有時候我們會有這樣的想法，就是針對某個區(qū)域的柵格數(shù)據(jù)，要提取它的平均值或者其他統(tǒng)計指標(biāo)，比如在一個省內(nèi)提取多年的降雨數(shù)據(jù)，最后分區(qū)域地計算一些統(tǒng)計值，或者從多個柵格數(shù)據(jù)中提取某個區(qū)域的數(shù)值形成一個序列。為了方便，畫一個示意圖看看，比如就像提取這個區(qū)域中的某一個市的區(qū)域，然后形成一個序列數(shù)據(jù)，這就可以使用rasterstats庫了，此外的分區(qū)統(tǒng)計也可以用這個庫

這個實驗使用的數(shù)據(jù)格式分別是柵格(*.tif)和矢量(.shp)，之后的分區(qū)統(tǒng)計操作和柵格數(shù)據(jù)的提取都是源于這兩類數(shù)據(jù)。為了能使用上這個rasterstats庫，選擇了在google colab平臺運行腳本，因為安裝庫實在是太方便了，在win上老是安裝不上的，在google notebook立馬就搞定了，而且可以把數(shù)據(jù)存儲到谷歌云盤，直接在notebook中就是可以鏈接使用的

那么現(xiàn)在就開始做測試，使用的數(shù)據(jù)就是左側(cè)的柵格和矢量數(shù)據(jù)集導(dǎo)入相關(guān)的模塊

import geopandas as gpdimport pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport rasterioimport rasterstatsfrom rasterio.plot import show# show()方法用來展示柵格圖形from rasterio.plot import show_hist# 用來展示直方圖import cartopy.crs as ccrsimport cartopy.feature as cfeaturefrom cartopy.mpl.ticker import LongitudeFormatter, LatitudeFormatter

使用geopandas和rasterio分別讀取矢量和柵格數(shù)據(jù)

# 使用geopandas讀取矢量數(shù)據(jù)districts = gpd.read_file(’/content/drive/MyDrive/Datashpraster/Data/Districts/districts.shp’)# 使用rasterio讀取柵格數(shù)據(jù)，柵格數(shù)據(jù)和矢量數(shù)據(jù)的坐標(biāo)投影需要一致raster = rasterio.open(’/content/drive/MyDrive/Datashpraster/Data/Rainfall Data Rasters/2020-4-1.tif’)

# 把矢量數(shù)據(jù)和柵格數(shù)據(jù)繪制到一個axis上，這個axis不是坐標(biāo)軸，而是圖形plt.rcParams[’font.family’] = ’Times New Roman’plt.rcParams[’font.size’] = 20fig, (ax1,ax2) = plt.subplots(1,2,figsize=(15,6))show(raster, ax=ax1,title=’Rainfall’)# 讀取進(jìn)來的矢量數(shù)據(jù)可以直接調(diào)用gpd的plot()方法繪制districts.plot(ax=ax1, facecolor=’None’, edgecolor=’red’)show_hist(raster,ax=ax2,title=’hist’)plt.show()

先繪制一下結(jié)果看看

讀取柵格數(shù)據(jù)：

# 提取雨量柵格值到numpy數(shù)組# 遵循GDAL規(guī)則從第一波段讀取rainfall_data = raster.read(1)rainfall_data

開始分區(qū)統(tǒng)計：

# 設(shè)置坐標(biāo)變換信息affine = raster.transform# 準(zhǔn)備開始進(jìn)行空間分區(qū)計算# 第一個參數(shù)是矢量分區(qū)，第二個是柵格，第三個是坐標(biāo)變換信息，第四個是統(tǒng)計均值avg_rallrain = rasterstats.zonal_stats(districts,rainfall_data,affine=affine,stats=[’mean’],geojson_out=True)# avg_rallrain# 除了統(tǒng)計平均值之外，還有最大最小值那些

繪制一下，只是一個簡單的圖形而已

當(dāng)然第二部分更有意思，就是從多個分散的柵格數(shù)據(jù)中提取數(shù)據(jù)形成一個序列

，就是這些tif數(shù)據(jù)

loop這些柵格數(shù)據(jù)集：

獲得提取到的結(jié)果，沒錯，就是這么一個序列數(shù)據(jù)，然后就是繪圖了

轉(zhuǎn)換數(shù)據(jù)格式

# 將Date列轉(zhuǎn)為時間型data[’Date’] = pd.to_datetime(data[’Date’], infer_datetime_format=True)# print(data)data[’Date’] = data[’Date’].dt.dateprint(data)

繪圖結(jié)果就是簡單的圖形而已

# 準(zhǔn)備繪制圖形fig,(ax1,ax2)= plt.subplots(2,1,figsize=(18,6))plt.rcParams[’font.size’] = 15data.plot(x=’Date’, y=’Average_RF_Porto’, ax=ax1, kind=’bar’, title=’Avg_Rail_Porto’)data.plot(x=’Date’, y=’Average_RF_Faro’, ax=ax2, kind=’bar’, title=’Avg_Rail_Faro’,color=’red’)#自動調(diào)整圖形的分布plt.tight_layout()plt.show()

結(jié)果就這樣一個序列圖，目的就是從柵格提取指定的研究區(qū)，然后提取柵格的值，再來繪圖

雖然感覺不是那么花里胡哨的圖，但這個應(yīng)該還是比較實用的，特別是大批量提取柵格值的時候。由于在google colab里面操作的步驟比較多，中間可能有省略的地方，但重要的應(yīng)該都在文中了，當(dāng)然也可以遷移運用到其他地方，也可以查看一下這個第三方庫的教程，比如read(1)是什么意思，官網(wǎng)的docs就寫得有，實在是很方便的

以上就是用Python進(jìn)行柵格數(shù)據(jù)的分區(qū)統(tǒng)計和批量提取的詳細(xì)內(nèi)容，更多關(guān)于Python 柵格數(shù)據(jù)的分區(qū)統(tǒng)計和批量提取 的資料請關(guān)注好吧啦網(wǎng)其它相關(guān)文章！