landsat 8 卫星 波段介绍 及组合

landsat8卫星结合OLI和TIRS传感器,OLI波段设计避免大气吸收,如Band5排除0.825μm水汽吸收,Band8全色波段更利于植被区分。新增蓝色波段(Band 1)用于海岸带观测,短波红外波段(Band 9)用于云检测。landsat8与landsat7对比,OLI波段有明显改进,通过表1-3展示了波段对应和合成应用。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

  landsat8卫星包含OLI和TIRS两种传感器。OLI包括了ETM+的所有波段。为了避免大气吸收特征,OLI对波段进行了重新调整,比较大的调整是OLI Band5(0.845–0.885 μm),排除了0.825μm处水汽吸收特征;OLI全色波段Band8波段范围较窄,这种方式可以在全色图像上更好区分植被和无植被特征;此外,还有两个新增的波段:蓝色波段 (band 1; 0.433–0.453 μm) 主要应用海岸带观测,短波红外波段(band 9; 1.360–1.390 μm) 包括水汽强吸收特征可用于云检测;近红外band5和短波红外band9与MODIS对应的波段接近。

landsat7 landsat8卫星对比

Landsat 7

 

 

Landsat 8

 

Band Name

Bandwidth (μm)

Resolution (m)

Band Name

Bandwidth (μm)

Resolution (m)

      Band 1 Coastal

 

 

0.43 – 0.45

 

 

30

 

Band 1 Blue

 

0.45 – 0.52

 

 

30

 

Band 2 Blue

 

0.45 – 0.51

 

 

30

 

Band 2 Green

 

0.52 – 0.60

 

 

30

 

Band 3 Green

 

0.53 – 0.59

 

 

30

 

Band 3 Red

 

0.63 –

### Landsat 8 波段组合图像处理方法 Landsat 8 卫星提供了多个波段的数据,这些波段可以用于生成不同的图像组合来突出特定的地物特征或现象。常见的波段组合包括真彩色、假彩色以及植被指数等。 #### 常见的波段组合及其用途 1. **真彩色 (True Color)** 使用 B4(红色)、B3(绿色)和 B2(蓝色)三个波段合成图像,这种组合最接近人类视觉感知的颜色效果[^1]。 ```python from osgeo import gdal # 打开各波段文件 red_band = gdal.Open('path_to_B4.tif') green_band = gdal.Open('path_to_B3.tif') blue_band = gdal.Open('path_to_B2.tif') # 创建RGB合成图 driver = gdal.GetDriverByName('GTiff') rgb_image = driver.Create('true_color.tif', red_band.RasterXSize, red_band.RasterYSize, 3, gdal.GDT_Byte) # 设置地理变换参数 geo_transform = red_band.GetGeoTransform() projection = red_band.GetProjection() rgb_image.SetGeoTransform(geo_transform) rgb_image.SetProjection(projection) # 将波段写入到多波段TIFF中 rgb_image.GetRasterBand(1).WriteArray(red_band.ReadAsArray()) rgb_image.GetRasterBand(2).WriteArray(green_band.ReadAsArray()) rgb_image.GetRasterBand(3).WriteArray(blue_band.ReadAsArray()) # 关闭数据集 rgb_image.FlushCache() ``` 2. **假彩色 (False Color)** 使用 B5(近红外)、B4(红色)和 B3(绿色)三个波段合成图像,这种组合常用于增强植被覆盖度的效果,因为近红外波段对植被反射率敏感。 ```python nir_band = gdal.Open('path_to_B5.tif') # 近红外波段 red_band = gdal.Open('path_to_B4.tif') # 红色波段 green_band = gdal.Open('path_to_B3.tif') # 绿色波段 false_color = driver.Create('false_color.tif', red_band.RasterXSize, red_band.RasterYSize, 3, gdal.GDT_UInt16) false_color.SetGeoTransform(geo_transform) false_color.SetProjection(projection) false_color.GetRasterBand(1).WriteArray(nir_band.ReadAsArray()) # NIR -> Red channel false_color.GetRasterBand(2).WriteArray(red_band.ReadAsArray()) # Red -> Green channel false_color.GetRasterBand(3).WriteArray(green_band.ReadAsArray()) # Green -> Blue channel false_color.FlushCache() ``` 3. **NDVI 计算 (Normalized Difference Vegetation Index)** NDVI 是一种常用的植被指数,通过计算 B5(近红外)和 B4(红光)之间的差异来评估植被健康状况。 ```python import numpy as np nir_data = nir_band.ReadAsArray().astype(float) red_data = red_band.ReadAsArray().astype(float) ndvi = (nir_data - red_data) / (nir_data + red_data) # 输出NDVI结果为TIFF文件 ndvi_driver = gdal.GetDriverByName('GTiff') ndvi_output = ndvi_driver.Create('ndvi.tif', red_band.RasterXSize, red_band.RasterYSize, 1, gdal.GDT_Float32) ndvi_output.SetGeoTransform(geo_transform) ndvi_output.SetProjection(projection) ndvi_output.GetRasterBand(1).WriteArray(ndvi) ndvi_output.FlushCache() ``` 以上展示了如何利用 GDAL 工具库读取 Landsat 8 的单波段数据,并将其合成为 RGB 图像或者计算 NDVI 指数的过程。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值