（二）Python + 地球信息科学与技术 （GeoICT）=？

目录

[四、典型工作流程（以 "遥感植被分析" 为例）](#四、典型工作流程（以 “遥感植被分析” 为例）)

[五、Python vs 传统 GeoICT 工具（如 ArcGIS）](#五、Python vs 传统 GeoICT 工具（如 ArcGIS）)

六、学习资源推荐

七、趋势小结

---

四、典型工作流程（以 "遥感植被分析" 为例）

以 "基于 Landsat 8 影像计算某区域 NDVI 并可视化" 为例，展示 Python GeoICT 的完整流程：

1. 数据获取

   用 earthaccess 库（NASA 官方 Python 接口）下载 Landsat 8 影像（包含红波段、近红外波段）：

   import earthaccess

   搜索条件：区域、时间、传感器

   results = earthaccess.search_data(
   short_name="LANDSAT_8_C1_L1",
   bounding_box=(-122.4, 37.7, -122.3, 37.8), # 旧金山某区域
   date_range=("2023-06-01", "2023-06-30"),
   max_results=1
   )

   下载影像到本地

   earthaccess.download(results, local_path="./landsat_data")

2. 数据预处理

用 Rasterio 读取影像，进行辐射定标（将 DN 值转换为反射率）：

import rasterio
import numpy as np

# 读取红波段（B4）和近红外波段（B5）
with rasterio.open("./landsat_data/LC08_L1TP_044034_20230615_20230627_02_T1_B4.TIF") as src:
    red = src.read(1).astype(np.float32)
    profile = src.profile  # 保存影像投影、分辨率等信息

with rasterio.open("./landsat_data/LC08_L1TP_044034_20230615_20230627_02_T1_B5.TIF") as src:
    nir = src.read(1).astype(np.float32)

# 辐射定标（基于 Landsat 8 定标系数，从影像元数据中获取）
M_p = 0.00002  # 增益
A_p = -0.1     # 偏移
red_reflect = M_p * red + A_p
nir_reflect = M_p * nir + A_p

3.NDVI 计算

NDVI（归一化植被指数）公式：NDVI = (NIR - Red) / (NIR + Red)，用于表征植被覆盖度：

# 避免除以零，设置阈值
ndvi = (nir_reflect - red_reflect) / (nir_reflect + red_reflect + 1e-8)
# 过滤异常值（NDVI 范围通常为 [-1, 1]）
ndvi = np.clip(ndvi, -1, 1)

4. 可视化与输出

用 Matplotlib + Cartopy 绘制 NDVI 专题图，并保存结果：

import matplotlib.pyplot as plt
import cartopy.crs as ccrs
import cartopy.feature as cfeature

# 设置投影（与影像一致，如 UTM 10N）
crs = ccrs.UTM(10)
fig, ax = plt.subplots(figsize=(10, 8), subplot_kw={"projection": crs})

# 绘制 NDVI 热力图
im = ax.imshow(ndvi, extent=src.bounds, cmap="RdYlGn", vmin=-1, vmax=1)
# 添加行政区划与海岸线
ax.add_feature(cfeature.STATES.with_scale("10m"), edgecolor="gray")
ax.add_feature(cfeature.COASTLINE.with_scale("10m"))

# 添加颜色条与标题
cbar = plt.colorbar(im, ax=ax, shrink=0.6)
cbar.set_label("NDVI", fontsize=12)
ax.set_title("Landsat 8 NDVI (San Francisco, June 2023)", fontsize=14)

# 保存图片
plt.savefig("./ndvi_sf_202306.png", dpi=300, bbox_inches="tight")

五、Python vs 传统 GeoICT 工具（如 ArcGIS）

对比维度	Python	传统闭源工具（如 ArcGIS）
成本	开源免费	昂贵授权（个人 / 企业版）
自动化能力	支持批量脚本（处理海量数据）	需手动操作或复杂模型构建
定制化	可深度开发自定义模型（如 AI 解译）	依赖预设工具，定制难度高
跨平台集成	可对接 Web、数据库、AI 框架	生态封闭，集成难度大
学习曲线	需基础编程能力，入门稍难	可视化界面，入门简单

六、学习资源推荐

1. 官方文档（核心参考）

   • GeoPandas 官方文档：矢量数据处理权威指南；
   • Rasterio 官方文档：栅格数据处理教程；
   • EarthAccess 文档：NASA 数据下载工具。

2. 在线课程

   • Coursera《Python for Everybody》（密歇根大学）：Python 基础 + 简单 GIS 应用；
   • Udemy《Python for GIS and Remote Sensing》：针对性讲解地学库实操；
   • 中国大学 MOOC《地理空间数据分析与 Python 实践》：国内本土化案例。

3. 书籍

   • 《Python 地理数据处理》（Paul Crickard）：从基础到实战的全面教程；
   • 《GIS 与 Python 实战》（Eric Westra）：侧重传统 GIS 任务的 Python 实现。

4. 开源项目与社区

   • GitHub 仓库：geopandas/geopandas、rasterio/rasterio（源码与示例）；
   • Stack Overflow（gis 标签）：解决实际问题的问答社区；
   • 知乎 "Python 地理" 专栏：国内学者分享的实战案例。

七、趋势小结

1. GeoAI（地理人工智能）：Python 结合深度学习（如 Transformer、SAM），实现更高精度的遥感解译（如灾害识别、作物分类）；
2. 云原生地学计算：基于云平台（如 AWS、Google Earth Engine Python API）处理 PB 级地学数据，降低本地算力需求；
3. 实时时空分析：对接物联网（IoT）数据，实现动态监测（如实时洪水预警、交通流量分析）；
4. 开源生态整合：库间协作更紧密（如 GeoPandas + MovingPandas 处理时空数据），降低开发门槛。