ArcGIS API for Python主要用于Web端的扩展和开发，提供简单易用、功能强大的Python库，以及大数据分析能力，可轻松实现实时数据、栅格数据、空间数据等多源数据的接入和GIS分析、可视化，同时提供对平台的空间数据管理和组织管理功能。本篇博客将和大家分享，使用ArcGIS API for Python进行城市区域提取的方法和流程。
数据准备：
不同时期的landsat影像
一、关于栅格函数
在前面的博客"环境镶嵌数据集的渲染模板使用"，"环境镶嵌数据集栅格函数使用（一）"中我们已经介绍了在镶嵌数据集上配置栅格函数以及发布的方法，我们也可以直接通过ArcGIS API for Python在客户端来使用栅格函数，ArcGIS API for Python包含了很多栅格函数和分析工具，如下图所示：
二、城市区域提取的流程
城市区域提取的流程如下图所示：
三、脚本实现过程
-
第一步：从portal中获取需要进行分析的数据
#从Portal中检索landsat影像发布的影像服务
from IPython.display import display
landsatitems = gis.content.search('ndvisourceprj','Imagery Layer')
landsat = landsatitems[0].layers[0]过滤得到不同年份的数据
selected2000 = landsat.filter_by("Name='city2000prj'")
selected2015 = landsat.filter_by("Name='city2015prj'") -
第二步：计算不同年份的NDVI并进行二值化处理
# 应用ndvi栅格函数生成不同年份ndvi
ndvi2000 = ndvi(selected2000,'4 3')
ndvi2015 = ndvi(selected2015,'4 3')
# ndvi二值化处理，设定阈值0，小于阈值为1表示裸地和水体，其余为0
ndvithreshold = 0
ndvi2000binarization = less_than([ndvi2000,ndvithreshold])*1+greater_than([ndvi2000,ndvithreshold])*0
ndvi2015binarization = less_than([ndvi2015,ndvithreshold])*1+greater_than([ndvi2015,ndvithreshold])*0
- 第三步：计算不同年份的NDBI并进行二值化处理
# 应用extract_band函数提取短波红外、近红外波段数据
swir = extract_band(selected2000,[5])
nearir = extract_band(selected2000,[4])
#计算不同年份的ndbi
ndbi2000 = FLOAT([swir-nearir])/FLOAT([swir+nearir])
ndbi2015 = FLOAT([extract_band(selected2015,[5])-extract_band(selected2015,[4])])/FLOAT([extract_band(selected2015,[5])+extract_band(selected2015,[4])])
#ndbi二值化处理，设定阈值0，小于阈值为0，其余为1表示城市建设区域和低密度植被覆盖裸地，可以调整阈值
ndbi2000binarization = less_than([ndbi2000,0])*0+greater_than([ndbi2000,0])*1
ndbi2015binarization = less_than([ndbi2015,0.1])*0+greater_than([ndbi2015,0.1])*1
-
第四步：城市建设用地提取
#生成不同年份的城市建设用地数据
citybuildinguse2000 = ndvi2000binarization * ndbi2000binarization
citybuildinguse2015 = ndvi2015binarization * ndbi2015binarization#计算不同年份的城市建设用地变化
buildinguse_diff = (citybuildinguse2015 - citybuildinguse2000)#变化结果重映射
threshold_val = 0.1
buildingusediff_remap = remap(buildinguse_diff,input_ranges=[threshold_val,1],output_values=[1],no_data_ranges=[-1,threshold_val],astype='u8')#变化结果颜色映射
buildingusediff_colormap = colormap(buildingusediff_remap,colormap=[[1,124,252,0]],astype='u8')#变化结果输出图片
from IPython.display import Image
dataextent = '11541010.6342307,3538686.96622601,11614210.6342307,3628986.96622601'
exportedimg = buildingusediff_colormap.export_image(bbox=dataextent,size=[1200,450],f='image')
Image(exportedimg)
原文链接：https://bbs.csdn.net/forums/gisrs?spm=1001.2014.3001.6682