NAIP Multiband-Fernerkundungsbilder in Python in Python
Dies ist ein kleines Projekt zur Berechnung des NDVI in Python. Hierfür habe ich den EarthPy-Datensatz naip-fire-crop verwendet. Dieser Datensatz enthält NAIP-Daten für das Cold Springs Fire Studiengebiet in Colorado. NAIP steht für National Agriculture Imagery Program und sammelt Luftbilder während der landwirtschaftlichen Wachstumsperiode in den kontinentalen USA. NAIP-Bilder werden oft nur mit den roten, grünen und blauen Bändern aufgenommen, aber einige enthalten auch das Infrarotband.
Link zum JupyterNotebook: https://github.com/Leonieen/Projects/blob/main/NDVIPython/NDVI.ipynb
Mit EarthPy werden die Daten importiert und dann können die einzelnen Bänder geplottet werden.
Python
Keywords:
AearthPy
NAIP
JupyterNotebook
Remote Sensing
NDVI
Aus den Bildern der verschiedenen Bänder können nun wieder Composites erstellt werden.
Durch die Anwendung einer Streckung können Kontrast und Klarheit verbessert werden. Dazu gibt es auch wieder eine Funktion in EarthPy.
Zur Berechnung des NDVI verwende ich die EarthPy-Funktion normalized_diff aus earthpy.spatial.
Calculating NDVI in Python with Landsat 8 Images
Der NDVI wird durch den Vergleich der Reflexion von sichtbarem rotem und nahinfrarotem Licht durch die Vegetation berechnet. Hier ist eine weitere Möglichkeit, wie der NDVI mit Python, Rasterio und Landsat 8 Bildern berechnet werden kann. Ich werde Band 4 (rot) und Band 5 (NIR) verwenden, um den NDVI zu berechnen. Anschließend werden die Ergebnisse mit Matplotlib visualisiert.
Link zum JupyterNotebook: https://github.com/Leonieen/Projects/blob/main/NDVIPython/NDVI_Landsat.ipynb
Python
Keywords:
NDVI
JupyterNotebook
Landsat8
Darstellung von Band 4 (Rot) und Band 5 (NIR)
Darstellung von Band 5 (NIR) mit verschiedenen Farbkarten
Darstellung von Band 4 (Rot) und Band 5 (NIR) mit Farbskala
Berechnung des NDVI (links) und Vergleich des NDVI im Juli 2022 und Juli 2019 (rechts)