处理大尺度哨兵1（Sentinel-1）、哨兵2（Sentinel-2）和Landsat卫星数据

处理大尺度哨兵1（Sentinel-1）、哨兵2（Sentinel-2）和Landsat卫星数据

大尺度哨兵 1，哨兵2（Sentinel2）、Landsat卫星数据处理。可通过下载大气校正过的 L2A 或 Level2 数据。亦可进行筛选云量、转为 tif 格式、镶嵌、裁切、重投影、计算 NDVI 等常见植被指数或水体、建筑指数、最大值合成等操作。对应的土地覆盖 / 利用数据

处理大尺度哨兵1（Sentinel-1）、哨兵2（Sentinel-2）和Landsat卫星数据，
仅供参考。几个步骤：下载、预处理（如云量筛选、大气校正等）、格式转换、镶嵌、裁切、重投影、计算植被指数或水体建筑指数以及最大值合成等。

简化的指南来帮助你处理这些数据。

2. 预处理

下载的数据可能需要进一步预处理，例如去除云层影响。可以使用ESA的SNAP软件或者Python中的sentinelsat库进行云量筛选。

• 使用SNAP进行预处理，支持多种操作包括云检测、大气校正等。
• Python中，可以利用sentinelsat库搜索并下载数据，并用rasterio或GDAL等库进行后续处理。

3. 格式转换与镶嵌

下载的数据可能是特定格式（如SAFE格式），你可以使用GDAL命令行工具将其转换为更通用的GeoTIFF格式：

gdal_translate -of GTiff input_file output_file.tif

对于覆盖同一地区的多个影像，可使用gdal_merge.py脚本将它们合并成一个大的镶嵌图：

gdal_merge.py -o mosaic_output.tif image1.tif image2.tif ...

4. 裁切与重投影

根据研究区域，你可能需要裁剪影像以聚焦于特定区域，这可以通过gdalwarp完成：

gdalwarp -cutline your_shapefile.shp -crop_to_cutline input.tif output_cropped.tif

要改变坐标系，可以使用同样的gdalwarp工具：

gdalwarp -t_srs EPSG:4326 input.tif output_reprojected.tif

5. 计算植被指数或其他指数

NDVI（归一化植被指数）是常用的一个植被指数，可以通过简单的数学运算计算出来。假设红波段在第4个通道，近红外波段在第8个通道：

import rasterio
import numpy as np

with rasterio.open('your_image.tif') as src:
    red = src.read(4).astype(float)
    nir = src.read(8).astype(float)
    ndvi = (nir - red) / (nir + red)

# 保存结果
ndvi_dataset = rasterio.open('output_ndvi.tif', 'w', driver='GTiff', height=src.height, width=src.width, count=1, dtype='float32', crs=src.crs, transform=src.transform)
ndvi_dataset.write(ndvi, 1)
ndvi_dataset.close()

6. 最大值合成

为了创建一个时间序列的最大值合成产品，你可以先计算每个时期的指数，然后在相同位置上保留最大值。

以上就是处理大尺度哨兵1、哨兵2和Landsat卫星数据的基本流程。根据具体需求，可能还需要调整或添加其他步骤。

仅供参考学习。