype('float32') nir = src.read(4).astype('float32') np.seterr(divide='ignore', invalid='ignore') ndvi = (nir - red) / (nir + red)print(f“NDVI 数组形状: {ndvi.shape}”)print(f“NDVI 统计: 最小值={ndvi.min():.2f}, 最大值={ndvi.max():.2f}”)
将数据转换为float32类型是保证计算精度的关键步骤。np.seterr用于抑制分母为零时产生的无效计算警告，保持输出整洁。NDVI值域介于-1到1之间，高值通常指示健康的植被。
计算结果将提供数组维度和统计摘要：
NDVI 数组形状: (600， 800)
NDVI 统计: 最小值=-0.34， 最大值=0.87
? 写入成果，保存数据
完成分析后，需要将结果持久化。rasterio允许你将NumPy数组连同完整的地理空间元数据一同写入新的栅格文件。
写入过程高效且能保留地理配准信息：
with rasterio.open('example.tif') as src: profile = src.profile profile.update(dtype=rasterio.float32, count=1) with rasterio.open('ndvi_output.tif', 'w', **profile) as dst: dst.write(ndvi, 1)
这里复制了源数据的profile（包含CRS、仿射变换等），并根据NDVI数据（单波段、浮点型）更新其参数。以此配置文件创建新文件并写入数据，确保输出的TIFF文件可直接在QGIS、ArcGIS等平台中加载并使用。
? 优势对比与建议
与直接使用GDAL相比，rasterio的核心优势在于其Pythonic的API设计，降低了学习与使用门槛。它深度集成NumPy数组，便于进行数值计算，并能与Matplotlib、Pandas等数据科学栈无缝协作。
需要注意，对于某些边缘格式或极其特殊的操作，直接调用GDAL可能仍是备选方案。然而，在绝大多数遥感数据处理、地理空间分析和GIS应用开发场景中，rasterio的功能已完全足够。它让开发者能够更专注于算法与业务逻辑，而非底层数据I/O的细节。
对于从事空间数据科学的Python开发者，将rasterio作为栅格处理的首选工具是高效且可靠的选择。
? 结语
从数据读取、元数据探查，到执行NDVI等指数计算，再到保存地理参考完整的成果，rasterio提供了一套连贯、高效的工作流。它成功地将复杂的地理空间数据操作抽象为直观的Python代码，显著提升了遥感数据处理的生产力。掌握rasterio，意味着你具备了处理现代栅格数据集的坚实技术能力。