Arbeta med rasterdata

Arbeta med geospatial data i Python

Joris Van den Bossche

Open source software developer and teacher, GeoPandas maintainer

Illustration av ett rutnät med värden

Bildkälla: QGIS-dokumentation

Rasterdata

Karta över sannolikhet för regn

Rasterdata med flera band

Paketet rasterio

import rasterio

"Pythoniska" bindningar till GDAL
Läsning och skrivning av rasterfiler
Bearbetningsverktyg (maskering, reprojektion, omsampling, ...)

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

Öppna en rasterfil

import rasterio

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

Metadata:

src.count

src.width, src.height

(4320, 2160)

Rasterdata = numpy-array

array = src.read()

Vanlig 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)

Visualisera en rasterdatamängd

Använd metoden rasterio.plot.show():

import rasterio.plot

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

Extrahera information baserat på vektordata

rasterstats: Sammanfattande statistik för geospatiala rasterdatamängder baserat på vektorgeometrier (https://github.com/perrygeo/python-rasterstats)

Extrahera rastervärden med rasterstats

För punktvektorer:

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

För polygonvektorer:

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

Extrahera rastervärden med 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
..           ...          ...                          ...             ...

Nu kör vi en övning!

Arbeta med geospatial data i Python