基于Python计算Landsat8OLI遥感生态指数RSEI

1 简介

遥感生态指数RSEI， 是一种使用卫星遥感影像数据通过反演计算得到的数据，可以用来对城市的生态状况进行快速监测和评价，该指数主要利用主成分分析方法，对植被指数、湿度、地表温度以及建筑指数四项指数指标进行集成。详细信息还请参考阅读：徐涵秋.城市遥感生态指数的创建及其应用[J].生态学报,2013,33(24):7853-7862.

前段时间帮朋友用Python写了个基于Landsat8 OLI计算RSEI的脚本，最近想起来了，所以简单做个记录，有需要的可以参考下，其中计算的主要步骤如下

1、读取数据各个波段
2、计算NDVI
3、计算WET
4、计算LST
5、计算NDBSI
6、PCA主成分分析
7、结果数据导出

1.1 数据介绍

本次所采用的Landsat8 OLI数据来源于GEE已经进行过预处理的数据，挑选了其中的

B1 B2 B3 B4 B5 B6 B7 B10 B11波段并导出为tif格式。

1.2 思维导图

从思维导图中可以看出，我们首先需要计算出四项指数，然后再用PCA主成分分析对四项指数进行计算得到RSEI，最后将结果导出即可，思维导图获取方式在文末。

2 分析过程和部分代码

栅格数据的处理主要使用的是rasterio包，矢量数据的处理是用的geopandas，环境的安装可以参考我以前写的文章教程。

2.1 改变数据类型

在数据处理的过程中，我发现我使用的数据类型是int16，但是在后续的计算中因为涉及到计算和小数的出现，我将数据类型改变为了float64，代码

def changeDtype(path, outpath):
    """
    改变影像的数据类型
    :param path: 影像的路径
    :param outpath: 改变后影像的输出路径
    :return: outpath
    """
    src = rio.open(path)
    profile = src.profile.copy()
    profile['dtype'] = 'float64'
    data = src.read().astype('float64')
    with rio.open(outpath, mode='w', **profile) as dst:
        dst.write(data)
    src.close()
    return outpath

2.2 栅格影像裁剪

因为下载数据时并没有对影像边界进行裁剪，而有时候我们的研究区仅仅是影像的一部分，这时候就需要一个根据矢量数据裁剪或者提取栅格影像的功能，这里使用了掩膜提取

def mask(imagePath, shpPath, outImagePath):
    """
    按照矢量裁剪栅格
    :param imagePath: 目标影像路径
    :param shpPath: shp形状路径
    :param outImagePath: 输出影像路径
    :return: outImagePath
    """
    shpData = GeoDataFrame.from_file(shpPath)
    geo = shpData.geometry[0]
    shapes = [geo.__geo_interface__]

    with rio.open(imagePath) as src:
        out_image, out_transform = rio.mask.mask(src, shapes, crop=True, nodata=np.nan)
        out_meta = src.meta

    out_meta.update({"driver": "GTiff",
                     "height": out_image.shape[1],
                     "width": out_image.shape[2],
                     "transform": out_transform,
                     # 影像压缩 用的LZW算法，可以改
                     "compress": 'LZW'
                     })

    with rio.open(outImagePath, "w", **out_meta) as dest:
        dest.write(out_image)

    return outImagePath

2.3 计算NDVI

NDVI的计算主要是用到了红外和近红外波段，在计算NDVI的函数中，需要传入这两个波段数据，同时在计算后，需要剔除异常值，也就是不在（-1,1）之间的值，并将异常值赋值为nan，至于NDVI的归一化我并没有放在此处，因为有时候我们可能需要不归一化的值，所以把归一化另写成了一个函数。

def ndvi(red, nir):
    """
    计算植被指数 ndvi
    :param red: landsat8的B4波段,红外波段red
    :param red: landsat8的B5波段,近红外波段nir
    :return: ndvi 计算结果
    """
    ndvi = (nir - red) / (nir + red)
    # 去除异常值
    ndvi = np.where((ndvi > -1) & (ndvi < 1), ndvi, np.nan)
    return ndvi

2.4 计算WET

湿度的计算用到了6个波段，此处计算的公式是Landsat8的，如果你想计算Landsat5或7的可以把公式进行替换

def wet(blue, green, red, nir, swir1, swir2):
    """
    计算湿度 wet
    :param blue: landsat8的B2波段,蓝色波段blue
    :param green: landsat8的B3波段,绿色波段green
    :param red: landsat8的B4波段,红外波段red
    :param nir: landsat8的B5波段,近红外波段nir
    :param swir1: landsat8的B6波段,短波红外1 swir1
    :param swir2: landsat8的B7波段,短波红外2 swir2
    :return: wet 计算结果
    """
    blue = blue * 0.0001
    green = green * 0.0001
    red = red * 0.0001
    nir = nir * 0.0001
    swir1 = swir1 * 0.0001
    swir2 = swir2 * 0.0001
    wet = blue * 0.1511 + green * 0.1972 + red * 0.3283 + nir * 0.3407 + swir1 * 			(-0.7117) + swir2 * (-0.4559)
    return wet

2.5 计算NDBSI

NDBSI的计算需要先算出裸土指数SI和建筑指数IBI，进而再求出NDBSI，同样，按函数说明传入指定波段值就行

def ndbsi(blue, green, red, nir, swir1):
    """
    计算干度 ndbsi
    :param blue: landsat8的B2波段,蓝色波段blue
    :param green: landsat8的B3波段,绿色波段green
    :param red: landsat8的B4波段,红外波段red
    :param nir: landsat8的B5波段,近红外波段nir
    :param swir1: landsat8的B6波段,短波红外1 swir1
    :return: ndbsi 计算结果
    """
    blue = blue * 0.0001
    green = green * 0.0001
    red = red * 0.0001
    nir = nir * 0.0001
    swir1 = swir1 * 0.0001
    # 计算裸土指数 si
    si = ((swir1 + red) - (nir + blue)) / ((swir1 + red) + (nir + blue))
    # 计算建筑指数 ibi
    ibi = (2 * swir1 / (swir1 + nir) - (nir / (nir + red) + green / (green + swir1))) / \
          (2 * swir1 / (swir1 + nir) + (nir / (nir + red) + green / (green + swir1)))
    # 计算干度
    ndbsi = (si + ibi) / 2
    return ndbsi

2.6 计算LST

landsat8的第10波段是热红外波段，可以用其辐射亮度结合植被覆盖度和比辐射率来计算热度LST，

在计算植被覆盖度时此处假设最低是0.05，最高是0.95，如果有别的数据要求此处需要自行更改。

def lst(tirs1, ndvi):
    """
    计算热度指数 lst
    :param tirs1: landsat8的B10波段,热红外波段1 tirs1
    :param ndvi: ndvi
    :return:
    """
    # 选择第Band10辐射亮度波段
    tirs1_fsld = tirs1 * 0.1
    # 计算植被覆盖度pv，假设最低值为0.05，最大值为0.95
    pv = np.power((ndvi-0.05) / (0.95-0.05), 2)
    # 计算比辐射率c
    c = 0.004 * pv + 0.986
    # 计算lst
    lst = (tirs1_fsld / (1 + (0.00109 * (tirs1_fsld / 1.438)) * np.log(c))) - 273.15
    return lst

2.7 数据归一化

数据归一化用的线性归一化，比较简单，如果有别的需求可以更改

def normalize(array):
    """
    线性归一化
    :param array: 数组
    :return: 处理后的数组
    """
    # 线性归一化
    max = np.nanmax(array)
    min = np.nanmin(array)
    normalize_value = (array-min) / (max-min)
    return normalize_value

2.8 PCA主成分分析计算RSEI

PCA主成分分析这部分主要是使用的sklearn包中现成的函数（我自己其实也写了，但，感觉不是很自信哈哈），其中碰到的难点应该就是做成PCA需要的面板数据时一直没有清除掉所有的nan值，不过很幸运的是碰到了位大佬—胡哥，我下楼吃饭前发给的大哥，饭没吃完，大哥就把结果发我了，然后第二天大哥写的那几句代码我学习了一天，属实牛逼。

言归正传，以下是计算代码

def rsei(ndvi, wet, ndbsi, lst):
    """
    PCA主成分分析并计算RSEI
    :param ndvi: ndvi
    :param wet: wet
    :param ndbsi: ndbsi
    :param lst: lst
    :return: rsei, pc_ratio(保留成分的方差百分比)
    """
    # 将四个指标合成一个多维数组，此时data的shape是(4, m, n)，是一个三维数据
    data = np.array([wet, ndvi, lst, ndbsi])
    # 对数组进行掩膜，不让nan参与PCA
    panel_data = np.hstack([data[i, :, :].flatten().reshape(-1, 1) for i in range(data.shape[0])])
    mask = np.isnan(panel_data).sum(axis=1) > 0
    train_x = panel_data[~mask, :]
    # 主成分分析
    pca = PCA(n_components=1)
    pca_data = pca.fit_transform(train_x)
    # 保留成分的方差百分比(如果用不到可以不用返回，可以去掉)
    pc_ratio = pca.explained_variance_ratio_

    final_result = np.ones_like(mask) * 1.0
    final_result[~mask] = pca_data.flatten()
    final_result[mask] = np.NAN
    result_data = final_result.reshape(data.shape[1:])

    # 计算rsei
    rsei = 1 - result_data
    # 对rsei进行归一化
    rsei = normalize(rsei)
    return rsei, pc_ratio

2.9 保存计算结果数据为单波段影像

使用rasterio将数据保存为单波段tif，其中投影等信息参照读取到的landsat8的元数据信息。

def save(outPath, data, meta):
    """
    保存单波段影像
    :param outPath: 输出影像
    :param data: 波段数据
    :param meta: 原始影像的元数据
    :return:
    """
    meta.update({'count': 1,
                 'dtype': 'float64'
                 })
    with rio.open(outPath, "w", **meta) as dest:
        dest.write_band(1, data)

3 总结

计算结果，经朋友验证，和GEE计算的结果基本是保持一致的
以上如有错误，请大佬指正！感激！

完整代码和思维导图可以在公众号“壹贰叁言”回复‘RSEI’进行获取