Werken met rasterdata

Werken met georuimtelijke data in Python

Joris Van den Bossche

Open source software developer and teacher, GeoPandas maintainer

Raster met waarderaster illustratie

Bron: QGIS-documentatie

Rasterdata

Kaart met regenkans

Rasterdata met meerdere banden

Het rasterio-pakket

import rasterio

"Pythonic" bindings voor GDAL
Lezen en schrijven van rasterbestanden
Verwerkingstools (maskeren, herprojectie, resampling, ..)

https://rasterio.readthedocs.io/en/latest/

Een rasterbestand openen

import rasterio

src = rasterio.open("DEM_world.tif")

Metadata:

src.count

src.width, src.height

(4320, 2160)

Rasterdata = numpy-array

array = src.read()

Standaard numpy-array:

array

array([[[-4290, -4290, -4290, ..., -4290, -4290, -4290],
        [-4278, -4278, -4278, ..., -4278, -4278, -4278],
        [-4269, -4269, -4269, ..., -4269, -4269, -4269],
        ...,
        [ 2804,  2804,  2804, ...,  2804,  2804,  2804],
        [ 2804,  2804,  2804, ...,  2804,  2804,  2804],
        [ 2804,  2804,  2804, ...,  2804,  2804,  2804]]], dtype=int16)

Een raster plotten

Met de methode rasterio.plot.show():

import rasterio.plot

rasterio.plot.show(src, cmap='terrain')

Informatie extraheren op basis van vectordata

rasterstats: Samenvattende statistieken van geospatiale rasterdata op basis van vectorgeometrieën (https://github.com/perrygeo/python-rasterstats)

Rasterwaarden extraheren met rasterstats

Voor puntvectoren:

rasterstats.point_query(geometries, "path/to/raster", 
                        interpolation='nearest'|'bilinear')

Voor polygoonvectoren:

rasterstats.zonal_stats(geometries, "path/to/raster",
                        stats=['min', 'mean', 'max'])

Rasterwaarden extraheren met rasterstats

result = rasterstats.zonal_stats(countries.geometry, "DEM_gworld.tif", 
                                 stats=['mean'])

countries['mean_elevation'] = pd.DataFrame(result)

countries.sort_values('mean_elevation', ascending=False).head()

            name    continent                     geometry  mean_elevation
157   Tajikistan         Asia  POLYGON ((74.98 37.41, ...      3103.231105
85    Kyrgyzstan         Asia  POLYGON ((80.25 42.34, ...      2867.717142
24        Bhutan         Asia  POLYGON ((91.69 27.77, ...      2573.559846
119        Nepal         Asia  POLYGON ((81.11 30.18, ...      2408.907816
6     Antarctica   Antarctica  (POLYGON ((-59.57 -80.04...     2374.075028
..           ...          ...                          ...             ...

Laten we oefenen!

Werken met georuimtelijke data in Python